RAGとOpenAI Responses APIの連携ガイド

# Python - ハイブリッドRAG実装の完全な例

import openai
from typing import List, Dict, Any
import json

openai.api_key = "YOUR_API_KEY"

class HybridRAGSystem:
    def __init__(self, vector_store_id: str = None):
        self.vector_store_id = vector_store_id
        
    def create_vector_store(self, name: str):
        """ベクターストアを作成"""
        vector_store = openai.VectorStore.create(name=name)
        self.vector_store_id = vector_store.id
        return vector_store.id
        
    def add_documents(self, documents: List[str], metadata: List[Dict] = None):
        """ドキュメントをベクターストアに追加"""
        if not self.vector_store_id:
            raise ValueError("Vector store ID not set. Create a vector store first.")
            
        inputs = []
        for i, doc in enumerate(documents):
            input_item = {"text": doc}
            if metadata and i < len(metadata):
                input_item["metadata"] = metadata[i]
            inputs.append(input_item)
            
        batch = openai.VectorStore.Batch.create(
            vector_store_id=self.vector_store_id,
            inputs=inputs
        )
        return batch
        
    def preprocess_query(self, user_query: str) -> str:
        """クエリを前処理して検索効率を向上"""
        response = openai.Response.create(
            model="gpt-4o-mini",  # 軽量モデルを使用
            instructions="ユーザーの質問を検索クエリに最適化してください。重要なキーワードを抽出し、同義語や関連語も含めて、検索に適した形に変換してください。",
            input=f"元の質問: {user_query}",
            temperature=0.3,
            max_output_tokens=100
        )
        return response.output_text
        
    def answer_with_rag(self, user_query: str, use_web_search: bool = True) -> str:
        """ハイブリッドRAGを使用して回答を生成"""
        # 1. クエリを前処理
        optimized_query = self.preprocess_query(user_query)
        
        # 2. ツールの設定
        tools = []
        
        # ベクターストア検索を追加（社内知識）
        if self.vector_store_id:
            tools.append({
                "type": "vector_store",
                "vector_store_ids": [self.vector_store_id]
            })
            
        # Web検索を追加（外部知識）
        if use_web_search:
            tools.append({
                "type": "web_search",
                "parameters": {
                    "max_results": 5  # 結果数を制限してコスト削減
                }
            })
            
        # 3. 最終回答を生成
        instructions = """
        あなたは正確な情報提供を行うアシスタントです。以下のガイドラインに従ってください：
        
        1. 提供された社内知識ベース(vector_store)を優先的に参照してください
        2. 社内知識に情報がない場合のみウェブ検索結果を使用してください
        3. 各情報の出典を明記し、社内情報と外部情報を区別してください
        4. 情報の信頼性や鮮度を考慮して回答を構成してください
        5. 確信が持てない場合は、その不確実性を伝えてください
        """
        
        response = openai.Response.create(
            model="gpt-4.1",  # 高性能モデルで回答生成
            instructions=instructions,
            input=optimized_query,
            tools=tools,
            temperature=0.5
        )
        
        return response.output_text

# 使用例
rag_system = HybridRAGSystem()
vector_store_id = rag_system.create_vector_store("company_knowledge")

# 社内ドキュメントを追加
documents = [
    "当社の2025年第1四半期の売上は前年比115%の2億3000万円でした。",
    "新製品「AIアシスタントPro」は2025年6月15日に発売予定です。価格は月額9,800円からとなります。"
]
metadata = [
    {"category": "finance", "date": "2025-04-01"},
    {"category": "product", "date": "2025-05-10"}
]
rag_system.add_documents(documents, metadata)

# 質問に回答
answer = rag_system.answer_with_rag("2025年の新製品情報と売上予測を教えてください")
print(answer)