.svg)
001JAPANESE MANUFACTURING COMPANY · 2025–2026
日本の製造企業向け 多言語RAGナレッジエージェント
5
AIプロバイダーを統合運用
Kuroko Labs はタイに製造拠点を持つ日本の製造企業向けに、5社のAIプロバイダーを統合運用する3段階のRAGパイプラインを開発しました。ドメインを理解するQuery Plannerがあらゆる質問を構造化された検索プランへと分解し、最大7系統の並列検索チャネル、pgvectorによるセマンティック検索、PGroongaによる字句検索、表データ検索、LightRAGによるグラフベース検索、加えてメール検索、エンティティ検索、カンバン検索、が、文書・受信箱・会議の文字起こしから、日本語・タイ語でヒットを返します。Reciprocal Rank FusionとCohere Rerankが結果を統合したうえで、4段階のティアシステムが各回答の深さ・レイテンシ・コストを制御します。その結果、単純な質問は4秒未満、複数文書にまたがる深い分析は35秒未満で、出典と引用付き、かつ質問と同じ言語で回答されます。
5
AIプロバイダー
Anthropic, OpenAI, Cohere, Mistral, Unstructured.io
7
検索チャネル
ベクトル、全文、表データ、メール、グラフ、エンティティ、カンバン
4
応答ティア
Flash ≤4s から Deep ≤35s まで
2
対応言語
日本語、タイ語
0.9
セルフテストスコア
稼働中パイプラインに対する83シナリオ（最大1.0）
01、課題
誰も見つけられなかったナレッジ
お客様は、タイに生産拠点を構える日本の繊維メーカーです。同社は、糸の選定から完成したコレクションまで、国際的なファッションブランド向けに製造を行っています。同社のCEOが率いる日々の事業は、2か国・2言語・数千件に及ぶ文書のあいだの正確なコミュニケーションに支えられています。
問題は文書の不足ではなく、その検索性の欠如でした。生産仕様はPDFとしてSharePointに、品質基準は日本語と英語の列を持つExcelの表として、原価計算は数十のシートを持つ入れ子のXLSXに、意思決定はメールスレッドや会議の議事録に存在し、肝心なことは一部の従業員の頭の中にしかありませんでした。従業員が複数のタイムゾーンにまたがる状況では、これはシステミックなリスクでした。
言語の壁が、この問題を根本から深刻にしていました。日本人従業員は、工場の英語やタイ語の文書を効率的に検索できず、タイのスタッフは日本語の仕様にアクセスできず、その逆もまた然りでした。日本語はとりわけ困難です。漢字には複数の読み（音読みと訓読み）があり、語の区切りは空白で示されず、「生産」を検索しても、文脈は同一であるにもかかわらず、自動的に「生産管理」がヒットするわけではありません。
お客様が必要としていたのはチャットボットではありませんでした。必要だったのは、言語・形式・保存場所を問わず、文書環境の全体を理解するナレッジエージェントです。質問の中の製品コードを認識し、的確に正しいExcelシートを参照し、日本語の文字の特性を単に許容するのではなく積極的に活用する、そんなエージェントでした。
∞
断片化したナレッジ
SharePoint、メール受信箱、会議の文字起こし、入れ子になったExcelシート
2
言語の壁
日本語とタイ語。共通の索引はなく、日本語には語の区切りもありません
!
検索性の欠如
回答までSlackで60分の往復、誤ったファイルバージョン
0
中央集約ナレッジ
2か国、2言語、共通のナレッジ基盤なし
02、ソリューション
3段階のパイプラインで探す
Kuroko Labs は単純なベクトル検索ではなく、5社のAIプロバイダーを統合運用する3段階のRAGパイプラインを設計しました。構造化された検索設計のためのドメインを理解するQuery Planner、Reciprocal Rank Fusionを伴う最大7系統の並列検索チャネル、そして各問い合わせの深さ・レイテンシ・コストを制御する4段階のティアシステム、4秒未満で答える高速な事実質問から、複数のExcelブック・受信箱・会議シリーズにまたがる深い分析調査までを担います。
Query Planner（gpt-4o-mini、約300ミリ秒）が第一段階を構成します。ブランドコード、製品タイプ、パートナー名、典型的なシート名といったドメインを把握しており、あらゆる質問をJSONプランへと分解します。Embeddingの再現性向上のための原語によるセマンティッククエリ、全文検索のための多言語キーワードチェーン（日本語＋英語＋タイ語）、ハードフィルターとして自動認識される製品コードとブランドのエイリアス、予測されたExcelシート名、そして質問を4つの応答ティアのいずれかに割り当てる複雑度タグです。従業員リゾルバーが質問中の名前を、「mori-san」のようなローマ字表記であっても、文書コーパスの漢字表記へと変換し、Redisキャッシュが繰り返しの言い回しを30ミリ秒未満で回答します。
Parallel Discoveryが中核を成します。HNSWインデックスを備えたpgvectorがセマンティックな類似度（1,536次元のOpenAI Embedding、コサイン）を返し、TokenBigramトークナイザーを備えたPGroongaが日本語テキスト中の完全一致を見つけ、LightRAGがナレッジグラフからエンティティ間の関係を返します。さらに認識されたインテントに応じて表データ検索、メール検索、エンティティのファンアウト検索、カンバン検索が加わります。すべてのチャネルは並列で稼働します。全体のレイテンシは最も遅いチャネルのものであり、その合計ではありません。Reciprocal Rank Fusion（k=60、sparse 0.6 / dense 0.4）がソース多様性の強制を伴ってリストを統合し、単一の文書が上位結果を独占するのを防ぎます。HyDE、追加の検索ベクトルとしての仮想的な回答、と、40以上の語群を含む日英のシソーラスが、コーパスの言語間のギャップを埋めます。
日本語漢字に対応するハイブリッド検索が、最大の技術的課題でした。標準的な全文検索は日本語では機能しません。語と語のあいだに空白がなく、1文字に複数の読みがあり、複合語が存在するためです。その解決策が、PGroongaが日本語テキストを重なり合う2文字の断片（語ではなく機械的な切り出し）へと分解する、Bigramです。これにより「品質管理」の検索は、形態素解析を一切行うことなく「品質管理報告書」もヒットさせます。日本語の助詞を自動的にOR結合へと展開するSupabaseの関数と組み合わせることで、システムは経験豊富な日本語ユーザーさえ驚かせる的中率を達成します。
文書の取り込みもそれ自体がひとつの課題であり、現在は4つのソースから供給されています。SharePointはMicrosoft Graph Delta同期経由（文書のアクセス権限もミラーリングされ、各ユーザーはSharePoint上で本来見られる範囲しか参照できません）、二段階の関連度フィルターを備えたメール受信箱、Webhook経由の会議の文字起こし、そしてブラウザアップロードです。Mistral OCRが最大35 MBまでのPDF（スキャンも含む）を解析し、ExcelJSがXLSXを、Unstructured.ioがDOCXとPPTXを処理します。日本語テキストには言語に応じたチャンキング戦略が必要です。日本語は目標800文字、ラテン文字は1,200文字、オーバーラップ150、日本語の句点「。」での文境界検出と、英語での段落区切りを伴います。ファイル単位・チャンク単位でのSHA-256による重複排除が、再アップロード時の冗長な処理を防ぎます。
PGROONGA TOKENBIGRAM
語の区切りがない日本語テキストを、どのように検索可能にするか
01
文書テキスト
02
Bigramインデックス 重なり合う2文字の断片（語ではありません）
03
検索クエリ
03、アーキテクチャ
語り始める表、そして、ともに考えるグラフ
01QUERY PLANNER
質問ごとのドメインを理解したクエリ設計
検索の前段で、Query Planner（gpt-4o-mini、温度0で決定論的に動作）が質問をJSONプランへと分解します。Embedding向けの原語によるセマンティッククエリ、全文検索向けの多言語キーワードチェーン（日＋英＋タイ）、ハードフィルターとして自動認識される製品コードとブランドのエイリアス、予測されたExcelシート名、そして応答ティアを決定する複雑度タグです。従業員リゾルバーが質問中の名前（「mori-san」）を文書コーパス内の漢字表記へとマッピングし、Redisキャッシュが繰り返しの言い回しを30ミリ秒未満で回答します。
300
MS 設計レイテンシ（Redisキャッシュ：<30 ms）
02PARALLEL DISCOVERY
7系統の検索チャネル、ひとつのランキング
HNSWインデックスを備えたpgvectorがセマンティックなヒット（1,536次元のEmbedding、コサイン）を返し、PGroonga TokenBigramがMeCabや形態素解析なしで完全一致を見つけ、LightRAGがナレッジグラフからエンティティ間の関係を返します。さらにインテントに応じて表データ検索、メール検索、エンティティのファンアウト検索、カンバン検索が加わります。Reciprocal Rank Fusion（k=60、sparse 0.6 / dense 0.4）がソースの多様性（1文書あたり最大3チャンク）を保ちながらリストを統合し、最終的にCohere Rerank v3.5が選択を決定します。HyDEと40以上の語群を含む日英のシソーラスが、言語の境界を越えて再現率を広げます。
7
並列検索チャネル数
03TABULAR DEEP DIVE
語り始めるExcelの表
XLSXファイルは行単位で2つの表現として保存されます。PGroonga向けのタブ区切りのプレーンテキストと、LLMによる回答生成向けのHTMLテーブルです。ヒット時には、システムはヒット行だけでなく、同じ表ブロックのヘッダー行・シード行・兄弟行も取得します。これにより、モデルは単一のセルではなく完全なコンテキストを参照できます。コンテキストバジェットはティアに応じて15,000から130,000文字までスケールします。
130K
Deepティアの文字数バジェット
04SYNTHESIS
FlashからDeepまでの4ティア
あらゆる問い合わせを最も高価なモデルで回答するのではなく、Plannerが各質問を4つのティアのいずれかに分類します。単純な事実にはFlash（≤4 s）、Claude Haiku 4.5によるFast（≤8 s）とStandard（≤18 s）、複数文書にまたがる分析にはClaude Sonnet 4.6によるDeep（≤35 s）を用います。出力バジェット、検索プール、コンテキストウィンドウは各ティアとともに拡張します（1,024から8,192トークン）。SSEストリーミングが最初のトークンを即座に返し、Anti-Loop Session Stateが追加質問での繰り返しを防ぎ、ガードレールが給与や人事判断などの機微なトピックをブロックします。
4
応答ティア（≤4s から ≤35s まで）
05INGESTION
4つのデータソース、ひとつのナレッジプール
SharePointはMicrosoft Graph Delta同期でミラーリングされます。文書のアクセス権限も含めてミラーリングされるため、各ユーザーはSharePoint上で本来見られる範囲しか参照できません。メール受信箱は二段階の関連度フィルターを通り、会議の文字起こしはWebhookで自動的にインデックスに入り、さらにブラウザアップロードが加わります。Mistral OCRが最大35 MBまでのPDF（スキャンも含む）を解析し、ExcelJSとUnstructured.ioがXLSX、DOCX、PPTXを処理します。言語に応じたチャンキング（日本語800文字 / ラテン文字1,200文字、オーバーラップ150）では、日本語の句点「。」で文境界を検出し、ファイル単位・チャンク単位でSHA-256による重複排除を行います。
4
ソースコネクタ数
06FEEDBACK-LOOP
学習する企業プロファイル
Learned-Factsループがユーザーフィードバックから修正を抽出し（gpt-4o-mini経由、プロンプトインジェクションに対して堅牢化）、今後のすべての回答生成に反映します。エージェントは再学習なしで学んでいきます。100クエリのセルフテストが実際のユーザーとして稼働中のパイプラインに対して実行され、カテゴリーごとにスコア・出典カバレッジ・レイテンシを計測します。運用面では、サーキットブレーカー、指数バックオフによるリトライ、プロバイダーごとの時間・日次予算を備えたコストトラッカー、そしてアラートマネージャーが、本番運用での安定性を確保します。
100
セルフテストのシナリオ数
Excelは製造業の共通語（リンガ・フランカ）であり、どんなRAGにとっても最も手強い相手です。「商品Xの現在の単価はいくらか？」といった質問は、数十のシート、数百の行、そして誰も統一していないヘッダーロジックを持つブックの中の、単一のセルを狙ったものです。
Tabular Deep Diveのロジックがこれを2つのステップで解決します。取り込み時に、システムは各行を2つの表現で保存します。PGroonga検索向けのタブ区切りのプレーンテキストと、後のLLMによる回答生成向けのHTMLテーブルです。問い合わせ時には、システムはヒット行だけでなく、同じ表ブロックのヘッダー行・シード行・兄弟行も取得します。これにより、モデルは単一のセルではなく完全なコンテキストを参照できます。
回答生成の前に、HTMLテーブルはコンパクトなMarkdownへと変換され（約30 %のトークン削減）、15,000から130,000文字のあいだのティアベースのコンテキストバジェットにより、モデルは常に完全な出典を参照できます。10件の切り詰められた文書よりも、3件の完全な文書を優先します。各出典は文書名・更新日・ウェブURLとともに渡され、回答には最終的に数値だけでなく、その参照元も含まれます。「[原価計算 Q1.xlsx] 2025-03-15時点」のように。
ベクトル検索や全文検索が個々の文書で終わるところから、LightRAGナレッジグラフが始まります。インポート時に、グラフはエンティティ、拠点、サプライヤー、製品ライン、報告書、と、それらのあいだのリレーションを自動的に抽出します。誰が何を供給し、誰が何を検査し、誰が何を文書化するか、といった関係です。文書をまたぐ質問では、グラフを通る短い経路をあわせて提示するため、回答生成はその関係を推測するのではなく理解します。下の可視化は、製造ドメインを簡略化して示したものです。線は、グラフがコーパス自体から学習した関係を表しています。
5社のAIプロバイダーの統合運用、Anthropic、OpenAI、Cohere、Mistral、Unstructured.io、は、意図的なアーキテクチャ上の判断でした。それぞれが明確に定義された役割を担います。精度の高い多言語Embedding、スキャンPDFでのOCR品質、セマンティックな再ランキング、コスト効率の高い回答生成、そしてOffice文書の抽出です。あらゆる問い合わせを最も高価なモデルで回答するのではなく、Plannerが各質問を4つのティア、Claude Haiku 4.5によるFlash（≤4 s）、Fast（≤8 s）、Standard（≤18 s）、複数文書にまたがる分析にはClaude Sonnet 4.6によるDeep（≤35 s）のいずれかに分類します。Anti-Loop Session Stateがすでに参照済みのチャンクを追跡し、エージェントが追加質問で同じ結果を繰り返すのを防ぎます。ガードレールは給与や人事判断などの機微なトピックをブロックします。運用面では、サーキットブレーカー、レート制限を考慮した指数バックオフによるリトライ、プロバイダーごとの時間・日次予算を備えたコストトラッカー、そしてアラートマネージャーが、本番運用での安定性を確保します。
LightRAG ナレッジグラフ、製造ドメインの例
QUERY
品質管理 → 海外工場の検品報告
エンティティ3件、リレーション2件、経路を1秒未満で解決
04、成果
約束ではなく計測：稼働中セルフテストで1.0中0.9
5
統合運用するAIプロバイダー
7
並列稼働する検索チャネル
2
インデックス上の言語数
0.9
セルフテストスコア（最大1.0）
METRIK導入前導入後
ナレッジ検索SharePointを手作業で、同僚3人に質問ひとつの質問に、出典付きのひとつの回答
言語の壁手作業で翻訳するか、無視する日／タイ語を自動でハイブリッドインデックスに
Excelの調査シートタブをスクロールして探すヘッダー行・兄弟行を伴うTabular Deep Dive
会議のナレッジ会議が終わると蒸発する文字起こしを自動で取り込み、検索可能に
出典への信頼追跡不能すべての回答に文書リンクとスニペットを付与
回答生成のコストすべての質問にプレミアムモデル4ティア。Sonnetは質問が必要なときだけ
印象に頼るのではなく、100シナリオによる自動セルフテスト（重複排除後は83件）が、実際のユーザーとして稼働中のパイプラインに対して実行されます。単純な事実質問から、会議の要約、メールの参照、ブランドをまたぐ分析まで、8つのカテゴリーにわたります。その結果が1.0中0.9という総合スコアであり、ほぼすべての回答に出典の裏付けが伴います。そしてナレッジベースが答えを持たない質問については、エージェントはハルシネーションを起こすのではなく、まさにそう述べます。
応答時間は質問に応じてスケールします。繰り返される事実質問はキャッシュが2秒未満で回答し、Flashティアは単純な参照を4秒未満で返し、Sonnetティアでの深い複数文書分析でさえ35秒未満に収まります。SSEストリーミングが最初のトークンを即座に表示します。ExcelデータにわたるTabular Deep Diveを要する複雑な質問では、これは従業員が手作業で調査するのに要する時間のごく一部であり、回答は出典リンク・スニペット・更新日とともに届きます。
品質は一度きりの受け入れテストではなく、継続的なフィードバックループです。セルフテストがカテゴリーごとにスコア・出典カバレッジ・レイテンシを計測し、ユーザーが気づく前に弱点を明らかにします。Learned-Factsループがユーザーフィードバックから修正を抽出し、プロンプトインジェクションに対して堅牢化したうえで、今後のすべての回答生成に反映します。すべての回答はその出典文書にリンクされ、すべての修正は学習へと還流します。透明性による信頼と、日々精度を高めていくエージェントです。
システムは日本語・タイ語のコンテンツを処理します。SharePoint、メール受信箱、会議の文字起こし、ブラウザアップロードから取り込みます。新しい文書は重複排除され、チャンク化され、Embeddingされ、数分以内にナレッジプールで利用可能になります。その際、SharePointのアクセス権限はユーザーごとにミラーリングされます。日本・タイに拠点を持ち、2つの業務言語を抱える企業にとって、これは根本的な変革です。文書を見つけるだけでなく、理解するナレッジエージェントです。
“
AIは、私たちが必要としていたイネーブラーそのものでした。日本の従業員が日本語で質問すると、英語やタイ語の文書に基づいた回答が数秒で返ってきます。これにより、タイチームと日本チームのコミュニケーションが根本から最適化されました。CEO, JAPANESE MANUFACTURING COMPANY
TECH STACK
Claude Haiku 4.5
回答生成（Flash・Fast・Standardティア）
Claude Sonnet 4.6
回答生成（Deepティア）
gpt-4o-mini
Query Planner＆Learned-Facts抽出
OpenAI Embeddings
text-embedding-3-small (1536-D)
Cohere Rerank v3.5
最終リランキング
Mistral OCR
PDF解析（スキャン含む、最大35 MB）
Unstructured.io
DOCX＆PPTX抽出
Supabase + pgvector
セマンティック検索、HNSWインデックス
PGroonga
日本語全文検索、TokenBigram
LightRAG
ナレッジグラフ、エンティティ＆リレーション
Microsoft Graph
SharePoint Delta同期、メール＆ACLミラーリング
Whisper (self-hosted)
Webhook経由の会議文字起こし
Node.js + Express
バックエンド、PM2クラスター＆SSEストリーミング
Redis
Planner＆回答生成キャッシュ、レート制限
SSE
リアルタイムのトークンストリーミング
展望
第一フェーズではまだ将来の構想にすぎなかった会議の文字起こしやメール受信箱は、今では実運用されるナレッジソースになっています。次のステップはすでに定義済みです。クエリ単位のコスト可視化、より精緻なティアルーティングのためのより細かなインテント分類、そしてサプライヤー・製品ライン・品質報告書を自動的に結びつける、より深いグラフの拡充です。ナレッジプールは会議のたび、メールのたびに成長し続けます。新しい文書を数分で理解する企業ナレッジです。
次のステップ
同様のプロジェクトをご検討ですか？
お問い合わせ すべてのケーススタディよくあるご質問、RAGナレッジエージェントケーススタディ
Kuroko Labs の多言語RAG検索はどのように機能しますか？+
3段階のパイプラインです。ドメインを理解するQuery Plannerが、あらゆる質問を、多言語キーワードと製品コードフィルターを含む構造化された検索プランへと分解します。最大7系統の並列検索チャネル、pgvector（セマンティック検索）、PGroonga TokenBigram（日本語全文検索）、LightRAG（ナレッジグラフ）に加え、表データ検索、メール検索、エンティティ検索、カンバン検索、が結果を返し、それらをReciprocal Rank Fusionで統合したうえで、Cohere Rerank v3.5が最終的に評価します。Claudeはそこから、出典付きの回答を日本語・タイ語で生成します。
どのような文書形式に対応していますか？+
PDF（Mistral OCRによるスキャン文書を含む、最大35MB）、DOCX、PPTX、XLSX、CSVに対応しています。Excelファイルは特別に処理されます。Tabular Deep Diveがヘッダー行を自動的に認識し、全文検索で関連するデータ行を見つけ出し、隣接する行までコンテキストを拡張します。データソースとしては、SharePoint（Microsoft Graph Delta同期によりアクセス権限もミラーリング）、二段階の関連度フィルターを備えたメール受信箱、自動的に取り込まれる会議の文字起こし、そしてブラウザからのアップロードを利用します。
なぜこのシステムは5社の異なるAIプロバイダーを統合的に活用しているのですか？+
得意な役割がそれぞれ違うからです。gpt-4o-miniは製品コード認識を備えた高速なQuery Planner、OpenAI Embeddingsはベクトル化、Cohere Rerank v3.5はセマンティックな関連度の最適化、Mistral OCRは高品質な文書解析、そしてClaudeはティアに応じた回答生成を担います、Flashから Standardの問い合わせにはHaiku 4.5、複数文書にまたがる深い分析にはSonnet 4.6を用います。単一のモデルでは、これらすべての要件を等しく高い水準で満たすことはできません。
Kuroko Labs は当社向けにも同様のRAGソリューションを構築できますか？+
はい。この構成は部品ごとに差し替えられるので、業種や資料の形式が変わっても使えます。法務文書、技術マニュアル、営業ナレッジなど、対象を問いません。Kuroko Labs は貴社の情報の流れを分析し、最適化されたRAGパイプラインを構築します。初回相談とポテンシャル分析は無料です。
回答の品質はどうやって確かめていますか。+
8カテゴリ100シナリオの自動テストで測っています。これは実際のユーザーとして稼働中のパイプラインに対して実行されます（現在の総合スコアは1.0中0.9）。Learned Facts フィードバックループがユーザーの修正を抽出し、今後の回答生成に反映させます。ガードレールが機微なトピックをブロックし、ハッシュベースの重複排除が冗長な処理を防ぎ、Anti-Loop Session State により、追加の質問に対して常に新しい結果が返されます。