AIテキスト RAG実装をLangChainでリファクタリングする方法とポイント
既存のRAG実装を拡張しやすくするために、LangChainを使った実装方法と注意点を解説します。
生成AI
AIテキスト 
AIテキスト llama3.1 と gpt-oss で役割分離したRAG実装 ─ function calling と生成を分ける
function calling を llama3.1:8b、文章生成を gpt-oss:20b に分担する RAG 実装と、その設計意図を解説します。
AIテキスト Ollama×ChromaDBで「語り部」を作る：RAGにより「遠野物語」をAIに語らせる実装ポイント
Ollamaの埋め込みとChromaDB検索で遠野物語を「語り部」として回答させつつ、最上位結果の題目（theme）に属するチャンクも追加して文脈を厚くする実装の要点と落とし穴を整理します。
AIテキスト 青空文庫『遠野物語』をRAG検索の題材とする実例
青空文庫『遠野物語』を題材に、RAGで使いやすいテキスト構造へ整形する前処理を解説します。
AIテキスト MarkdownをRAG（検索拡張生成）で扱う知識ベースとして活用する方法
MarkdownコンテンツをRAGシステムで効率よく検索・生成に使うためのチャンク分割と構造保持のベストプラクティスを、最新情報に基づいて解説します。
AIテキスト OllamaのFunction CallingでRAGを実装する方法（Python+Chroma DB）
OllamaのEmbedding＋ChromaDB構成を土台に、Function Callingを使ったRAG実装の考え方と最小構成を解説します。
AIテキスト OllamaのEmbeddingモデルを使う方法（Python + Chroma DB）
OllamaのEmbeddingモデルをPythonで実装し、Chroma DBで検索・RAGに利用する手順をわかりやすく解説します。
AIテキスト PythonでRAGを実装：Ollama（llama3.1）＋Chroma DBで“検索して答える”
PythonからRAGを試す最短ルートとして、Ollamaのllama3.1とChroma DBで「ユーザー側検索→LLM生成」を実装します。動く最小コードと、つまずきやすいAPI差分も最新情報で確認します。
AIテキスト Chroma DBとは？Python定番ベクトルDBを試す
RAGでは、ユーザーからの質問に答える際に、まず知識ベースから関連情報を「検索（Retrieval）」し、その情報を基にLLMが「生成（Generation）」を行います。まず知識ベースをChroma DBで準備しましょう。Chroma D...
AIテキスト RAGとは何か：LLM単体の限界を超えて「自分のデータ」で答えさせる方法
RAG（Retrieval Augmented Generation）は、LLMの外に知識ベースを置き、必要な情報を検索してから回答させる仕組みです。LLM単体の弱点（知識が固定・全文を読めない）を補い、正確性と最新性を上げる考え方を最短で整理します。