RAGシステムをClaude Codeで構築する

RAG（Retrieval-Augmented Generation）システムは、外部ドキュメントを検索してLLMの回答精度を高める強力なアーキテクチャです。Claude Codeを使えば、複雑なパイプラインの設計から実装まで、対話しながら効率よく進めることができます。

まずClaude Codeにアーキテクチャを設計させる

いきなりコードを書き始めるのではなく、まず全体設計をClaude Codeに相談しましょう。ターミナルで次のように入力します。

> RAGシステムを構築したい。ドキュメントはPDFで100件程度、
  検索精度を重視したい。ベクターDBの選定から実装方針まで提案して。

Claude Codeはプロジェクトのコンテキストを読み取りながら、ChromaDBやFAISSなどの選択肢をトレードオフ付きで提示してくれます。「ChromaDBで進める」と返答するだけで、次のステップに移れます。

※コンテキスト: Claudeが一度に記憶・参照できる会話・コードの範囲。上限を超えると古い情報が失われる。

埋め込み生成パイプラインを実装する

設計が固まったら、実際のコード生成に移ります。Claude Codeに「ChromaDBとOpenAI Embeddingsで埋め込み生成のモジュールを作って」と依頼すると、以下のようなコードを生成・ファイルに書き込んでくれます。

# embedder.py（Claude Codeが生成・配置）
import chromadb
from openai import OpenAI

client = OpenAI()
chroma = chromadb.Client()
collection = chroma.get_or_create_collection("docs")

def embed_and_store(doc_id: str, text: str) -> None:
    response = client.embeddings.create(
        model="text-embedding-3-small",
        input=text
    )
    embedding = response.data[0].embedding
    collection.add(
        ids=[doc_id],
        embeddings=[embedding],
        documents=[text]
    )

「テスト用のPDFで動作確認して」と続けると、Claude Codeはテストコードの作成と実行まで自動でやってくれます。

検索と回答生成を繋げる

最後に検索結果をプロンプトに組み込む部分を実装します。Claude Codeに以下のように依頼しましょう。

> ユーザーの質問を受け取り、ChromaDBで類似ドキュメントを
  上位3件取得して、Claudeに渡すRAGチェーンを実装して。
  取得件数は設定で変えられるようにしてほしい。

Claude Codeはファイルの新規作成から既存モジュールへの参照追加まで一括で対応します。実装後に「エラーハンドリングが足りない箇所を指摘して」と聞けば、コードレビューもその場で完了できます。

Claude Codeを使ったRAG開発の最大のメリットは、設計・実装・レビューのサイクルをひとつの対話の中で回せる点です。ぜひ試してみてください。

※プロンプト: AIへの指示文。Claude Codeへの指示の質がそのまま出力の質に影響する。