R2R
SciPhi AI · コーディング · 生産性向上
R2RはSciPhi AIのオープンソースAI検索システムだ。文書を検索可能なナレッジベースに変え、ハイブリッド検索、ナレッジグラフ、エージェント型RAG APIを備える。
R2R について
About
R2Rとは
R2R（Reason to Retrieve）はSciPhi AIが開発した、本番運用を前提とした検索拡張生成エンジンだ。自分の文書から答えを探す課題を解くRAGフレームワークでもある。検索拡張生成とは、自分のファイルから適切な箇所を拾い出し、その内容をもとにモデルに答えさせる仕組みを指す。R2Rはこの道のりの面倒な部分、すなわち文書の解析、分割、埋め込み、検索、根拠付きの回答生成を引き受け、ひとつのREST APIの裏にまとめている。ファイルの場所を指定すれば、あとは任せられる。
このツールは、ゼロから基盤を組まずに社内ナレッジを検索したいチームに向く。テキストやPDF、JSONといった一般的な形式に加え、画像や音声も取り込める。そのうえで内容について質問でき、回答には引用が付く。
R2RはMITライセンスのオープンソースであり、自社のマシンやDocker上にセルフホストRAGサービスを立てられる。文書に第三者サービスへ送れないデータが含まれる場合、この点は大きい。
はじめかた
- Pythonなら
pip install r2r、JavaScriptならnpm i r2r-jsでSDKを入れる。 - ローカルでは
python -m r2r.serveでサーバーを起動し、フル構成ならdocker compose -f compose.full.yaml --profile postgres up -dでDocker環境を立ち上げる。 - クライアントから文書を作成して取り込みを走らせる。例は
client.documents.create(file_path="/path/to/file")。 client.retrieval.search(query="...")で検索し、client.retrieval.rag(query="...")で引用付きの回答を得る。- 複雑な問いには
client.retrieval.agent(...)を呼び、推論側に検索手順を任せる。
AIツール情報
R2Rの料金、対応プラットフォーム、性能を簡単に確認できます。
こんな人におすすめ
このツールが最も力を発揮するユーザー、タスク、シーン。
ユーザー
- ナレッジベースのアシスタントを組む開発者。R2Rは取り込み、検索、生成をひとつのサービスとして提供するため、配線作業を何カ月も省ける。始めるにはPythonかJavaScriptの基本が要る。
- 機密文書を抱える小規模チーム。セルフホストのDocker構成ならデータは自社サーバーに残る。運用は自分たちで担う前提で臨みたい。
- GraphRAGのアイデアを試す研究者。エンティティと関係を自動抽出するので、追加ツールなしで文書群がグラフになる。検索の基礎知識があると進めやすい。
タスク
- 形式の入り混じった文書群に質問する。R2RはPDF、テキスト、JSON、画像、音声を同じ流れで解析するため、一度の検索で複数形式をまたげる。
- 社内検索向けに引用付きの回答を作る。RAGエンドポイントは検索した箇所に根拠を置いた回答を返すので、でっち上げが減り、出典も確かめやすい。
- 検索をエージェントの流れにつなぐ。Deep Research APIは複数段の推論を連ね、問いが一度の検索で足りないときは自分のコレクションや公開ウェブから集める。
シーン
- 自社ハードウェアで非公開の文書Q&Aサービスを立てる。Docker配備と組み込みの認証で、通常の本番要件を追加サービスなしに満たせる。
- 出典を示すサポートbotに食わせる。ハイブリッド検索が意味とキーワードの一致を混ぜるので、正確な製品名もゆるい言い換えも拾える。
- 大きなアーカイブの関係をたどる。ナレッジグラフの自動構築がエンティティ同士のつながりを見せる。これは平坦なベクトル検索では示せない。
主な機能
マルチモーダル取り込み
R2Rは .txt、.pdf、.json、.png、.mp3 などの形式をひとつの流れで解析する。音声は文字起こしし、ウェブリンクは本文を取り込むため、形式ごとに前処理を書く必要はない。ファイルを放り込めば、解析、分割、索引付けはシステムが引き受ける。
ハイブリッド検索
検索はベクトルの類似度とキーワードの一致を、順位融合で組み合わせる。意味検索は言い換えを捉え、キーワード検索は正確な語を捉え、融合はその問いで強いほうの信号を採る。純粋なベクトルが取りこぼす分も、キーワードだけの死角も減る。
ナレッジグラフ
取り込みの過程でR2Rはエンティティと関係を抽出し、ベクトルとは別にグラフを組む。コミュニティ検出で話題のまとまりを見つけたり、関係をたどって特定企業につながるエンティティを洗い出したりできる。グラフはコレクションごとに分かれ、テナント同士が混ざらない。
エージェント型RAGとDeep Research API
エージェントモードは検索して生成するだけでは終わらず、複数の段取りを組む。追加の文脈をいつ取るかを決め、自分のナレッジベースから外へ出ることも、モデルに思考の予算を多く割くこともできる。回答には引用が付き、どう結論に至ったかをたどれる。
ユーザーとコレクションの管理
組み込みの認証とコレクションの仕組みが、複数テナントのアクセスを担う。コレクションが文書とグラフを分けるので、チームや顧客は自分の分だけを見る。アクセス制御はAPIの層で効く。
REST APIとPython・JavaScript SDK
機能はすべて文書化されたREST APIとして公開され、公式のPythonとJavaScriptクライアントが付く。R2Rを既存のアプリに組み込むのに新しいフレームワークは要らず、設定はひとつのファイルに収まる。
メリットとデメリット
メリット
- MITライセンスのオープンソースで、中身を確かめ、改変し、自前で立てられる。特定ベンダーに縛られない。
- 認証、コレクション、可観測性といった本番向け機能が標準で付き、バックエンドの開発を何カ月も省ける。
- ハイブリッド検索とナレッジグラフの併用で、正確な語の検索も関係に基づく検索もこなせる。
- 公式のPythonとJavaScript SDKにより、多くのアプリ構成にそのまま組み込める。
デメリット
- セルフホストは配備、更新、拡張を自分で抱えることを意味し、インフラ経験の薄いチームには実際の負担になる。
- フル構成にはDocker、PostgreSQL、OpenAIのAPIキーが要るため、軽い構成は手早い検証には物足りない。
- ドキュメントサイトが不安定だった時期があり、最新の参照先を見つけるまで調査が遅れがちだ。
よくある質問
R2Rは自分のファイル上に非公開の文書検索と問答を作る。取り込み、検索、根拠付きの回答生成を担うため、流れを自分で組まずにナレッジアシスタントを出せる。
関連コンテンツ
R2Rに関連するツール、スキル、記事を探す。
R2Rの代替ツール
Forefront
Forefront · コーディングForefrontはオープンソースAIで構築するためのウェブプラットフォームだ。主要なオープンソース言語モデルを自分のデータで微調整し、性能を評価し、API経由で実行したり、エクスポートして自分でホストしたりできる。クローズドなプラットフォームの手軽さを求めつつ、モデルとデータの所有権にはこだわる開発者が対象だ。
Startkit
StartKit.AI · コーディングStartkitは、AI SaaSとAIラッパー製品を作るためのボイラープレートだ。面倒な部分をあらかじめ配線済みにしたAIスタートアップボイラープレートと考えればいい。認証、StripeとLemon Squeezyの決済、利用制限、トランザクションメール、そしてOpenAI、Anthropic、Groq、Llamaと通信するAI APIスターターキットが含まれる。リポジトリをクローンして価格を設定し、ユーザーが実際にお金を払う部分に取りかかれる。ReactとTailwind上のNext.jsで作られているため、ボイラープレートコードの多くはすでに見慣れたものだ。
Testim
Tricentis · コーディングTestimは、Web・モバイル・Salesforceアプリ向けにエンドツーエンドテストを構築して実行するAIテスト自動化プラットフォームだ。機械学習を頼りに、インターフェースが変わってもテストを安定させ、チームが壊れたセレクターの修正に費やす時間を減らす。今日から使い始められる自動テストツールとしては悪くない。ブラウザで操作を録画してテストを作り、より細かい制御が必要なときはJavaScriptを足す。忙しいQAチームにとって堅実な選択肢である。