ローカルLLM × MCP連携で実現する、原文エビデンス付きドキュメントQAシステム

TL;DR

ローカルなドキュメント（Markdown）群 を対象として、

必ずエビデンスを付けて ハルシネーション限りなく0 にした、

ローカルLLM を使用した高速かつ軽量な RAG を、

外部送信なしの セキュアな 環境で、

開発の知識がない方でも 簡単に 実現する方法

が分かるようになります。

Transcript

1. ローカルLLM × MCP連携で実現する、 原文エビデンス付き 施工体制クラウド ドキュメントQA 作ってみた！ 2025.09.01 大賀 愛一郎
2. 1 1. これは何？
3. 2 実現できること ローカルドキュメントを対象にした、 高速・高精度・セキュアなQA • ローカルのMarkdown群 を対象としたQA • ハルシネーションを限りなく0にした エビデンス付き回答 • 高速・軽量な ローカルLLM (RAG) を使用 • 外部への情報送信がない セキュアな環境 • 専門知識がなくても 簡単に 導入可能
4. 「メールがたまに届かない現象について利用規約に謳うかどうか」って 議事録に書かれてたっけ？ 3 出典を明記したQA応答
5. 4 なぜエンベディングモデルにRuri v3を選定したか ノートPC で動く日本語ドキュメント検索用モデルで 現時点で最高の選択肢 検索精度が高い 日本語特化モデル。JMTEBベンチマークで同クラス最高の Retrieval 82.48を記録 軽量で高速 ノートPCのCPUでも動作可能な 30m（3000万パラメータ）モデル 信頼性もライセンスも大丈夫 開発元が名古屋大学 で信頼性が高く、商用利用可能なApache 2.0ライセンス
6. 5 よくある質問 (FAQ) Q. これは新しいサーバーの開発・設置が必要ですか？ A. いいえ。既存のツールを組み合わせ、完全にローカルで完結 します。 Q. 情報が社外に漏えいしませんか？ A. しません。通信はローカルPC内で完結し、外部へのデータ送信はありません。 Q. PC内の全ファイルを読まれますか？ A. いいえ。あらかじめ 許可した特定のフォルダのみ を読み取り対象とします。
7. 6 2. システム構成
8. 7 登場人物の役割紹介 3人の専門家が連携して、賢い検索と回答を実現している。 意味の翻訳 (Ruri) 文章を 「意味ベクトル」と 呼ばれる数値の座標に変換。 意味が近い文章ほど、 近い座標に配置される。 高速な意味の索引 (Chroma) 翻訳された 意味ベクトルを保管して、 似た意味のベクトルを 高速で探し出す データベース。 cosineなどの距離関数を使う。 優秀な編集者 (Claude) 索引で見つかった 原文だけを材料に、 要約や説明文を 生成する専門家。 書いていないことは話さない ように徹底している。
9. 8 通信の全体像 ローカルPC内で完結。外部のサーバーに生のドキュメント内容を送らない。
10. 9 処理のシーケンス Chromaで候補を高速検索 → ripgrepで原文裏取り確認 → Claudeで回答生成
11. 10 3. 処理の具体的な流れ （RAG）
12. 11 Step 1: インデックス化（カタログ作り） 事前にデータベースを作成しておく 1 ドキュメントを扱いやすい塊（チャンク）に分割 2 各チャンクを「検索文書:」という接頭辞を付けてRuri v3でベクトル化 3 ベクトルと出典情報（パス、行番号）をセットでChromaに保存
13. 12 Step 2: 検索（意味が近い原文の発見） ユーザーから質問が来るたびに実行される 1 質問文に「検索クエリ:」を付けて Ruri v3 でベクトル化 2 Chroma で、質問ベクトルに意味が近い上位K件の文書ベクトルを検索 3 検索結果から、元の文書の 該当箇所（原文）を取り出す
14. 13 Step 3: 生成（原文に基づく回答作成） ハルシネーションを防ぐための最終工程 1 取り出した 原文のみを情報源 としてClaudeに渡す 2 Claudeが原文を元に、質問への回答（要約や説明）を生成 3 回答に 引用と出典 を必ず付けてユーザーに提示する
15. 14 4. 導入手順
16. 15 導入ステップの全体像 1 ドキュメントをローカルにクローン 2 必要ツールのインストール 3 ドキュメントのインデックス化 4 (任意) OS起動時にプリロードする設定 5 Claude Desktop に MCPサーバー を登録
17. 16 ドキュメントをローカルにクローン 詳しくは過去記事を参考に
18. 17 必要ツールのインストール Node.js LTS npx コマンドの実行に必要 ripgrep 高速な ローカル全文検索エンジン uv 高速なPythonパッケージ インストーラー Python 3.11 スクリプト実行の本体 PyTorch 機械学習ライブラリ。エンベ ディングモデルの実行基盤 Ruri v3-30m Model 日本語特化の高性能エンベディ ングモデル本体 Python Packages chromadb, sentencepiece等の 関連ライブラリ Claude Desktop QAを実行するためのフロントエ ンドアプリ
19. 18 ドキュメントのインデックス化 ingest.py を実行し、ローカルドキュメントをChromaDBに登録 • 初回実行時は（ノートPCのCPUで処理するため） 約30分ほどかかる • 一度作成した `C:/chroma-data` フォルダは チーム内で共有可能 • この事前処理により、後の検索が高速になる
20. 19 5. 利用方法とメンテナンス
21. 20 Claude Desktopでの利用方法 初回利用時 モデルのウォームアップのため、最初の応答だけ遅い（数分）。2回目以降は高速！ 2回目以降 プロジェクトで設定した指示に基づき、自然言語で質問するだけでOK ドキュメント更新時 refresh_ruri.py を実行し、差分のみを高速にインデックスへ反映 同じ手順でVSCodeでも使えます。 「ドキュメントに従ってコードを書いて」が可能！
22. 21 ありがとうございました