local-RAG-backend

ローカル環境のdocker composeで完結するRAGシステムのバックエンドです。各種ドキュメントを登録し、MCP serverで検索できます。

特徴

• 幅広いファイル形式に対応: unstructuredを利用して、PDF、Office、テキスト、画像など28種類のファイル形式に対応しています。
• MCP検索機能: graphiti MCP Serverの実装を流用して、Model Context Protocol対応の検索を提供します。
• 高度なRAG機能: graphitiを利用して、ベクトル検索 + グラフ検索 + 全文検索の結果を、関係性でリランキングした結果を返します。
• 時系列の関係性の変化を追跡: graphitiのエピソード機能で、登録したドキュメント内の概念の関係性の変化を追跡できます。

graph TB
    User[システム管理者]
    AIAgent[MCP Client]

    subgraph "local-RAG-backend"
        Ingest[ドキュメント登録<br/>unstructured]
        MCPServer[ナレッジ検索<br/>MCP Server]
        Graphiti[graphiti core]
        Neo4j[Neo4j]
    end

    LLM[LLMモデル<br/>OpenAI API互換]
    Ollama[Embeddingモデル<br/>OpenAI API互換]

    User -->|コマンド実行| Ingest
    AIAgent -->|MCP Tools呼び出し| MCPServer
    Ingest --> Graphiti
    MCPServer --> Graphiti
    Graphiti -->|ドキュメント登録| Neo4j
    Graphiti -->|検索クエリ実行| Neo4j
    Graphiti ---> LLM
    Graphiti ---> Ollama

Loading

Getting Started

1. 前提

• OpenAPI互換のLLM APIが利用できる
  • 利用するモデル
    • ベクトル検索に利用するEmbeddingモデル
    • グラフ検索に利用するLLMモデル
    • リランキングに利用する軽量なLLMモデル
  • EmbeddingモデルとLLMモデルは、別のURLを指定できます
    • 例:
      • Embeddingモデル: ローカルのOllama
      • LMモデル: OpenAI
        • グラフ検索: o4-mini
        • リランキング: gpt-4.1-nano
    • 注意:
      • LLMモデルをローカルのOllamaで利用する場合、フォーマット指定のレスポインスを、数秒で返すパフォーマンスが必要です。
      • OpenRouterは rate limit エラーになりやすいので、ルーティング先を直接指定することをおすすめします。

2. インストール

# 実行ディレクトリの作成
mkdir -p path/to/RAG/data/input/
cd path/to/RAG/

# ファイルのダウンロード
curl -Lo docker-compose.yml https://raw.githubusercontent.com/suwa-sh/local-RAG-backend/refs/heads/main/docker-compose.yml
curl -Lo .env https://raw.githubusercontent.com/suwa-sh/local-RAG-backend/refs/heads/main/.env.example

# 環境変数設定
vi .env

# 起動
docker compose up -d

3. ドキュメント登録

# ドキュメントを配置
cp -r /path/to/documents/* path/to/RAG/data/imput/

# 一括登録実行
# ※エラー終了した場合も、同じコマンドで前回失敗したファイルから再開できます。
docker compose run --rm ingest

# ログ確認
tail ./data/logs/ingest-*.log

サポートファイル形式

カテゴリ	対応形式
テキスト	txt, md, rst, org
Web	html, xml
PDF	pdf
Microsoft Office	doc, docx, ppt, pptx, xls, xlsx
OpenDocument	odt
リッチテキスト	rtf
eBook	epub
データ	csv, tsv
メール	eml, msg, p7s
画像	bmp, heic, jpeg, jpg, png, tiff, tif

ディレクトリ構成

data/input/        : 未処理ファイル
data/input_work/   : エピソード登録中（エピソードファイル保存済み）
data/input_done/   : 処理完了ファイル
data/input_chunks/ : エラー時再処理用チャンク分割ファイル

4. ナレッジ検索

• n8n / AI Agent node や Claude DeskctopなどのMCP Clientから接続

  {
    "mcpServers": {
      "graphiti-memory": {
        "transport": "sse",
        "url": "http://localhost:8000/sse"
      }
    }
  }

利用可能なMCP Tools

// RAG用検索
const result = await mcp.call_tool("search_for_rag", {
  query: "RAGシステムについて",
  group_ids: ["default"],
});

// 事実検索
const result = await mcp.call_tool("search_memory_facts", {
  query: "RAGシステムについて",
  group_ids: ["default"],
  max_facts: 10,
});

// ノード検索
const nodes = await mcp.call_tool("search_memory_nodes", {
  query: "システム",
  group_ids: ["default"],
  max_nodes: 5,
});

// エピソード取得
const episodes = await mcp.call_tool("get_episodes", {
  group_id: "default",
  last_n: 10,
});

// エピソード追加
const addResult = await mcp.call_tool("add_memory", {
  name: "新しい情報",
  episode_body: "ここに内容を記述",
  group_id: "default",
  source: "text",
});

設定

.envファイルの例

# Neo4jデータベース
NEO4J_URI=bolt://localhost:7687 # docker composeでは不使用です。定義に合わせて上書きされます。
NEO4J_USER=neo4j
NEO4J_PASSWORD=password

# LLMモデル
LLM_MODEL_URL=https://api.openai.com/v1
LLM_MODEL_NAME=gpt-4o-mini
LLM_MODEL_KEY=your_openai_api_key

# Rerankモデル
RERANK_MODEL_NAME=gpt-4.1-nano

# Embeddingモデル
EMBEDDING_MODEL_URL=http://host.docker.internal:11434/v1
EMBEDDING_MODEL_NAME=kun432/cl-nagoya-ruri-large:latest
EMBEDDING_MODEL_KEY=dummy

# テナント識別子
GROUP_ID=default

# チャンク設定（オプション）
CHUNK_SIZE_MAX=2000
CHUNK_SIZE_MIN=200
CHUNK_OVERLAP=0

既知の課題

• ナレッジ検索の内部処理の可視化（ログ分析は可能）