PAI-RAG の Web UI では、モデル、ナレッジベースのチャンキング、コードサンドボックス、検索サービス、MCP ツールを設定できます。これらの設定により、RAG システムの検索と質疑応答の動作を微調整できます。
モデル設定
左下隅にある [Settings] > [Model] をクリックします。[LLM] タブで、モデルを追加します。
オールインワンデプロイメントでは、モデル設定が自動的に生成されます。他のソースからモデルを追加できます。
-
モデル ID：モデル設定の識別子です。
-
エンドポイント URL：モデルのサービスエンドポイントです。
説明-
Alibaba Cloud Model Studio のモデルは別途課金されます。Alibaba Cloud Model Studio の課金 をご参照ください。
-
EAS モデルサービスの場合、サービス詳細ページに移動し、基本情報 をクリックしてから エンドポイント情報の表示 をクリックします。エンドポイント URL に
/v1を追加します。-
インターネットエンドポイントでは、RAG サービスが VPC でパブリックネットワークアクセスを設定 している必要があります。
-
VPC エンドポイントでは、RAG サービスと LLM サービスが同じ VPC 内にある必要があります。
-
-
-
API キー：Alibaba Cloud Model Studio の場合は、API キーを取得 します。EAS サービスの場合は、エンドポイント情報からトークンを入力します。
モデル名：値はデプロイメントによって異なります。LLM サービスが vLLM 推論エンジンを使用して EAS にデプロイされている場合は、特定のモデル名を入力します。このモデル名は
/v1/modelsAPI を使用して取得できます。他のすべてのデプロイメントモードでは、この値をdefaultに設定します。マルチモーダルモデル：マルチモーダルモデルを使用している場合は、このオプションを選択します。このオプションはデフォルトで選択されていません。
思考モデル：思考モードと非思考モードの両方をサポートするモデルの場合、このオプションを使用して思考を有効または無効にします。このオプションはデフォルトで選択されていません。
モデルを設定した後、テストします。左側メニューで [New Chat] をクリックし、チャットページの上部でモデルを選択して、会話を開始します。
MCP 設定
左下隅にある [Settings] > [MCP] をクリックして、MCP を追加します。
-
MCP リンク：MCP サービスのエンドポイント URL です。
-
MCP タイプ：SSE、STDIO、または Streamable HTTP です。
-
Bearer トークン：(オプション) Bearer トークン認証用のアクセストークンです。
[MCP Name] (必須、例： amaps) を入力し、必要に応じて [Enable by Default] を選択してから、[Add] をクリックします。
検索設定
ナレッジベースにユーザーの質問に回答するための情報がない場合、または回答にリアルタイムの情報が必要な場合は、検索サービス (Tavily ) を有効にします。
左下隅にある [Settings] > [Search] をクリックします。
Tavily 検索
Tavily の公式サイト で登録し、API キーを取得します。
[Select Search Engine] ドロップダウンリストから [Tavily Search] を選択します。
[Tavily API Key] フィールドに API キーを入力します。
スライダーを使用して [Number of Search Results] を設定します。
[Save Search Configuration] をクリックします。
コードサンドボックス設定
コードサンドボックスは、安全な Python コード実行環境を提供します。有効にすると、AI アシスタントは自動的にコードサンドボックスを使用してコードを実行します。
シナリオ
-
データ分析：統計、集計、フィルタリング。例：「売上データを分析し、地域ごとの平均売上を計算してください」
-
データ可視化：チャート生成とトレンドプロット。例：「過去1年間の売上トレンドをプロットしてください」
-
数学的演算：複雑な計算と方程式の求解。例：「この数列の標準偏差を計算してください」
-
ファイル処理：CSV、Excel、その他のファイルを解析してデータを抽出し、変換します。
-
コード実行を必要とするその他のタスク
前提条件
コードサンドボックスを設定する前に、次の手順を完了してください：
-
Function Compute の有効化：Function Compute コンソール に移動し、プロンプトに従って有効化します。
-
AgentRun インタープリターの作成：AgentRun コンソール に移動します。左側メニューで [Sandbox] を選択します。タイプが [Code Interpreter] のサンドボックステンプレートを作成します。
説明デフォルトのネットワークタイプは [Allow the default NIC to access the public network] であり、RAG サービスがパブリックネットワークアクセスを持つ必要があります。
または、[Allow access to VPC] を選択して、RAG サービスに同じ VPC を設定します。
-
Alibaba Cloud アカウント ID と Sandbox ID を取得します。アクセス認証情報を設定した場合は、API キーも取得します。
設定
左下隅にある [Settings] > [Code Sandbox] をクリックし、次のパラメーターを設定します：
-
サンドボックスの有効化：サンドボックス機能のオン/オフを切り替えます。
-
サンドボックスタイプ：Alibaba Cloud FC サンドボックスのみ対応しています。
-
Alibaba Cloud ID：お客様の Alibaba Cloud アカウント ID です。
-
インタープリター ID：サンドボックス ID です。
-
インタープリター名：コードインタープリターの名前です。
-
API キー：ID 検証に使用される AccessKey ペアです。
-
デフォルトタイムアウト (秒)：コードの最大実行時間 (秒) です。デフォルト： 50。
設定後、チャットインターフェイスでファイル (例：titanic.csv) をアップロードして質問します。AI アシスタントはコードインタープリターを呼び出してデータ分析用の Python コードを実行し、結果を返します。たとえば、「男女比は？」と質問すると、AI アシスタントは pandas でデータを読み取り、男性577人、女性314人、比率約1.84:1と回答します。
ファイルチャンキングポリシー設定
チャンキング設定は、ナレッジベース内のドキュメントの チャンキング方法を定義します。これにより、ドキュメントをベクトル化と検索のためにチャンクに分割する方法が決まります。適切なチャンキング設定により、リコール率と回答の品質を向上させることができます。
チャンキングは、次の2つのレベルで設定できます：
ナレッジベースのチャンキング設定：ナレッジベースにアップロードされたファイルは、そのデフォルト設定を使用して解析されます。
ナレッジベースレベルのチャンキング設定：[Knowledge Base Settings] タブの [Chunking Settings] エリアで、次のパラメーターを設定します：
[チャンクタイプ]：例：構造化 (structure)
[チャンクサイズ]：推奨値 1000
[チャンクオーバーラップ]：推奨値 50
[画像理解モデル]
[埋め込みモデル]：例： BAAI/bge-m3
ファイルレベル：
ファイルをアップロードするときに、そのチャンキングパラメーターを個別に指定できます。
アップロードファイルダイアログの [Chunking Configuration] エリアで、次のパラメーターを設定します：
[チャンクタイプ]：チャンキング方法を選択します。例：[構造化 (structure)]
[チャンクサイズ]：各チャンクのサイズを設定します。例： 1000
[チャンクオーバーラップ]：チャンク間のオーバーラップを設定します。例： 50
[画像理解モデル]：画像理解モデルを使用するかどうかを選択します
設定後、[Start Parsing] ボタンをクリックして解析を開始します。
既存のファイルで reparse 操作を実行するときに、新しいチャンキング設定を指定して再処理をトリガーすることもできます。
チャンキングパラメーターには以下が含まれます：
[チャンクタイプ]：チャンキング方法を選択します。例：構造化 (structure)
[チャンクサイズ]：推奨値 1000
[チャンクオーバーラップ]：推奨値 50
[画像理解モデル]：画像コンテンツの理解に使用します。使用しないことも選択できます
前提条件
チャンキング設定を設定する前に、以下の前提条件を満たしてください：
-
ナレッジベース：システムにアクティブなナレッジベースが存在すること。
-
埋め込み設定：少なくとも1つの埋め込みモデルが設定されていること。
-
(オプション) マルチモーダルモデル：画像理解 に必要です。システムにビジョンモデルが設定されていること。
パラメーターの説明
|
パラメーター |
説明 |
|
チャンクタイプ |
ドキュメントの特性に基づいてチャンクタイプを選択します：
|
|
チャンクサイズ |
各チャンクの最大長 (文字数またはトークン数) は、チャンクタイプによって異なります。 推奨値：1000。 |
|
チャンクオーバーラップ | 隣接するチャンク間のオーバーラップの長さです。これにより、コンテキストが維持され、意味的な中断が防がれます。 推奨値：50。 重要
チャンクサイズはチャンクオーバーラップより大きい必要があります。 |
|
画像理解モデル |
|
|
ベクトルモデル |
|
チューニングの提案：まず、デフォルト設定でいくつかのドキュメントをアップロードします。評価モジュールでリコール率と精度を分析し、結果に基づいてパラメーターを調整します。
使用に関する推奨事項
-
長文ドキュメントの RAG：チャンクタイプを「構造化」に、チャンクサイズを 1000 に、チャンクオーバーラップを 50 に設定します。これにより、コンテキストを維持しながらチャンクの長さを制御できます。
-
セパレーターによる厳密なチャンキング：カスタムセパレーターを使用して段落チャンキングを使用します。
表形式データ：[Table (table)] チャンクタイプを選択し、ヘッダー行と行区切り文字を設定します。 [Merge rows] を選択しない場合、システムは行ごとにデータをチャンク化します。[Merge rows] を選択した場合、システムはチャンクサイズの制限に基づいて行をブロックにマージします。
-
マルチモーダルドキュメント：[Image Understanding Model] を有効にして、PDF やその他のドキュメントの画像コンテンツを検索と回答生成に含めます。
アプリケーション FAQ の設定
FAQ 機能は、アプリケーションごとに 質問と回答のナレッジベースを管理します。製品マニュアル、カスタマーサービススクリプト、よくある質問などに使用します。
FAQ が有効でエントリが設定されている場合、会話は次のフローに従います：
-
AI アシスタントは、ユーザーの質問に最も類似した FAQ エントリを検索します。
-
一致が類似性しきい値を満たす場合、システムは設定に応じて、FAQの回答を直接返すか、FAQの結果に基づいてモデルで回答を生成します。
-
一致が見つからない場合や、直接回答オプションが有効になっていない場合、システムはナレッジベースや検索などの他の機能にフォールバックします。
設定：
-
システムにログオンし、対象のアプリケーションの設定ページに移動します。
FAQを有効にする：アプリケーション設定で、[Enable FAQ] スイッチを有効にして変更を保存します。
FAQ管理ページを開き、以下を実行します：
-
FAQ返信設定：[Settings] をクリックします。類似性の スコアしきい値 (0.8～1.0 を推奨)、埋め込みモデル、検索と表示に質問と回答を含めるかどうか、ツールの結果を直接返すかどうかを設定します。
FAQの管理：
単一の FAQ エントリを、追加、編集、または削除できます。
[+ Add FAQ] をクリックし、ダイアログに [Question] と [Answer] を入力して [Create] をクリックし、エントリを追加します。
FAQリストで、編集アイコンをクリックしてエントリを編集するか、削除アイコンをクリックして削除します。
エントリを一括で削除します。
一括削除：対象の FAQ エントリのチェックボックスを選択し、右上隅の [Delete selected] をクリックして、選択したすべてのエントリを削除します。
一括インポート：Excel ファイルをアップロードし、質問と回答の列をマッピングしてから、ワンクリックでエントリをインポートします。
[Upload File] ダイアログで、xlsx または xls ファイルを選択し、次の解析パラメーターを設定します：
[ヘッダー行インデックス]：ヘッダー行の位置を指定します。空のままにすると、数値の列インデックス (0、1、2...) が使用されます
[質問列]：質問の列インデックスを指定します
[回答列]：回答の列インデックスを指定します
設定後、[Upload] をクリックします。
-
-
保存後、このアプリケーションでの会話は自動的に FAQ 検索を優先します。