Contextual Retrieval
文書アウェアなチャンク、ハイブリッド検索、リランキングによってコンテキスト検索がRAGをどのように改善するかを学び、マルチモーダルな視覚コンテキスト向けにUltralytics YOLO26を探索してください。
コンテキスト検索は、インデックス化する前に各データチャンクに短くドキュメント固有の説明を追加することで、retrieval-augmented generation (RAG)を改善する前処理手法です。Anthropicの2024年コンテキスト検索ガイドで導入され、検索システムが、それ単体では曖昧なパッセージがどこに属するのかを理解し、大規模言語モデルに提供するエビデンスを向上させるのに役立ちます。(anthropic.com)
Link to this sectionコンテキスト検索の仕組み#
標準的なRAGでは、ドキュメントをチャンクに分割し、それをembeddingsに変換します。しかし、「収益が3%増加した」といったチャンクには、企業名、報告期間、ドキュメントの種類が抜けている場合があります。コンテキスト検索では、完全なドキュメントを使用して「このパッセージはACMEの2025年第2四半期決算実績について記述しています」といった簡潔なプレフィックスを生成し、結合されたテキストをインデックス化します。
一般的なワークフローには以下が含まれます。
- Semantic Chunking: 検索およびモデルの制限に適合する一貫性のあるパッセージにドキュメントを分割します。チャンキングの主な目的は、モデルのcontext windowを超えることなく、大規模なソースを検索可能にすることです。
- コンテキスト生成: Claude contextual embeddings cookbookのようなプロセスに従い、モデルを使用して各チャンクのソースとの関係性を要約します。
- Hybrid Search: 密ベクトルと、BM25 keyword rankingなどの語彙ベースの手法を使用して、コンテキスト化されたチャンクをインデックス化します。
- Reranking: 最も優れたエビデンスをジェネレーターに送信する前に、より詳細なクエリとチャンクの比較を使用して、取得された候補を再順序付けします。
Anthropicの報告によると、コンテキスト埋め込みをコンテキスト対応のBM25と組み合わせることで、上位20件の検索失敗率が49%削減され、テストではリランキングを追加することで67%の削減が達成されました。結果はデータセットによって異なるため、これらの数値は保証ではなくベンチマークとして扱う必要があります。(anthropic.com)
Link to this sectionコンピュータービジョンにおけるコンテキスト検索#
multimodal RAGでは、ドキュメントのコンテキストに、検出されたオブジェクト、画像キャプション、タイムスタンプ、カメラの位置、あるいは周囲のビデオイベントを含めることができます。以下の例では、Ultralytics YOLO26を使用して画像の検索可能なコンテキストを作成しています。
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
result = model("https://ultralytics.com/images/bus.jpg")[0]
labels = [model.names[int(cls)] for cls in result.boxes.cls.tolist()]
context = f"Street-scene image containing: {', '.join(labels)}."
print(context)生成されたテキストは、埋め込みを行う前に画像キャプションやメタデータレコードの先頭に追加することができます。開発者は、関連するYOLO prediction workflowsおよびvisual similarity searchを探索できます。
Link to this section実社会での応用#
- Enterprise and Legal Search: ポリシーアシスタントは、ドキュメント名、日付、部門、および条項の関係を保持し、孤立したパッセージによる誤解を招く回答を減らします。
- Visual Maintenance Systems: 検出された機械、欠陥の種類、および施設の場所により、システムが修理マニュアルや検査記録を取得する前に画像にコンテキストが付与されます。
- Personalized Education: 学習エージェントは、生徒の対話とアクティビティログを組み合わせて、学習者の現在のタスクに関連するガイダンスを取得できます。
Link to this section関連技術とベストプラクティス#
コンテキスト検索は、実行時にモデルに提供されるすべての情報を管理するcontext engineeringとは異なります。また、完全なドキュメントを埋め込んだ後にトークン表現をチャンクにプーリングするlate chunking researchとも異なります。2025年の比較評価では、コンテキスト検索が意味的一貫性の維持に効果的である一方で、計算負荷が高くなることが判明しました。(arxiv.org)
現在のベストプラクティスには、複数のチャンクサイズのテスト、ソースメタデータの保持、高密度検索とキーワード検索の組み合わせ、およびMicrosoft’s RAG evaluation guidanceを用いたリコール、精度、根拠性、応答の完全性の測定が含まれます。SAGE precise retrievalなどの新しい研究では、セマンティックセグメンテーションと動的なチャンク選択が支持されており、一方、2026 retrieval benchmarkは、複雑なテキストと表のドキュメントに対してハイブリッド検索とニューラルリランキングを支持しています。ビジュアルナレッジシステムを構築するチームは、Ultralytics Platformを使用して、データセットのアノテーション、ビジョンモデルのトレーニング、エンドポイントのデプロイ、および構造化されたビジュアルコンテキストを提供するコンポーネントの監視を行うことができます。
