(2026年10月29日 追記:記事どおりに再現できるよう、必要なコードと手順を追加しました)
社内AIチャットは、手元のパソコンで動いた時点では「まだ誰も使えない」状態です。社員が使えるようにするには、サーバー上で24時間動かし、パスワードやAPIキーを安全に渡し、DBにつなぎ、社外の人からは見えないようにする必要があります。第8回では評価ケースで回答の品質を自動テストできるようにしました。今回は、いよいよ公開の準備です。
「社内のAIチャットを本番で動かしたいが、サーバーはどう用意するのか、APIキーやパスワードをどこに置けばいいのか、勝手に誰かに使われないか不安」
先に結論をお伝えします。アプリを「コンテナ」という持ち運べる箱に詰め、Google Cloud Runというコンテナ実行サービスに載せれば、サーバー管理なしで公開できます。ただし、APIキーとDBパスワードは専用の金庫(Secret Manager)に入れ、アクセスは「ログインした人だけ」に絞るのが出発点です。 第9回では、Dockerfileの整え方、Cloud SQL(マネージドのPostgreSQL)への接続、秘密情報の渡し方、デプロイ手順、運用で見落としやすい点を、サンプルコードで説明します。
この記事で作るのは、次の4つです。
- 本番向けに整えたDockerfile(待ち受けポートの扱い、停止シグナル)
- 「プロセスが生きているか」と「質問を受けられる状態か」を分ける2つの確認用API(
/healthと/ready) - DBの準備(拡張機能・テーブル)だけを行うマイグレーション専用コマンド
- デプロイ手順書(
deploy/cloudrun.sh)
先にお断りです。この連載の作業環境にはDockerの実行基盤もGoogle Cloudのアカウントも無く、docker buildとCloud Runへの実デプロイは実行できていません。 確認できたのは、Python側のテスト・Lint、PostgreSQL+pgvectorでのマイグレーション、コンテナの起動コマンドと同じ形でのAPI起動です。デプロイ手順書はコマンドの構文確認までで、実際に流すときは自社のプロジェクトで少しずつ確かめてください。(追記時に、Docker の入った環境で docker build、コンテナの起動と /health・/ready の応答、コンテナからのマイグレーションを確認しました。Cloud Run への実デプロイは引き続き未確認です)
社内AIチャットをCloud Runで動かすと何が楽になるのか
Cloud Runは、コンテナを渡すと、アクセスに応じて起動台数を増減しながら動かしてくれるサービスです。サーバーのOSの更新や台数の管理は、利用者側の仕事ではなくなります。社内チャットのように「昼間は使われ、夜は使われない」システムと相性が良い一方、向かない場面もあります。
| 観点 | Cloud Run(コンテナ実行サービス) | 仮想サーバー(EC2・Compute Engine等) |
|---|---|---|
| サーバーのOS管理 | 不要(提供元が管理) | 必要(更新・設定を自分たちで行う) |
| 使われない時間の費用 | 台数を0にできる設定がある | 起動している限り発生 |
| 向いている用途 | リクエストごとに処理が終わるWeb API | 常時動くバッチ、特殊な設定が必要な処理 |
| つまずきやすい点 | 起動直後は遅くなることがある(コールドスタート)、ファイルの保存先がない | OSやミドルの保守を運用側が担う |
※ 費用の金額は、料金表の改定があるため本文では書きません。見積もりは公式の料金ページで、想定アクセス数をもとに確認してください。
この連載のECS編で扱ったAWSのECSと、考え方はほぼ同じです。違いは「どこまで提供元に任せるか」で、Cloud Runのほうが設定項目が少ない分、細かい調整の自由度は下がります。
本番向けにDockerfileを整える
第0回から使ってきたDockerfileを、Cloud Run向けに3点だけ直しました。あわせて、第2・4・7回で足したライブラリ(psycopg・httpx・pypdf)を pip install の行に加えます。作業は第8回までの rag-naibu フォルダで行います。
Dockerfile に次の変更を加えます(+ が追加、- が削除)。
--- a/Dockerfile
+++ b/Dockerfile
@@ -1,9 +1,16 @@
FROM python:3.13-slim
+ENV PYTHONUNBUFFERED=1 \
+ PYTHONDONTWRITEBYTECODE=1
WORKDIR /srv
COPY pyproject.toml .
-RUN pip install --no-cache-dir "fastapi==0.141.1" "uvicorn==0.54.0" "pydantic-settings==2.15.0"
+RUN pip install --no-cache-dir "fastapi==0.141.1" "uvicorn==0.54.0" "pydantic-settings==2.15.0" "psycopg[binary]==3.3.6" "httpx==0.28.1" "pypdf==6.19.0"
COPY app ./app
+# マイグレーション用SQL(python -m app.db を Cloud Run ジョブから実行する時に使う)
+COPY db ./db
RUN useradd -m appuser
USER appuser
-EXPOSE 8000
-CMD ["uvicorn", "app.main:app", "--host", "0.0.0.0", "--port", "8000"]
+# Cloud Run は待ち受けポートを環境変数 PORT で渡してくる(既定 8080)。ローカルでも同じ値で動くよう既定を持たせる
+ENV PORT=8080
+EXPOSE 8080
+# シェル形式にして ${PORT} を展開する。exec で uvicorn を PID 1 にし、停止シグナル(SIGTERM)を直接受けさせる
+CMD exec uvicorn app.main:app --host 0.0.0.0 --port ${PORT}
直した点は次のとおりです。
- 待ち受けポートを環境変数
PORTにした: Cloud Runは、起動するコンテナに待ち受けポートをPORTという環境変数で渡します。固定値の8000のままだと、「起動したのに応答がない」と判断されて失敗しやすくなります。ローカルでも既定値8080で動くようにしてあります。 execを付けて、uvicornを主プロセスにした: 停止の合図(SIGTERM)を直接受け取れるので、入れ替え時に処理中のリクエストをきちんと終わらせて止まれます。PYTHONUNBUFFERED=1にした: ログが溜め込まれず、すぐ出力されます。障害時に「最後のログが出ていない」ことを防げます。
あわせてdb/(マイグレーション用のSQL)をイメージに含めました。一方で.dockerignoreで、.env(秘密情報)、tests/、sample_docs/などはイメージに入れないようにしています。.envがイメージに入ると、イメージを見られる人全員にAPIキーが渡るため、ここは必ず確認する点です。
.dockerignore は次の内容で新しく作ります。
# .dockerignore
.env
.venv/
__pycache__/
.pytest_cache/
.ruff_cache/
*.egg-info/
tests/
eval/
sample_docs/
tools/
📰 出典:Google Cloud「Cloud Run コンテナ実行契約」
※ このページの内容は今回の作業環境からは取得できませんでした。PORTの扱いは同サービスの一般的な仕様としての記載です。実装前に最新の公式ドキュメントでご確認ください。
「生きている」と「使える」を分けて確認する
運用では、アプリが動いているかを確認する窓口が2種類必要です。
| 確認用API | 返すもの | 使いどころ |
|---|---|---|
/health | プロセスが生きていれば常に「ok」 | 動いているかの簡易確認 |
/ready | DBに接続できたら「ready」、できなければ503 | 起動直後に「質問を受けられる状態か」の確認 |
DBがつながらない状態で「正常」と返してしまうと、利用者は「質問しても毎回エラー」を体験するのに、監視画面は緑のままになります。そこで/readyを追加しました。
app/main.py に次の変更を加えます(+ が追加、- が削除)。
--- a/app/main.py
+++ b/app/main.py
@@ -28,6 +28,21 @@ def health(settings: Annotated[Settings, Depends(get_settings)]) -> dict[str, st
return {"status": "ok", "app": settings.app_name}
+@app.get("/ready")
+def ready(settings: Annotated[Settings, Depends(get_settings)]) -> dict[str, str]:
+ """DBまで届くかを確かめる。Cloud Run の起動時チェック(startup probe)に使う(第9回)。
+
+ /health は「プロセスが生きているか」だけを返し、/ready は「質問を受けられる状態か」を返す。
+ DBの詳細(接続先やエラー文)は外に出さない。
+ """
+ try:
+ with connect(settings.database_url) as conn:
+ conn.execute("SELECT 1")
+ except Exception as e:
+ raise HTTPException(status_code=503, detail="database unavailable") from e
+ return {"status": "ready"}
+
+
Searcher = Callable[[str, list[str]], list[SearchHit]]
エラー時の応答はdatabase unavailableだけにしています。接続先のホスト名やDBのエラー文を返すと、外から見える情報になってしまうためです。この点はtests/test_main.pyの自動テストで、パスワードや接続先が応答に出ないことを確認しています。
tests/test_main.py に次の変更を加えます(+ が追加、- が削除)。
--- a/tests/test_main.py
+++ b/tests/test_main.py
@@ -21,3 +21,18 @@ def test_departments_always_include_all():
assert get_departments("") == ["all"]
assert get_departments("hr, sales") == ["all", "hr", "sales"]
assert get_departments("all,hr") == ["all", "hr"]
+
+
+def test_ready_returns_503_without_leaking_details(monkeypatch):
+ # 到達できないDB(ポート1)を指定しても、接続先やエラー文は応答に出さない
+ from app.config import Settings, get_settings
+
+ app.dependency_overrides[get_settings] = lambda: Settings(
+ database_url="postgresql://u:secret@127.0.0.1:1/db?connect_timeout=1"
+ )
+ try:
+ res = client.get("/ready")
+ finally:
+ app.dependency_overrides.clear()
+ assert res.status_code == 503
+ assert "secret" not in res.text and "127.0.0.1" not in res.text
DBはマネージドのCloud SQLを使う
第2回ではDocker ComposeでPostgreSQLを動かしました。本番では、バックアップやセキュリティ更新を提供元が行うマネージドDB(Cloud SQL for PostgreSQL)を使うのが一般的です。ベクトル検索の拡張機能(pgvector)は、Cloud SQLの対応する版でCREATE EXTENSION vectorにより有効にできます(執筆時点で、PostgreSQL 13〜17で利用できると説明されている資料があります。公式の拡張機能一覧で、使う版を必ず確認してください)。
📰 出典:Google Cloud「Cloud Runから接続する(Cloud SQL for PostgreSQL)」
接続は、Cloud Runが用意するUnixソケット(同じ機械の中だけで通じるつなぎ口)を使います。公式の説明では、ソケットは/cloudsql/<インスタンス接続名>にでき、サービスアカウントに「Cloud SQL クライアント」の役割が必要です。接続文字列は、ホスト部分を空にしてhost=でソケットを指す形になります。
postgresql://rag_app:<パスワード>@/rag?host=/cloudsql/<プロジェクト>:<リージョン>:<インスタンス名>
これは第2回から使っているDATABASE_URLにそのまま入れられます。アプリのコードは変えません。接続先は環境変数だけで切り替えるという第0回からの方針が、ここで効いてきます。
マイグレーションは「アプリ起動時」ではなく別コマンドで流す
ローカルではdb/initのSQLがDBの初回起動時に自動で流れましたが、マネージドDBでは自動実行されません。そこで、テーブルの準備だけを行うコマンドを用意しました。
第3回の app/db/migrate.py に、テーブルの準備だけを行う入口を足します。
app/db/migrate.py に次の変更を加えます(+ が追加、- が削除)。
--- a/app/db/migrate.py
+++ b/app/db/migrate.py
@@ -2,7 +2,9 @@ from pathlib import Path
import psycopg
-MIGRATIONS_DIR = Path(__file__).resolve().parents[2] / "db" / "migrations"
+DB_DIR = Path(__file__).resolve().parents[2] / "db"
+MIGRATIONS_DIR = DB_DIR / "migrations"
+INIT_SQL = DB_DIR / "init" / "001_schema.sql"
def apply_migrations(conn: psycopg.Connection) -> list[str]:
@@ -13,3 +15,17 @@ def apply_migrations(conn: psycopg.Connection) -> list[str]:
applied.append(path.name)
conn.commit()
return applied
+
+
+def main() -> None:
+ """マイグレーションだけを実行する(文書の取り込みはしない)。Cloud Run ジョブ等から呼ぶ。"""
+ from app.config import get_settings
+
+ with psycopg.connect(get_settings().database_url) as conn:
+ # docker-compose の db/init は空のDBで初回起動した時しか動かないので、マネージドDBでは自分で流す
+ conn.execute(INIT_SQL.read_text(encoding="utf-8"))
+ print(f"適用したマイグレーション: {apply_migrations(conn)}")
+
+
+if __name__ == "__main__":
+ main()
実行はpython -m app.db.migrateです。SQLは何度流しても同じ結果になる書き方(IF NOT EXISTS)なので、空のPostgreSQL+pgvectorに対して2回続けて実行し、どちらも成功することを確認しました。
手元では、第2回のDBに対して次のように確かめられます(すでに表があれば、何も変わりません)。
python -m app.db.migrate
アプリの起動時に自動で流す方法もありますが、Cloud Runは台数が増える(複数台が同時に起動する)ため、同時にDBを書き換える事故を避ける意味で、デプロイの手順の中で1回だけ実行する形にしています。
秘密情報はSecret Managerに入れ、環境変数として渡す
APIキーとDBパスワードは、コードにもイメージにも入れません。Google CloudのSecret Manager(秘密情報の金庫)に保存し、Cloud Runの起動時に環境変数として渡します。アプリ側は第4回までに作ったpydantic-settingsが環境変数DATABASE_URLとLLM_API_KEYを読むので、コードの変更はありません。
環境変数の見本にも、本番での渡し方をメモしておきます。
.env.example に次の変更を加えます(+ が追加、- が削除)。
--- a/.env.example
+++ b/.env.example
@@ -4,3 +4,4 @@ APP_NAME=社内ナレッジ検索
# LLM_API_KEY=
# DB接続先(第2回。ローカルは docker-compose.yml の値。本番は必ず別のパスワードにする)
# DATABASE_URL=postgresql://rag:rag_local_only@localhost:5432/rag
+# Cloud Run では PORT が自動で渡される(第9回)。DATABASE_URL・LLM_API_KEY は Secret Manager から環境変数として注入する
手順書 deploy/cloudrun.sh の全文です(mkdir -p deploy で置き場所を作ります)。PROJECT_ID などは自社の値に置き換えます。<生成AIのAPIキー> の部分は、実行するときに端末で実際のキーに置き換えてください(キーをこのファイルに書いて保存しないでください)。DBのパスワードは手順2で生成し、端末の変数 DB_PASSWORD にだけ置いて、そのまま手順3の接続URLに使います。
#!/usr/bin/env bash
# Google Cloud Run へのデプロイ手順(第9回)。上から順に「理解しながら」実行する前提の手順書で、一括実行用ではない。
# PROJECT_ID などは自社の値に置き換える。パスワードやAPIキーの実値はこのファイルに書かない。
set -euo pipefail
PROJECT_ID="your-project-id"
REGION="asia-northeast1"
SERVICE="rag-naibu"
SQL_INSTANCE="rag-db"
REPO="rag"
IMAGE="${REGION}-docker.pkg.dev/${PROJECT_ID}/${REPO}/${SERVICE}:v1"
gcloud config set project "${PROJECT_ID}"
gcloud services enable run.googleapis.com artifactregistry.googleapis.com \
sqladmin.googleapis.com secretmanager.googleapis.com cloudbuild.googleapis.com
# 1. イメージ置き場を作り、ビルドして登録する(手元にDockerが無くても Cloud Build でビルドできる)
gcloud artifacts repositories create "${REPO}" --repository-format=docker --location="${REGION}" || true
gcloud builds submit --tag "${IMAGE}" .
# 2. DB(Cloud SQL for PostgreSQL)。pgvector は拡張機能として有効化する(CREATE EXTENSION vector は db/ のSQLが実行する)
gcloud sql instances create "${SQL_INSTANCE}" --database-version=POSTGRES_17 \
--region="${REGION}" --tier=db-custom-1-3840
gcloud sql databases create rag --instance="${SQL_INSTANCE}"
# DBユーザーのパスワードは推測されにくい値を自分で生成し、手順3で Secret Manager にだけ保存する
# (接続URLに入れるので、記号を含まない16進数で作る。値は端末の変数にだけ置き、ファイルには書かない)
DB_PASSWORD="$(openssl rand -hex 24)"
gcloud sql users create rag_app --instance="${SQL_INSTANCE}" --password="${DB_PASSWORD}"
# 3. 秘密情報は Secret Manager へ(コードやイメージには入れない)
# DATABASE_URL は Cloud SQL への Unix ソケット接続。ホスト部を空にして host= で /cloudsql/... を指す
INSTANCE_CONN="${PROJECT_ID}:${REGION}:${SQL_INSTANCE}"
printf '%s' "postgresql://rag_app:${DB_PASSWORD}@/rag?host=/cloudsql/${INSTANCE_CONN}" \
| gcloud secrets create rag-database-url --data-file=-
printf '%s' "<生成AIのAPIキー>" | gcloud secrets create rag-llm-api-key --data-file=-
# 4. 実行用のサービスアカウント(必要最小限の権限だけ)
gcloud iam service-accounts create rag-runner
SA="rag-runner@${PROJECT_ID}.iam.gserviceaccount.com"
gcloud projects add-iam-policy-binding "${PROJECT_ID}" --member="serviceAccount:${SA}" --role=roles/cloudsql.client
for s in rag-database-url rag-llm-api-key; do
gcloud secrets add-iam-policy-binding "$s" --member="serviceAccount:${SA}" --role=roles/secretmanager.secretAccessor
done
# 5. マイグレーションをジョブとして1回実行する(アプリ起動時には流さない)
gcloud run jobs create rag-migrate --image "${IMAGE}" --region "${REGION}" \
--service-account "${SA}" --add-cloudsql-instances "${INSTANCE_CONN}" \
--set-secrets DATABASE_URL=rag-database-url:latest \
--command python --args=-m,app.db.migrate
gcloud run jobs execute rag-migrate --region "${REGION}" --wait
# 6. サービスとして公開する。--no-allow-unauthenticated で「誰でもアクセス可」にしない
gcloud run deploy "${SERVICE}" --image "${IMAGE}" --region "${REGION}" \
--service-account "${SA}" --add-cloudsql-instances "${INSTANCE_CONN}" \
--set-secrets DATABASE_URL=rag-database-url:latest,LLM_API_KEY=rag-llm-api-key:latest \
--min-instances 0 --max-instances 3 --memory 512Mi --concurrency 20 \
--no-allow-unauthenticated
# 7. 確認:本人の認証トークンを付けて呼ぶ
URL="$(gcloud run services describe "${SERVICE}" --region "${REGION}" --format='value(status.url)')"
curl -s -H "Authorization: Bearer $(gcloud auth print-identity-token)" "${URL}/ready"
ポイントは3つです。
- 実行用のサービスアカウントを専用に作り、必要最小限の権限だけ与える(Cloud SQLへの接続と、この2つのシークレットの読み取りのみ)
--max-instances 3で台数に上限を付ける。想定外のアクセスやループで、利用料が青天井にならないようにする--no-allow-unauthenticatedで、ログインしていない人のアクセスを拒否する(次の節で説明)
一番の注意点:このまま公開してはいけない
第6回で作った部署別のアクセス制御は、X-Departmentsというヘッダーで「どの部署の人か」を受け取る動作確認用の仕組みでした。ヘッダーは利用者が自由に書き換えられるため、インターネットに公開すると、誰でも「人事部です」と名乗って給与表を検索できてしまいます。
そのため、手順書では--no-allow-unauthenticatedを付け、認証済みの人しか呼べない状態にしています。本番運用では、次のいずれかが必要です。
- 会社のログイン基盤(SSO)で本人確認を行い、サーバー側で所属部署を決める
- Cloud Runの前段に、Googleの認証付きプロキシ(Identity-Aware Proxy)などを置く
この部分は連載では実装していません。「動く」と「公開してよい」は別のものだと、必ず切り分けてください。
デプロイと動作確認の手順
deploy/cloudrun.shは、次の順に進める手順書です。一括実行ではなく、1ステップずつ結果を見ながら進めることを想定しています。
始める前に、Google Cloud の準備が必要です。課金を有効にしたプロジェクトを用意し、gcloud CLI(Google Cloud を操作するコマンド)を入れて gcloud auth login でログインしておきます。コマンドは rag-naibu フォルダで実行します(gcloud builds submit がこのフォルダの中身からイメージを作るため)。
- APIを有効化する: Cloud Run、Artifact Registry、Cloud SQL、Secret Manager、Cloud Build
- イメージをビルドして保管する:
gcloud builds submit。手元にDockerが無くてもクラウド側でビルドできます - Cloud SQLを作る: PostgreSQLのインスタンスとDB、アプリ用ユーザー
- シークレットを登録する:
DATABASE_URLとLLM_API_KEY - 実行用サービスアカウントを作り、権限を絞って付ける
- マイグレーションをCloud Runジョブとして1回実行する:
python -m app.db.migrate - サービスをデプロイする: 認証必須・台数上限つき
- 本人のトークンを付けて
/readyを呼ぶ: 「ready」が返れば、DBまでつながっています
文書の取り込み(第1・7回のpython -m app.db <フォルダ>)は、本番では別途の作業が必要です。社内文書をどこに置き、誰がいつ取り込み直すかは、手順書に含めていません。ここは運用設計の大きな論点になります。
(参考)デプロイの前に、手元でコンテナを確かめる
Docker が使える環境なら、Cloud Run に載せる前に、同じイメージを手元で動かしておくと安心です。第2回のDB(docker compose up -d)を起動した状態で、次を実行します。host.docker.internal は、コンテナの中から手元のパソコンを指す名前です。
docker build -t rag-naibu .
docker run --rm -p 8080:8080 --add-host=host.docker.internal:host-gateway \
-e DATABASE_URL=postgresql://rag:rag_local_only@host.docker.internal:5432/rag rag-naibu
# 別の端末で
curl -s localhost:8080/health
curl -s localhost:8080/ready
/ready が {"status":"ready"} を返せば、コンテナからDBまでつながっています(追記時に確認しました)。
つまずきやすい点・運用の注意
- ファイルは保存できない: Cloud Runのコンテナの中に書いたファイルは、再起動で消えます。保存はDB(や別のストレージ)に行います。この連載はDBに保存するので問題ありません
- 起動直後の最初の応答は遅くなりやすい: 台数が0の状態から起動するためです。気になる場合は、最小台数を1にします(その分、常時費用が発生します)
- ログに質問や回答の全文を残すか決める: 社内文書の内容を含む可能性があります。誰が見られるか、何日で消すかを決めてください
- AIのモデルは入れ替わる:
LLM_MODELの設定値を、提供元の廃止予定に合わせて更新する担当を決めておきます - 第8回の評価をデプロイ前に必ず流す: 変更のたびに自動で評価を流す(CI)設定にすると、品質の後退に気づけます
- このコードは第9回時点で、単一の埋め込み方式(
HashingEmbedder)のままです: 本番では本物の埋め込みモデルに替え、評価ケースでmax_distanceを測り直してください(第5回・第8回の既知の課題)
発注者向けメモ
社内AI検索を開発会社に依頼する際、本番環境の構成と、運用で誰が何をするかを契約前に確認してください。「作る」ことと「安全に動かし続ける」ことは別の仕事で、後者の範囲が曖昧だと、リリース後に追加の費用や責任の押し付け合いが起きやすくなります。
発注者がやることチェックリストは次のとおりです。
- 本番環境のクラウドアカウントが発注者の名義になっているか(開発会社の名義だと、契約終了後に引き継げないことがあります)
- APIキーとDBパスワードの保管場所が決まっており、担当者が退職しても入れ替えられるか
- ログインできる人だけが使える仕組み(SSO等)が、要件に入っているか
- 利用料に上限(予算アラート・台数の上限)を設定する運用になっているか
- 障害時の連絡先と、対応する時間帯(営業時間内のみか、夜間も含むか)が決まっているか
- バックアップの頻度と、復旧の訓練をいつ行うか決まっているか
- 社内文書の更新(取り込み直し)を、誰がどの頻度で行うか決まっているか
開発会社への質問例は次のとおりです。
- 「本番環境は、うちの会社のクラウドアカウントに作っていただけますか。引き継ぎ時の手順もいただけますか」
- 「APIキーやパスワードは、どこに保存し、誰が見られる設計ですか」
- 「利用者の本人確認は、どの方式で、どの部署の人かをどう決めますか」
- 「想定外のアクセスで利用料が増えないよう、どんな上限を設定しますか」
- 「回答の品質を下げずにAIのモデルを入れ替える手順(評価のやり直し)は、運用に含まれますか」
法律・契約に関わる個別の判断(個人情報や秘密情報をクラウド上で扱う際の取り決めなど)は、弁護士や専門家にご確認ください。
まとめと連載のふりかえり
第9回では、Dockerfileを本番向けに整え、DBの準備を別コマンドにし、秘密情報をSecret Managerから渡す形にして、Google Cloud Runへのデプロイ手順をまとめました。コード側の確認(pytest 49件・ruff・PostgreSQL+pgvectorでのマイグレーション)は通っていますが、docker buildと実際のデプロイは未確認です。そして、ログイン(SSO)による本人確認は未実装で、公開前に必須です。
連載全体では、文書の取り込み、ベクトル検索、出典つき回答、「見つかりません」の判定、部署別アクセス制御、PDF対応、評価、そしてデプロイまでを順に作りました。次の一歩としては、本物の埋め込みモデルへの切り替え、SSO連携、文書の定期取り込みが候補になります。最後までお読みいただき、ありがとうございました。
この連載の記事一覧
この記事は連載「FastAPIで作る社内ナレッジ検索(RAG)」の1回です。連載のほかの回は次のとおりです(連載の一覧ページ)。
- 【FastAPIで作る社内ナレッジ検索(RAG) 第0回】全体像と、動く最小APIを作る
- 【FastAPIで作る社内ナレッジ検索(RAG) 第1回】社内文書を読み込んで、検索しやすい断片に分ける
- 【FastAPIで作る社内ナレッジ検索(RAG) 第2回】PostgreSQLとpgvectorをDocker Composeで動かし、文書の断片を保存する
- 【FastAPIで作る社内ナレッジ検索(RAG) 第3回】質問に近い社内文書を探す(ベクトル検索)を実装する
- 【FastAPIで作る社内ナレッジ検索(RAG) 第4回】見つけた社内文書を根拠に、出典つきで生成AIに回答させる
- 【FastAPIで作る社内ナレッジ検索(RAG) 第5回】答えが社内文書に無いときは「見つかりません」と返す仕組みを作る
- 【FastAPIで作る社内ナレッジ検索(RAG) 第6回】部署ごとに見てよい文書だけを検索する、アクセス制御を実装する
- 【FastAPIで作る社内ナレッジ検索(RAG) 第7回】社内のPDFを取り込み、ページ番号つきの出典で答えさせる
- 【FastAPIで作る社内ナレッジ検索(RAG) 第8回】回答の品質を評価ケースで測り、直したつもりの後退を自動テストで見つける
- 【FastAPIで作る社内ナレッジ検索(RAG) 第9回】社内AIチャットをGoogle Cloud Runに公開する。コンテナ化・シークレット・DB接続・運用の注意(この記事)









