🕌

答えを教えないRAG「ソクラテス」の実装戦略 Frontmatterで"学習指導要領"を定義する [実装・検証編]

に公開
2026/02/15

本記事は、自作RAGが「いつの間にかソクラテスになってしまった話」の実装・検証編です。
なぜソクラテスが生まれたのか? その背景にある物語(Why)については、前回の記事をご覧ください。

https://zenn.dev/mizunadad/articles/c6e53cfa8bc1a5

1. はじめに:RAGは万能か?、という前提

「学習指導要領」なんて大層なタイトルを付けましたが、やりたかったことはシンプルです。RAGに「知識のつながり」を理解させるためのサポートです。
RAG構築において、準備するドキュメント数は膨大になりがちです。 そのまま闇雲にVector DBへ放り込むだけでは、RAGは文脈のない「情報の断片」しか返してくれません。これでは、人間である私自身も迷子になってしまいます。
そこで私は、AIとの 「共通言語(プロトコル)」 を作ることにしました。 人間が少しだけ「構造的なヒント(Frontmatter)」を整えてあげる。そうすれば、RAGはその構造を辿り、人間が気づかない知識のつながりを見つけてくれるのではないか?

2. 設計思想:AIへの「招待状」としてのFrontmatter

従来、ドキュメント作成といえば「人間が読むこと」が前提でした。 しかしこれからは、「AIが読み、AIが繋げること」 を前提とした設計が必要です。
そこで導入したのが Frontmatter Spec です。 特に重要なのが requires(前提)や enables(応用)といったタグです。これは、独立したドキュメント同士に 「この知識は、あそこの知識と繋がれるよ」 というパスを通す、AIへの招待状です。
これさえ渡しておけば、あとはAIが勝手に抽象度を上げたり下げたりして、私たちが想像もしなかった「いい感じの化学反応」を起こしてくれるはずです。

文書化に適応したfront matter specが下記になります。これを用いて5レイヤーで91の技術文書を作成しました。

※補足:91の文書はどう作ったか?)

ちなみに、今回使用した91の技術文書は、手当たり次第に作ったわけではありません。

先に全体の Project Structure(全体設計図) を定義し、どのレイヤーにどの技術を配置するかを確定させた上で、AIに一括生成させています。

しかし、単なるディレクトリ構造(Project Structure)だけでは、RAGは「隣のファイル」との関係性を理解できません。 だからこそ、ファイルの中に埋め込む Frontmatter Spec(依存関係の定義) が、知識に命を吹き込むために不可欠だったのです。 (※今回は、この「Spec」の設計に絞って解説します)

frontmatter_spec.yaml
# ==========================================
# 📋 必須フィールド
# ==========================================
title: string
  # 技術名・概念名
  # 例: "Nested Learning"
layer: enum
  # 技術レイヤー
  # 値: "L0" | "L1" | "L2" | "L3" | "L4"
  # L0: 物理層, L1: アルゴリズム層, L2: 制御層, L3: 応用層, L4: 創発層
layer_category: string
  # レイヤー内のカテゴリ
  # L0例: "計算ユニット設計", "インターコネクト技術", "メモリ階層設計"
  # L1例: "継続学習", "ワールドモデル", "推論能力"
  # L2例: "オーケストレーション", "メモリ管理戦略", "学習制御"
  # L3例: "自律エージェント", "物理世界統合", "マルチモーダル統合"
  # L4例: "自己改善システム", "データエコシステム", "進化加速"
tags: array[string]
  # 検索用タグ(3-7個推奨)
  # 具体的で検索可能なキーワードを使用
  # 例: ["機械学習", "メモリ管理", "破壊的忘却"]
# ==========================================
# 🔗 関係性フィールド(オプション)
# ==========================================
parent_tech: string
  # 親技術(より抽象的な技術)
  # 例: "Continual Learning"
approach: string
  # アプローチの分類
  # 例: "重み更新型", "トークン空間型"
requires: array[object]
  # 下位層への依存関係
  - tech: string           # 依存する技術名
    target_layer: string   # 対象レイヤー("L0", "L1"等)
    reason: string         # 依存理由(技術的必然性)
enables: array[object]
  # 上位層への貢献
  - tech: string           # 実現する技術・応用名
    target_layer: string   # 対象レイヤー
    reason: string         # 実現理由
# ==========================================
# ⚠️ 重要ポイント
# ==========================================
# requires/enables記述のポイント:
# - reasonは具体的に(「必要」だけでなく「なぜ必要か」)
# - 技術的必然性を明記
# - 単なる「便利」ではなく「必須」の関係を記述
# タグ選択のポイント:
# - 一般的すぎるタグは避ける("AI", "技術"等)
# - 検索で実際に使いそうなキーワード
# - 専門用語と一般用語のバランス

3. 検証フェーズ1:Teacher Mode(AIが地図を読み解く)

準備した文書を元に、実際に検証してみましょう。 「初心者が着手すべきレイヤは?」と聞いたとき、AIは私の意図(Spec)を正確に汲み取り、「まずはL0から」と案内してくれました。

単にキーワードで検索しただけではありません。AIが 「知識の構造(L0が土台であること)」 を理解して回答していることが、このログから読み取れます。

4. 検証フェーズ2:Coaching Mode(ソクラテスの降臨)

最後に、AIに「意地悪なコーチ」になってもらいました。私が「手っ取り早く答えを教えて」と詰めると、AIは「L0(物理)ではなく、L1(アルゴリズム)が重要では?」と、あえて矛盾するような問いを投げかけてきました。

ここからは私が試される番です。AIは答えを教えません。私が理由を答えると、さらに「なぜそう思うのですか?」と深掘りしてきます。

「答え」ではなく「問い」を投げる。 これは、AIが requires/enables の依存関係を読み解き、「理解するためにはここを通らなければならない」と判断してナッジ(行動変容)を促している証と言えるでしょう。

5. おわりに:地図は描けた。次は、、、

【地図の役割】
前回の記事で書いたように、私が欲しかったのは、単に検索結果を返すツールではなく、私の思考を揺さぶり、拡張してくれる「パートナー」でした。 そのためには、AIが適当に喋るのではなく、確かな 「知識の地図(構造)」 を持っている必要がありました。

【今回のまとめ:実装成果】
今回の実装で、Frontmatterという「学習指導要領」を定義し、構造を理解してもらうに至りました。これにより、AIは「Teacher」として振る舞えるだけでなく、その地図を元に「Coach」として昇華してくれました。この「構造」という裏付けがあるからこそ、「考えさせる」機能を発揮してくれます。

【未来への接続:次の戦略(Next)】
しかし、地図(構造)が完成しただけでは、まだ半分です。 本当に重要なのは、この地図の上で 「いかにして対話を続けるか」 です。

1回の質問で終わるわけでもなく、ユーザーが理解するまで?、あるいは力尽きるまで? ソクラテスが問い続け、思考を回し続ける……そんな 「無限の壁打ち」 をどうすればいいか?を考えたいと思います。

今回の検証で、Frontmatterという地図を持たせることで、RAGは確かに「ソクラテス」としての振る舞い(問いかけ)を見せてくれました。

次回は、少しばかり成長してくれた私のソクラテスを、「適切な対話パートナー」へ、もう一段昇華させるための試行錯誤について書きたいと思います。

(20260207 追記)

続きはこちら

Discussion