概要
https://techblog.insightedge.jp/entry/non-engineer-rag
詳細内容
## エンジニアの海に棲む、コードを書かない私の生存戦略
https://techblog.insightedge.jp/entry/non-engineer-rag
非エンジニアの著者がローコードAIプラットフォーム「Dify」とRAG技術を活用し、社内の情報検索という業務課題を3週間で解決した経験を共有し、専門外の視点が課題解決に重要であると提唱します。
**Content Type**: 💭 Opinion & Commentary
**Scores**: Signal:4/5 | Depth:3/5 | Unique:4/5 | Practical:4/5 | Anti-Hype:4/5
**Main Journal**: 76/100 | **Annex Potential**: 76/100 | **Overall**: 76/100
**Topics**: [[RAG, ローコードAI開発, 非エンジニアの業務効率化, Dify, プロンプトエンジニアリング]]
非エンジニアである著者は、Insight Edge社のセールス・コンサルティングチームに所属し、日々の契約業務や売上管理において、社内情報検索に膨大な時間を費やす「情報のサイロ化」という課題に直面していました。この課題を解決するため、同社の「やってみる」という文化に背中を押され、自らAIツール開発に挑戦します。
一般的なAIでは社内機密情報を扱えないことから、著者は外部知識を参照して回答を生成するRAG（Retrieval-Augmented Generation）技術に着目。これを非エンジニアでもAIアプリを構築できるローコードプラットフォーム「Dify」と組み合わせることで、社内案件検索AIの自力開発をスタートさせました。
約3週間の開発プロセスでは、特に以下の点が重要でした。
1. **ナレッジベースの構築**: AIが正確に情報を読み込めるよう、生データから機密情報を削除し、ヘッダー行の整備やセルの結合解除、不要な空白除去といった地道なデータ成形作業に悪戦苦闘。
2. **プロンプトエンジニアリング**: AIの役割設定や「データにない情報は推測で回答しない」といったガードレールの設定を試行錯誤し、ベストプラクティスを学ぶ。
3. **テストと改善**: プロトタイプに対しあらゆる質問を投げかけ、生成AIが数値を苦手とするといった特性を理解しながら、精度が悪い部分をデータ修正やプロンプト調整で改善し、最終的に約90%の精度を実現。
専門的な壁に直面した際は、社内エンジニアが快く的確なアドバイスを提供してくれた点も、成功を後押ししました。
この経験は、週に数時間かかっていた情報検索時間を数秒に短縮し、業務効率化と情報のサイロ化改善という当初の目的を達成しただけでなく、非エンジニアでもテクノロジーを武器に課題解決に取り組めるという新たな視点をもたらしました。本記事は、現場の課題を「高解像度」で理解している非エンジニアが、ローコードAIやRAGといったツールを活用し、「こうあるべき」という理想から逆算して根本的な解決策を追求することの重要性を示唆しています。コードを書くことだけが課題解決の手段ではない現代において、「やってみる」勇気が新たな「やってみたい」に繋がり、組織全体のイノベーションを推進する可能性を提示する、実践的な示唆に富んだ内容です。