Beekleのナレッジ
私たちが実務で使っている技術・手法のナレッジベースです
RAGの精度を評価する方法｜評価指標・正解データセット・RAGASと運用でのドリフト検知
RAGの精度をどう評価するかを、検索と生成に分けた評価指標、正解データセット（golden dataset）の作り方、RAGASのような自動評価と人手評価の併用、運用でのドリフト検知まで実装者向けに解説します。
Neo4j Community Editionでマルチテナントを安全に実装する｜アプリ層の強制フィルタとCI検証
Neo4j Community Editionには行やラベル単位のアクセス制御がなく、マルチテナントの分離はアプリ層で強制するしかありません。全クエリへのテナント境界の差し込み、ラベルと関係のホワイトリスト、テナント越えを検出するCIテストまで、実運用の設計を解説します。
ナレッジグラフエージェントの作り方｜設計・検索・検証・運用の実装ガイド
ナレッジグラフエージェントを実際にどう作るかを、Beekleが構築・運用している2つの実システムの設計判断から解説します。オントロジー設計、関係抽出と埋め込み、多戦略検索とRRF統合、read/writeループ、事実検証、アクセス制御と運用まで、Neo4j＋ベクトルDBの実装ガイドです。
GraphRAGの精度はデータ抽出で決まる｜PDF・LLM抽出の限界と、人手で埋める工程
GraphRAG/RAGの精度は、検索の賢さより「元データをどう取り込むか（抽出・ingestion）」で決まります。とくにPDFは表や段組みで崩れ、検証が要る難所です。LLM抽出にも幻覚・名寄せ・一貫性の限界があり、オントロジー設計や用語辞書など人手でしか埋まらない工程が残ります。現実的な取り込みパイプラインの作り方を、実装の勘所から解説します。
GraphRAGとは？ベクトルRAGとの違いと、根拠付き回答を実現する実装
GraphRAGとは何かを、ベクトルRAGとの違い・使い分けから解説。メタデータ・全文・ベクトル・グラフ近傍・主張を統合するHybrid GraphRAGの実装と、社内ナレッジ検索での効果、導入の進め方までをまとめます。
社内ナレッジAIの精度を上げる作り方｜RAGチャットボットの限界とナレッジグラフエージェント設計
社内ナレッジに答えるAIの精度が出ないのは、実際の社内文書が複雑で、単純なRAGチャットボット（1回の類似検索）では関係をたどれないからです。精度を業務レベルに上げる設計を、ナレッジグラフエージェント前提で、データ準備・多経路検索・自己チェック・改善ループまで実装者向けに解説します。
BigQuery × MCPで生成AIから業務データを直接見る｜ChatGPTがSQLを書いて答える仕組み
BigQueryとMCP（Model Context Protocol）を組み合わせて、ChatGPTやClaudeに自然文で質問するとSQLを書いてBigQueryから答えを返す仕組みを解説。導入手順・コスト・権限設計の注意点を、情シス・データ担当者向けに整理します。
EARS×Gherkin｜要件定義からデモ／シナリオテストまでを生成AIで一直線につなぐ
ビジネスサイドが EARS で書いた要件を、生成AIで Gherkin に変換し、エンジニアがデモとシナリオテストに同時に育てる現代的なワークフローを、テンプレと実例付きで解説します。
Gherkin入門｜Given/When/Thenでシナリオテストを書く・読むための完全ガイド
Gherkin（Given/When/Then構文）の基礎から実例まで。BDD（振る舞い駆動開発）でビジネスサイドとエンジニアが共通言語を持つための書き方と、Cucumber／Behave／Playwrightでの実行方法を解説します。
EARS記法とは？要件定義の曖昧さを排除する5パターンと書き方の実例
EARS記法（EARS形式とも呼ばれる、Easy Approach to Requirements Syntax）の5パターンを実例で解説。要件定義の曖昧さを排除し、検証可能な受入条件・非機能要件の書き方を、ユーザーストーリーとの組み合わせ方も含めて紹介します。