はじめに

「Confluenceのデプロイ手順ドキュメントはどこだっけ？」

「Kubernetesクラスターへのアクセス方法はどうだっけ？」

こういった質問に毎回人が答える代わりに、**社内ドキュメントを検索するAIチャットボット**を作りましょう。LangChain + RAG（Retrieval-Augmented Generation）+ Slack Botの組み合わせで、実践的なプロダクションレベルのチャットボットを構築します。

アーキテクチャ概要

インデキシングパイプライン（オフライン）

ドキュメント → チャンキング → エンベディング → ベクトルDB（ChromaDB）

クエリパイプライン（オンライン）

Slackメッセージ → エンベディング → ベクトル検索 → LLM生成 → Slack応答

プロジェクト設定

依存関係のインストール

mkdir slack-rag-bot && cd slack-rag-bot

仮想環境

python -m venv .venv

source .venv/bin/activate

依存関係

pip install \

langchain==0.2.16 \

langchain-openai==0.1.25 \

langchain-community==0.2.16 \

chromadb==0.5.3 \

slack-bolt==1.20.0 \

python-dotenv==1.0.1 \

unstructured==0.15.0 \

tiktoken==0.7.0

環境変数

.env

OPENAI_API_KEY=sk-xxx

SLACK_BOT_TOKEN=xoxb-xxx

SLACK_APP_TOKEN=xapp-xxx

SLACK_SIGNING_SECRET=xxx

CHROMA_PERSIST_DIR=./chroma_db

DOCS_DIR=./documents

プロジェクト構造

slack-rag-bot/

├── .env

├── main.py # Slack Botエントリーポイント

├── indexer.py # ドキュメントインデキシング

├── rag_chain.py # RAGチェーン

├── config.py # 設定

├── documents/ # 社内ドキュメント（Markdown、PDFなど）

│ ├── deployment-guide.md

│ ├── k8s-access.md

│ └── onboarding.pdf

└── chroma_db/ # ベクトルDBストレージ

ドキュメントのインデキシング

ドキュメントの読み込みとチャンキング

indexer.py

from pathlib import Path

from langchain_community.document_loaders import (

DirectoryLoader,

UnstructuredMarkdownLoader,

PyPDFLoader,

TextLoader

)

from langchain.text_splitter import RecursiveCharacterTextSplitter

from langchain_openai import OpenAIEmbeddings

from langchain_community.vectorstores import Chroma

from dotenv import load_dotenv

load_dotenv()

def load_documents(docs_dir: str):

"""さまざまな形式のドキュメントを読み込む"""

documents = []

Markdownファイル

md_loader = DirectoryLoader(

docs_dir,

glob="**/*.md",

loader_cls=UnstructuredMarkdownLoader,

show_progress=True

)

documents.extend(md_loader.load())

PDFファイル

pdf_loader = DirectoryLoader(

docs_dir,

glob="**/*.pdf",

loader_cls=PyPDFLoader,

show_progress=True

)

documents.extend(pdf_loader.load())

テキストファイル

txt_loader = DirectoryLoader(

docs_dir,

glob="**/*.txt",

loader_cls=TextLoader,

show_progress=True

)

documents.extend(txt_loader.load())

print(f"合計{len(documents)}件のドキュメントを読み込みました")

return documents

def split_documents(documents):

"""ドキュメントをチャンクに分割"""

text_splitter = RecursiveCharacterTextSplitter(

chunk_size=1000,

chunk_overlap=200,

length_function=len,

separators=["\n## ", "\n### ", "\n\n", "\n", " ", ""]

)

chunks = text_splitter.split_documents(documents)

print(f"合計{len(chunks)}個のチャンクを作成しました")

return chunks

def create_vectorstore(chunks, persist_dir: str):

"""ベクトルDBを作成"""

embeddings = OpenAIEmbeddings(

model="text-embedding-3-small",

chunk_size=500

)

vectorstore = Chroma.from_documents(

documents=chunks,

embedding=embeddings,

persist_directory=persist_dir,

collection_metadata={"hnsw:space": "cosine"}

)

print(f"ベクトルDB作成完了: {persist_dir}")

return vectorstore

def index_documents():

"""全インデキシングパイプライン"""

docs_dir = os.getenv("DOCS_DIR", "./documents")

persist_dir = os.getenv("CHROMA_PERSIST_DIR", "./chroma_db")

読み込み → チャンキング → エンベディング → 保存

documents = load_documents(docs_dir)

chunks = split_documents(documents)

vectorstore = create_vectorstore(chunks, persist_dir)

return vectorstore

if __name__ == "__main__":

index_documents()

インデキシングの実行

python indexer.py

RAGチェーンの構築

rag_chain.py

from langchain_openai import ChatOpenAI, OpenAIEmbeddings

from langchain_community.vectorstores import Chroma

from langchain.prompts import ChatPromptTemplate

from langchain_core.runnables import RunnablePassthrough

from langchain_core.output_parsers import StrOutputParser

from dotenv import load_dotenv

load_dotenv()

class RAGChain:

def __init__(self):

self.embeddings = OpenAIEmbeddings(model="text-embedding-3-small")

self.vectorstore = Chroma(

persist_directory=os.getenv("CHROMA_PERSIST_DIR", "./chroma_db"),

embedding_function=self.embeddings

)

self.retriever = self.vectorstore.as_retriever(

search_type="mmr", # Maximum Marginal Relevance

search_kwargs={

"k": 5,

"fetch_k": 20,

"lambda_mult": 0.7

}

)

self.llm = ChatOpenAI(

model="gpt-4o-mini",

temperature=0.1,

max_tokens=2000

)

self.chain = self._build_chain()

def _build_chain(self):

"""RAGチェーンを構成"""

prompt = ChatPromptTemplate.from_messages([

("system", """あなたは社内ドキュメントベースのQ&Aアシスタントです。

以下のコンテキストに基づいて質問に回答してください。

ルール：

1. コンテキストにある情報のみを使用してください。

2. 確信がない場合は「関連ドキュメントが見つかりませんでした」と答えてください。

3. 回答に出典ドキュメントを含めてください。

4. コードやコマンドがある場合はコードブロックでフォーマットしてください。

コンテキスト：

{context}"""),

("human", "{question}")

])

def format_docs(docs):

formatted = []

for i, doc in enumerate(docs):

source = doc.metadata.get("source", "unknown")

formatted.append(f"[ドキュメント {i+1}] ({source})\n{doc.page_content}")

return "\n\n---\n\n".join(formatted)

chain = (

{"context": self.retriever | format_docs, "question": RunnablePassthrough()}

| prompt

| self.llm

| StrOutputParser()

)

return chain

def ask(self, question: str) -> dict:

"""質問に回答"""

関連ドキュメントを検索

docs = self.retriever.invoke(question)

LLM生成

answer = self.chain.invoke(question)

出典ドキュメント情報

sources = list(set(

doc.metadata.get("source", "unknown") for doc in docs

))

return {

"answer": answer,

"sources": sources,

"num_docs": len(docs)

}

def refresh_index(self):

"""インデックスの更新"""

from indexer import index_documents

self.vectorstore = index_documents()

self.retriever = self.vectorstore.as_retriever(

search_type="mmr",

search_kwargs={"k": 5, "fetch_k": 20, "lambda_mult": 0.7}

)

self.chain = self._build_chain()

Slack Bot連携

Slackアプリの設定

1. https://api.slack.com/apps で新しいアプリを作成

2. Socket Modeを有効化

3. Bot Token Scopesを追加：

- app_mentions:read

- chat:write

- im:history

- im:read

- im:write

4. Event Subscriptionsを有効化：

- app_mention

- message.im

5. ワークスペースにインストール

Slack Botの実装

main.py

from slack_bolt import App

from slack_bolt.adapter.socket_mode import SocketModeHandler

from rag_chain import RAGChain

from dotenv import load_dotenv

load_dotenv()

logging.basicConfig(level=logging.INFO)

Slack Appの初期化

app = App(token=os.environ["SLACK_BOT_TOKEN"])

RAG Chainの初期化

rag = RAGChain()

@app.event("app_mention")

def handle_mention(event, say, client):

"""@メンションで質問を受ける"""

user = event["user"]

text = event["text"]

channel = event["channel"]

thread_ts = event.get("thread_ts", event["ts"])

ボットメンションを除去

question = text.split(">", 1)[-1].strip()

if not question:

say(

text="質問を入力してください！例：`@DocBot デプロイ手順を教えて`",

thread_ts=thread_ts

)

return

ローディングメッセージ

loading_msg = client.chat_postMessage(

channel=channel,

thread_ts=thread_ts,

text=":mag: ドキュメントを検索しています..."

)

try:

RAGクエリ

result = rag.ask(question)

レスポンスのフォーマット

response = f"<@{user}>\n\n{result['answer']}"

if result["sources"]:

sources_text = "\n".join(f"• `{s}`" for s in result["sources"])

response += f"\n\n:page_facing_up: *参考ドキュメント:*\n{sources_text}"

ローディングメッセージを更新

client.chat_update(

channel=channel,

ts=loading_msg["ts"],

text=response

)

except Exception as e:

logging.error(f"RAG error: {e}")

client.chat_update(

channel=channel,

ts=loading_msg["ts"],

text=f"申し訳ございません。エラーが発生しました: {str(e)}"

)

@app.event("message")

def handle_dm(event, say):

"""DMで質問を受ける"""

if event.get("channel_type") != "im":

return

if event.get("bot_id"):

return

question = event["text"]

try:

result = rag.ask(question)

response = result["answer"]

if result["sources"]:

sources_text = "\n".join(f"• `{s}`" for s in result["sources"])

response += f"\n\n:page_facing_up: *参考ドキュメント:*\n{sources_text}"

say(text=response)

except Exception as e:

say(text=f"エラーが発生しました: {str(e)}")

@app.command("/docbot-reindex")

def handle_reindex(ack, say):

"""スラッシュコマンドでインデックスを更新"""

ack()

say("インデックスを更新しています... :hourglass_flowing_sand:")

try:

rag.refresh_index()

say("インデックスの更新が完了しました！ :white_check_mark:")

except Exception as e:

say(f"インデックスの更新に失敗しました: {str(e)}")

if __name__ == "__main__":

handler = SocketModeHandler(app, os.environ["SLACK_APP_TOKEN"])

print("Slack RAG Bot started!")

handler.start()

Dockerデプロイ

Dockerfile

FROM python:3.11-slim

WORKDIR /app

COPY requirements.txt .

RUN pip install --no-cache-dir -r requirements.txt

COPY . .

インデキシング後にボットを起動

CMD ["python", "main.py"]

docker-compose.yml

version: '3.8'

services:

slack-rag-bot:

build: .

env_file: .env

volumes:

- ./documents:/app/documents

- ./chroma_db:/app/chroma_db

restart: unless-stopped

ビルドと実行

docker compose up -d

ログの確認

docker compose logs -f

パフォーマンス最適化

エンベディングキャッシュ

from langchain.storage import LocalFileStore

from langchain.embeddings import CacheBackedEmbeddings

store = LocalFileStore("./embedding_cache")

cached_embeddings = CacheBackedEmbeddings.from_bytes_store(

underlying_embeddings=OpenAIEmbeddings(model="text-embedding-3-small"),

document_embedding_cache=store,

namespace="text-embedding-3-small"

)

会話履歴（スレッドコンテキスト）

from langchain.memory import ConversationBufferWindowMemory

スレッドごとのメモリ管理

thread_memories = {}

def get_memory(thread_ts: str) -> ConversationBufferWindowMemory:

if thread_ts not in thread_memories:

thread_memories[thread_ts] = ConversationBufferWindowMemory(

k=5,

memory_key="chat_history",

return_messages=True

)

return thread_memories[thread_ts]

まとめ

Slack RAGチャットボットのキーポイント：

1. **ドキュメントチャンキング**：RecursiveCharacterTextSplitterで意味単位の分割

2. **ベクトル検索**：MMR（Maximum Marginal Relevance）で多様なドキュメント検索

3. **プロンプト**：出典明記＋不確実な場合は正直に答えるよう設計

4. **Slack連携**：Socket Mode + app_mention/DMイベント処理

5. **再インデキシング**：スラッシュコマンドでドキュメント更新を反映

**Q1. RAGのフルネームと核心的なアイデアは？**

Retrieval-Augmented Generation。外部知識を検索してLLMの生成に活用すること。

**Q2. RecursiveCharacterTextSplitterのchunk_overlapの役割は？**

チャンク間に重複部分を設けてコンテキストの損失を防ぐこと。

**Q3. MMR（Maximum Marginal Relevance）検索の利点は？**

類似度が高いドキュメントだけを返すのではなく、多様性も考慮して重複を削減すること。

**Q4. Slack Socket Modeの利点は？**

公開URL/インバウンドポートなしでWebSocketを介してイベントを受信できること。

**Q5. プロンプトで「コンテキストにある情報のみを使用してください」と明示する理由は？**

LLMのハルシネーションを防止し、ドキュメントベースの正確な回答を誘導するため。

**Q6. thread_tsを使用する理由は？**

Slackスレッド内で会話コンテキストを維持するため。

**Q7. エンベディングキャッシュの効果は？**

同一ドキュメントへの繰り返しエンベディングAPI呼び出しを防止し、コストと時間を節約すること。

クイズ

Q1: 「Slack Bot + LangChain RAGチャットボット構築実践ガイド —

社内ドキュメント検索ボットを作る」の主なトピックは何ですか？

LangChainとRAGを活用して社内ドキュメントを検索するSlackチャットボットを構築します。ドキュメントのエンベディング、ベクトルDB、プロンプトエンジニアリング、Slack

Bolt連携まで全コードを解説します。

依存関係のインストール 環境変数 プロジェクト構造

Slackアプリの設定 Slack Botの実装

エンベディングキャッシュ 会話履歴（スレッドコンテキスト）