従来のRAG構築がなぜ大変だったか

これまでRAGシステムを作ろうと思ったら、以下のステップを全部自分で実装する必要がありました。

ドキュメントを適切な単位に分割（チャンク化）
各チャンクをベクトル化（エンベディング生成）
ベクトルデータベースへの保存と管理
クエリ時のセマンティック検索
検索結果をLLMに渡して回答生成

LangChainやLlamaIndexを使えばだいぶ楽にはなりますが、それでもPineconeやWeaviateなどのベクトルDBを別途契約して、スケーリングやメンテナンスを考える必要がありました。

File Search APIで全部自動化

Gemini APIの「File Search」は、上記すべてのステップをGoogleが管理してくれるフルマネージドサービスです。開発者がやることは、ファイルをアップロードして質問するだけ。

from google import genai
from google.genai import types

client = genai.Client()

# File Search Storeを作成
file_search_store = client.file_search_stores.create(
    config={'display_name': 'my-knowledge-base'}
)

# ファイルをアップロード
operation = client.file_search_stores.upload_to_file_search_store(
    file='technical_manual.pdf',
    file_search_store_name=file_search_store.name,
    config={'display_name': 'Technical Manual'}
)

# アップロード完了を待機
import time
while not operation.done:
    time.sleep(5)
    operation = client.operations.get(operation)

# 質問する
response = client.models.generate_content(
    model="gemini-2.5-flash",
    contents="セットアップ手順を教えて",
    config=types.GenerateContentConfig(
        tools=[
            types.Tool(
                file_search=types.FileSearch(
                    file_search_store_names=[file_search_store.name]
                )
            )
        ]
    )
)

print(response.text)

このコードだけで、PDF文書に基づいた回答が返ってきます。チャンク化？エンベディング？ベクトルDB？全部勝手にやってくれる。

対応ファイル形式が豊富

サポートされるファイル形式がかなり広いのも嬉しいポイントです。

ドキュメント系では、PDF、Word（.docx）、Excel、テキスト、Markdown、HTML、JSON、LaTeXなど。プログラミング言語では、Python、JavaScript/TypeScript、Java、C/C++、SQL、Shell Scriptまで対応しています。

つまり、コードベースとビジネスドキュメントを両方放り込んで、統合的な知識ベースを作れるわけです。

料金体系が革新的

ここが一番驚いたところ。

ファイルストレージ：無料
クエリ時のエンベディング生成：無料
セマンティック検索の実行：無料
初期インデックス化：$0.15/100万トークン

要は、最初にファイルを登録するときだけ課金されて、その後はストレージもクエリも無料。従来のPinecone等を使ったRAGでは、ホスティング費用が月額数十ドル〜数千ドルかかっていたことを考えると、かなり破格です。

実際に計算してみると、200ファイル・500万トークンで初期費用が約0.75ドル（110円程度）。その後の維持費は無料です。

自動引用機能がすごい

個人的に一番感動したのがこれ。回答には、その根拠となったドキュメントの該当箇所が自動的に含まれます。

# 引用情報の取得
grounding_info = response.candidates[0].grounding_metadata
print(f"使用されたソース: {grounding_info}")

これにより「この回答、本当に正しいの？」という疑問に対して、「ここに書いてあります」と即座に答えられます。ハルシネーション（AIの嘘）対策としてめちゃくちゃ有効。

NotebookLMを使ったことがある人なら、あの「引用付きの回答」がそのまま自分のアプリに組み込めると思ってもらえれば。

メタデータフィルタリングで絞り込み

ファイルにカスタムメタデータを付けて、検索時に絞り込むことも可能です。

# メタデータ付きでインポート
operation = client.file_search_stores.import_file(
    file_search_store_name=file_search_store.name,
    file_name=sample_file.name,
    custom_metadata=[
        {"key": "department", "string_value": "engineering"},
        {"key": "version", "numeric_value": 2.0}
    ]
)

# 検索時にフィルタリング
response = client.models.generate_content(
    model="gemini-2.5-flash",
    contents="認証の仕組みについて教えて",
    config=types.GenerateContentConfig(
        tools=[
            types.Tool(
                file_search=types.FileSearch(
                    file_search_store_names=[file_search_store.name],
                    metadata_filter='department="engineering" AND version >= 2.0'
                )
            )
        ]
    )
)