DAY56｜AI社員が会社の知識を使って仕事をする

RAGをAI社員の仕事へ

DAY53では、Company AI OSにKnowledge Baseを作りました。

DAY54では、そのKnowledge Baseを使って、実際に会社の知識を検索しました。

そしてDAY55では、検索したRelevant ChunksをAI Coreに渡し、会社の知識を根拠としてAIが回答できるところまで進みました。

ここまで来ると、次の疑問が出てきます。

「このRAGを、AI社員の仕事にも使えるのではないか？」

DAY56では、ここに進みます。

1．RAGの次へ

これまでのRAGは、

ユーザー
   ↓
質問
   ↓
RAG Search
   ↓
Relevant Chunks
   ↓
AI Core
   ↓
回答

という流れでした。

これは非常に重要な仕組みです。

しかし、AIが会社の中で仕事をすることを考えると、単に質問に答えるだけでは十分ではありません。

AI社員自身が、

「仕事に必要な会社の知識を探す」

必要があります。

そこで今回は、RAGをAI社員の業務に組み込みます。

2．AI社員に仕事を頼む

HiroがAI社員に仕事を依頼します。

「このプロジェクトについて、過去の資料を調べてまとめてくれる？」

AI社員は、この依頼を単なる質問として受け取るのではありません。

これは一つのTask（仕事）です。

例えば、

Task

このプロジェクトについて
過去の資料を調べて
概要をまとめる

という仕事になります。

ここからAI社員自身が会社の知識を探し始めます。

3．AI社員がKnowledge Baseを検索する

AI社員は、仕事に必要な情報を取得するためにKnowledge Baseを検索します。

流れは、

AI社員
   ↓
質問・タスク
   ↓
RAG Search
   ↓
Relevant Chunks

です。

ここが今回の重要なポイントです。

RAGがAI社員の内部機能として動き始めた

ということです。

これまでは人間が質問して、RAGが検索していました。

今回は、

AI社員が仕事を受ける
→ 必要な情報を判断する
→ RAGで検索する

という流れになります。

4．必要な会社の知識を取得する

Knowledge Baseには、会社のさまざまな情報があります。

今回のタスクでは、例えば次のような資料が関係します。

• プロジェクト資料

• 技術資料

• 過去の開発記録

• 社内ルール

AI社員は、これらの中からタスクに関連する情報を取得します。

つまり、Knowledge Baseは単なる「資料置き場」ではありません。

AI社員が仕事をするための会社の知識基盤

になってきます。

5．取得した知識をAI Coreへ渡す

検索によってRelevant Chunksが取得できました。

しかし、検索しただけでは仕事は完成しません。

取得した情報をAI Coreへ渡します。

Task
 ↓
Relevant Chunks
 ↓
AI Core
 ↓
Reasoning

ここで初めて、

「検索した知識を仕事のために利用する」

段階へ進みます。

AI Coreは、依頼されたTaskとRelevant Chunksを組み合わせて、必要な情報を整理します。

6．AI社員が仕事の結果を作る

AI Coreで処理された情報をもとに、AI社員が仕事の結果を作ります。

今回の例では、

プロジェクト概要

や、

過去の経緯

などを整理します。

ここで、RAGの役割が少し変わって見えてきます。

RAGは、

「会社の資料を検索するためだけの機能」

ではありません。

会社の知識をAIに渡し、

AIが仕事をするための材料を提供する仕組み

として使うことができます。

7．AI社員と会社の知識がつながる

ここまでの流れを整理すると、こうなります。

会社の知識
     ↓
Knowledge Base
     ↓
RAG
     ↓
AI Core
     ↓
AI社員
     ↓
仕事

これまで作ってきたKnowledge Base、RAG、AI Coreが、ここでAI社員とつながりました。

Hiroが感じたのは、まさにこの部分です。

「なるほど。
RAGは検索機能じゃない。
AI社員が会社の知識を使うための仕組みなんだ。」

これは今回のDAY56で一番重要なところです。

8．AI社員が会社を知る

今回の開発によって、

AI社員が会社の知識を使えるようになりました。

会社の資料を保存する。

↓

必要な情報を検索する。

↓

Relevant Chunksを取得する。

↓

AI Coreで処理する。

↓

AI社員が仕事に利用する。

この流れができることで、AI社員は単独のLLMではなく、会社の知識とつながった存在になってきます。

もちろん、これだけで完全なAI社員が完成したわけではありません。

まだ、

• どの仕事を受けるのか

• どのように仕事を分解するのか

• どのツールを使うのか

• 結果をどのように保存するのか

• 次の仕事をどう実行するのか

など、これから作る部分があります。

しかし、

「AI社員が会社の知識を使って仕事をする」

という重要な一歩は踏み出せました。

9．DAY53〜DAY56の流れ

ここまでの4日間を並べてみます。

DAY53
Knowledge Base
会社の知識を検索できる形にする

        ↓

DAY54
RAG Search
会社の知識を検索する

        ↓

DAY55
RAG Answer
検索した知識を使ってAIが回答する

        ↓

DAY56
AI Employee × RAG
AI社員が会社の知識を使って仕事をする

保存 → 検索 → 回答 → 仕事

という流れです。

ここまで来ると、Company AI OSの「会社の知識」が、少しずつ実際の業務につながってきました。

10．次のステップ

DAY56で、RAGとAI社員がつながりました。

次は、このAI社員がさらに実際の仕事を進められるようにしていきます。

RAGから一歩進んで、

AI Agent

そして、

Workflow

へ。

AI社員が、

仕事を受ける
 ↓
仕事を理解する
 ↓
必要な知識を探す
 ↓
AI Coreで処理する
 ↓
結果を作る
 ↓
次の処理へ進む

という流れを作れるようになれば、Company AI OSはさらに「システム」らしくなっていきます。

DAY56は、そのための重要な接続点になりました。

DAY56 まとめ

今回のポイントは一つです。

RAGを検索機能で終わらせず、AI社員の仕事に利用する。

Knowledge Baseに会社の知識を蓄積し、RAGで必要な情報を取り出し、AI Coreで処理する。

そして、その知識をAI社員が実際の仕事に利用する。

Company Knowledge
        ↓
Knowledge Base
        ↓
RAG
        ↓
AI Core
        ↓
AI Employee
        ↓
Work

Company AI OSは、少しずつ

「会社の知識を持つAI」から「会社の知識を使って仕事をするAI」

へ進んでいます。

DAY56｜AI EMPLOYEE × RAG

GitHubでDAY56の実装内容とコードを公開しています。
https://github.com/hoshino122-alt/Company-AI-OS/blob/main/README.md

#CompanyAIOS
#AI社員
#RAG
#KnowledgeBase
#AIエージェント
#生成AI
#ローカルLLM
#Ollama
#Python
#100日開発