
AIが勝手にツールを選択『Claude Agent SDK』を使って、考えるRAGシステムを作ってみた。
どーも!みなさんおひさしブリーフ!

「AIブログ」でございます。
忙しくてさぼっておりました。スマソ。
「忙しすぎて、もう一人自分が欲しいんだよねー。」とか言ってる奴、周りにいませんか?
おまわりさん、私です。うざぁ。
そんな私がくだらん言い訳をしている間にも、AIの進化は、とどまる事を知りません。AI市場は常にTomorrow never knows…なんて言っておりますね(゚Д゚)ハァ?
とまあ、最近で言うと、Anthropicで『Claude Agent SDK 』なるものが登場しました。
もとは『Claude code SDK』と言う名称でしたが、なんかパワーアップしましたようです。
「まぁそんな事言って、そこまで変わって無いんでしょ?」と思われている、あなた!

Claude Agent SDKとは
今までとの違いはなんでしょうか。
以前の『Claude Code SDK』 では、エディタ補助・開発支援がメイン。
例えば、「このコードを直して」とお願いすると修正してくれるのような感じです。
『Claude Agent SDK』 はと言うと、
コードを書いたり、ファイルを読んだり、メールを送ったり、AI自身が他のアプリに指示をすることができたりします。
なんかわかるようなわからんような…←私
なので、理解を深めるために、「Claude Agent SDK」で何かやってよう!というのが今日の本題。
…で私が作りたいシステムを発表しますッ!
私が作りたいシステムは!!ドゥルルルルル バンッ!!

いや、またかいっ!
なにかっつーとすぐ「RAG」なんだよ私は。想像力の欠片も有りませんね。
変わり映えしないと言われてもですね。
難しい開発は無理なんですよ…

とは言え、アーキテクチャーは全然違います。
以前RAGシステムを作った時はClaude codeで『操作盤を作る』でしたが、
今回は『Claudeに操作盤を渡す』(必要なツールを与え、自律的に使わせる)になりますので、そこに注目していきましょう。
システム構成
さて、まずどんな構成で作るのか。
以前のClaude codeでは
Web画面に質問したら、裏でLangChainがDB検索して回答するという
自分で全部の配線を組んだ“RAG装置”。
corporate_faq_bot/
├── src/
│ ├── document_processor/ ← 取込・前処理
│ ├── vector_store/ ← ベクトルDB操作
│ ├── rag_engine/ ← 検索・生成ロジック
│ └── data_connectors/ ← NotePM等の外部連携
├── data/
│ ├── documents/ ← 原文書(PDF/Word/MD)
│ └── vector_db/ ← ChromaDBの永続領域
├── web_ui.py ← Flaskサーバ
├── update_vectordb.py ← 完全再構築
└── requirements.txt ← Python依存今回は、Claudeが「検索ツールを使うべきだ」と思ったら searchDocs を呼び、検索結果を見てから答えると言う感じで
自分で判断してツールを呼び出すコンパクトな構成。
agent-rag-mini/
├─ docs/ # 検索対象(txt/md/xlsx)
├─ chat.mjs # チャットRAG(/reload, /k 対応)
├─ rag.mjs # 単発質問RAG
├─ .env # ANTHROPIC_API_KEY
└─ package.json
APIキーの取得
APIキーを今回は使います。
私は『Claude Pro』という有料プランに契約してるから、そんなものが無くても一向にかまわんッッ!!!

普通にAPIを使用しますので、最低$5はかかります。
まずはクレジットを購入して、claude consoleでAPIキーを作りましょう。

プロジェクト作成
環境を作りです。
「Node.jsの開発環境(プロジェクト雛形)」を作っていきます。
Windowsなのでpowershellでやっていきますよー。
Macは知らん。
作業フォルダを作って、Node.jsのプロジェクトとして初期化します。
そして必要なライブラリを入れていきます。
cd $env:USERPROFILE\Desktop
mkdir agent-rag-mini
cd agent-rag-mini
npm init -y
npm i dotenv tsx zod @anthropic-ai/claude-agent-sdkagent-rag-miniの中に必要パッケージもインストールしていきますよ。
npm i -E @anthropic-ai/claude-agent-sdk zod node-fetch
npm i -D typescript ts-node @types/node
npx tsc --init
mkdir src, docsAPIキーの設定
.envファイルにAPIキーを記述します。

これでファイルを開いて
notepad ..envAPIキーをぶち込みまくります。
漏洩と失念に注意。
ANTHROPIC_API_KEY=sk-ant-xxxxxxxxxxxxxxxxちなみに.env の値は パスワードなど外部に出さないのが基本。
コードからは dotenv 経由で読み込むようにしておく事でセキュリティを担保しています。
API疎通テスト
ここまで出来たら、APIが正しく呼べるか確認をしていきます。
これでファイルを開いて
mkdir src
notepad .\src\apitest.ts下記のコードを入れておきます。
import "dotenv/config";
const apiKey = process.env.ANTHROPIC_API_KEY;
if (!apiKey) {
console.error("❌ ANTHROPIC_API_KEY が読み込めていません");
process.exit(1);
}
async function main() {
const res = await fetch("https://api.anthropic.com/v1/messages", {
method: "POST",
headers: {
"content-type": "application/json",
"x-api-key": apiKey,
"anthropic-version": "2023-06-01"
},
body: JSON.stringify({
model: "claude-sonnet-4-5", // ← ここが重要!(404対策)
max_tokens: 50,
messages: [{ role: "user", content: "Hello Claude!" }]
})
});
if (!res.ok) {
console.error("❌ APIエラー:", res.status, await res.text());
process.exit(1);
}
const data = await res.json();
console.log("✅ 認証成功! Claudeからの応答:");
console.log(data.content?.[0]?.text ?? JSON.stringify(data));
}
main().catch(e => console.error("❌ 通信エラー:", e));
以下を実行します。
npx tsx .\src\apitest.tsエラーが出なければAPIがつながっているという事なんですが…
私はつながらずに2時間ほど悶えておりました。

原因は2つ。
①購入したクレジットと作成したAPIキーと同じ組織で繋がっていなかった
APIキーとの紐づけが出来ていなかったようで、いくら呼んでもAPIが無反応でした。


ちなみにAPIキーを改めて作成したら問題無く使えました。あの無駄な時間はなんだったんだ。
②モデル名を間違える
"claude-sonnet-4-5"でなく、claude-3-5-sonnet-latestとずっと旧バージョンで設定していました。
AIが旧モデル名でコードを生成していたので、全く気付かなかった。
このコードが何をするべきものなのかちゃんと見返してから実行しないと、原因の追究が難しくなるんですけど、どうしても頼りきりになっちゃう

もうええわ
…でなんとか疎通確認もできて構築ほぼ完了。
RAG(単発質問版)を作る
テキストに取り出したい情報を入れていきます。

docsの中に[hr-policy.txt] を作ります。
みんなが知りたい「弊社東京オフィス」の情報と「私のプロフィール」でも入れておきましょう。
mkdir docs
"株式会社 エンプレイ 東京オフィス情報
東京ソリューション部 永井 宏昌
e-mail: nagai_hiromasa@emplayee.co.jp
東京オフィス TEL:03-6277-3926 FAX:03-6277-3927
携帯電話:090-3530-1386
〒103-0004 東京都中央区東日本橋2-24-7 東京プラスチック会館7階
URL:https://emplayee.co.jp/
" | Set-Content -Encoding UTF8 .\docs\hr-policy.txt
次にRAGのベース構築を、この[rag.mjs]にしていきます。

[rag.mjs]上に下記のコードを記載します。
@'
import "dotenv/config";
import { promises as fs } from "fs";
import path from "path";
import { fileURLToPath } from "url";
import readline from "readline";
import xlsx from "xlsx";
const __filename = fileURLToPath(import.meta.url);
const __dirname = path.dirname(__filename);
const API_URL = "https://api.anthropic.com/v1/messages";
const MODEL = "claude-sonnet-4-5";
const DOCS_DIR = path.join(__dirname, "docs");
// ---- utils ----
function chunkText(t, size=900, overlap=150){
const out=[]; for(let i=0;i<t.length;i+=size-overlap) out.push(t.slice(i,i+size));
return out.map(s=>s.trim()).filter(Boolean);
}
function cosine(a,b){
let dot=0,na=0,nb=0;
for(let i=0;i<a.length;i++){dot+=a[i]*a[i];na+=a[i]*a[i];nb+=b[i]*b[i];}
return dot/(Math.sqrt(na)*Math.sqrt(nb)+1e-9);
}
async function embed(texts){
const r = await fetch("http://localhost:11434/api/embeddings", {
method:"POST", headers:{ "content-type":"application/json" },
body: JSON.stringify({ model:"nomic-embed-text", input:texts })
});
if(!r.ok) throw new Error(`Ollama embeddings error: ${r.status} ${await r.text()}`);
const data = await r.json();
return Array.isArray(data.embeddings) ? data.embeddings : [data.embedding];
}
// ---- ingest (txt/md/xlsx) ----
async function ingestDocs(){
const kb=[];
try{
// txt/md
const files = (await fs.readdir(DOCS_DIR)).filter(f => /\.(txt|md)$/i.test(f));
for (const file of files){
const raw = await fs.readFile(path.join(DOCS_DIR, file), "utf8");
const parts = chunkText(raw);
const vecs = await embed(parts);
parts.forEach((text,i)=> kb.push({ id:`${file}-${i}`, source:file, text, vector:vecs[i]}));
}
// xlsx
const excels = (await fs.readdir(DOCS_DIR)).filter(f => /\.xlsx$/i.test(f));
for (const file of excels) {
const wb = xlsx.readFile(path.join(DOCS_DIR, file));
for (const sheetName of wb.SheetNames) {
const sheet = wb.Sheets[sheetName];
const csv = xlsx.utils.sheet_to_csv(sheet);
const parts = chunkText(csv);
const vecs = await embed(parts);
parts.forEach((text, i) =>
kb.push({ id: `${file}-${sheetName}-${i}`, text, source: `${file}(${sheetName})`, vector: vecs[i] })
);
}
}
console.log(`Ingested ${kb.length} chunks from ${new Set(kb.map(x=>x.source)).size} files.`);
}catch(e){
if(String(e).includes("ENOENT")) console.log("docs フォルダが見つかりませんでした(空でもOK)。");
else throw e;
}
return kb;
}
function searchKB(kb, qv, k=5){
return kb.map(c=>({ c, score: cosine(qv, c.vector)}))
.sort((a,b)=> b.score-a.score).slice(0,k);
}
async function askClaude({ systemPrompt, messages }){
const key = process.env.ANTHROPIC_API_KEY;
if(!key) throw new Error("ANTHROPIC_API_KEY が見つかりません");
const r = await fetch(API_URL, {
method:"POST",
headers:{
"content-type":"application/json",
"x-api-key": key,
"anthropic-version":"2023-06-01"
},
body: JSON.stringify({
model: MODEL,
max_tokens: 800,
system: systemPrompt,
messages
})
});
if(!r.ok) throw new Error(`Claude API error: ${r.status} ${await r.text()}`);
const data = await r.json();
return data?.content?.[0]?.text ?? JSON.stringify(data);
}
// ---- chat loop ----
const help = `
コマンド:
/help ヘルプ
/exit 終了
/reload docs を再読み込み
/k <n> top-k を変更
`;
let TOP_K = 5;
let kb = await ingestDocs();
const chatHistory = [];
const rl = readline.createInterface({ input: process.stdin, output: process.stdout });
console.log("\n=== Chat RAG (txt/md/xlsx) === 質問をどうぞ。(/help)\n");
async function handleQuestion(q){
if(!q.trim()) return;
if(q.startsWith("/")){
const [cmd,arg] = q.split(/\s+/,2);
if(cmd==="/exit"){ rl.close(); return process.exit(0); }
if(cmd==="/help"){ console.log(help); return; }
if(cmd==="/reload"){ kb = await ingestDocs(); return; }
if(cmd==="/k"){
const n = parseInt(arg,10);
if(Number.isFinite(n) && n>0){ TOP_K=n; console.log(`top-k=${TOP_K}`); }
else console.log("例: /k 8");
return;
}
console.log("未知のコマンドです。/help を参照してください。");
return;
}
const [qv] = await embed([q]);
const hits = searchKB(kb, qv, TOP_K);
const context = hits.map((h,i)=>`[${i+1}] source:${h.c.source}\n${h.c.text}`).join("\n\n");
const systemPrompt = [
"あなたは社内文書とExcelの検索アシスタントです。",
"以下のコンテキストのみを根拠に日本語で簡潔に答えてください。",
"最後に使用した根拠を [n] source: ファイル名 の形式で列挙してください。",
"根拠が不足する場合は『不足』と明示してください。"
].join("\n");
const recent = chatHistory.slice(-8);
const messages = [
...recent,
{ role: "user", content: `## コンテキスト\n${context || "(該当なし)"}\n\n## 質問\n${q}` }
];
const answer = await askClaude({ systemPrompt, messages });
console.log("\n--- 回答 -------------------------\n");
console.log(answer);
console.log("\n---------------------------------\n");
chatHistory.push({ role:"user", content:q });
chatHistory.push({ role:"assistant", content:answer });
}
(function loop(){
rl.question("> ", async (q)=>{
try{ await handleQuestion(q); }
catch(e){
console.error("❌ エラー:", e.message || e);
if(String(e).includes("11434")){
console.error("→ `ollama serve` を起動。初回は `ollama run nomic-embed-text` を一度実行。");
}
} finally { loop(); }
});
})();
'@ | Set-Content -Encoding UTF8 .\chat.mjs
流れとしては
① .env 読み込んでClaude APIキーをロード
② Ollamaから埋め込み生成 nomic-embed-text モデルで文書をベクトル化
③ docs/ フォルダの文書読込 テキスト分割(チャンク化)してベクトルに変換
④ 質問のベクトルを計算
⑤ Claude APIに質問 「文脈+質問」を投げて回答を生成
⑥ 出力 回答+根拠(source: ファイル名)を表示
ざっくり言うと
docs を読む → ベクトル化 → 類似検索 → Claudeに投げるこんな流れをここで作ってます。
RAG実行
早速実行してみます。
以下のコードを打ち込みます。
node .\rag.mjsこんな感じで表示されて、質問を促してきますので

するとdocs/からテキストを検索して情報を出してくれました。

ちゃんと出ました。
ちなみにdocs/の中に社員情報のExcelファイルを入れれば
Excelの情報からも回答することもできますよ。

RAGシステム完成です!!パチパチパチ
まとめ
さぁ、『Claude Agent SDK』の良さ1mmぐらい伝わったでしょうか。
わかんないですよね?www(おい!)
正直、私としても色々やった割に地味な完成体で、こりゃ困ったもんです。
開発自体は面白かったんですが、まとめ方が下手ですみません。
もうちょっと精進して、リベンジしたいと思います。

とりあえず今回の特長としては、「AIが作る」から「AIが考えて選択する」ことができる!

何か機能を追加するときには「Claude code SDK」では
また一から作り直さなければいけませんが
「ClaudeAgentSDK」の場合は、自分で選択できるので既存コードはそのままで、利用可能なツールを提供するだけでいいんです。
これめっちゃ汎用性高いですよね。
ボットではない自律的なアシスタント。
複数のツールを与えておけば、回答を出すために、適切なツールをいくつも使って、導いてくれる。
なんか楽しみな未来でもあり、ちょっと怖い未来も同時に想像しちゃいますね。マジでアシスタントやん。
でも「こうなるかも…」みたいな怖い事を考えると、今何をすべきかが見えてくるので、結構大事な事ですね。
今回はちょっと地味目な記事でしたが、今後小さくない影響をあたえてきそうな「ClaudeAgentSDK」
この名前だけ憶えて帰ってください。
あとちゃんとブログ更新します。ではでは。