RAGを組みたいのに、ベクトルDB・埋め込み・検索・生成を別々のライブラリでつなぐのは面倒です。RAGLiteは、その工程を1つのPythonツールキットにまとめたOSSです。

この記事では、RAGLiteが解決する課題と、DuckDB・PostgreSQLを使った実装の要点を整理します。

この記事でわかること

  • RAGLiteが何を担うツールか
  • DuckDB・PostgreSQLでのハイブリッド検索の仕組み
  • LiteLLMやllama-cpp-pythonとの連携方法
  • LangChainなど既存スタックとの違い
GitHub - superlinear-ai/raglite: 🥤 RAGLite is a Python toolkit for Retrieval-Augmented Generation (RAG) with DuckDB or PostgreSQL
🥤 RAGLite is a Python toolkit for Retrieval-Augmented Generation (RAG) with DuckDB or PostgreSQL - superlinear-ai/raglit…
GitHub

RAGLiteとは

RAGLiteは、ベルギーのAIコンサルティング企業Superlinearが開発するPython向けRAGツールキットです。Retrieval-Augmented Generation（RAG）は、外部文書を検索してLLMの回答根拠にする手法を指します。

pip install ragliteで導入でき、最新版はv1.1.1（2026年5月18日リリース）です。GitHubでは1,100超のスターを獲得しており、MPL-2.0ライセンスで公開されています。

なぜRAG実装が難しくなるのか

RAGパイプラインは、文書取り込み、チャンク分割、埋め込み、検索、再ランキング、回答生成の6段階に分かれます。それぞれ別ライブラリを選ぶと、設定ファイルと依存関係が増え、ローカル検証のたびに環境構築が必要になります。

専用ベクトルDBを立てる方法もありますが、小規模な検証や個人開発では運用コストが重くなりがちです。RAGLiteは、検索基盤をDuckDBかPostgreSQLに寄せることで、この複雑さを下げます。

RAGLiteが担う機能

RAGLiteは取り込みから回答生成までを1パッケージで扱います。主な機能は次のとおりです。

データベースと検索

DuckDBをデフォルトに、PostgreSQLも選べます。DuckDBでは全文検索（FTS）とベクトル検索（VSS）、PostgreSQLではtsvectorとpgvectorを組み合わせ、キーワード検索とベクトル検索のハイブリッド検索をDBネイティブ機能で実行します。

LLM・埋め込みの選択

LiteLLM経由でOpenAIやAnthropicなどのAPIモデルを指定できます。ローカル実行にはllama-cpp-python形式の識別子（例: llama-cpp-python/unsloth/Qwen3-8B-GGUF/*Q4_K_M.gguf@8192）も使えます。macOSではMetal、Linux・WindowsではCUDAによる高速化にも対応しています。

チャンク処理の品質

late chunking（遅延チャンキング）とコンテキスト付き見出しにより、チャンク単位の埋め込み精度を上げます。文書はセマンティックチャンキングで分割され、PDFはMarkdownへ変換してからDBへ格納されます。

検索の高度化

再ランキングにはrerankersライブラリを使い、デフォルトは多言語対応のFlashRankです。v1.1.1ではメタデータフィルタ、セルフクエリ（LLMが検索条件を自動生成）、エージェント型RAG（反復的なサブエージェント検索）も追加されています。

周辺連携

MCP（Model Context Protocol）サーバーを内蔵し、Claude Desktopからナレッジベース検索ツールを呼び出せます。raglite[chainlit]を入れると、Web・Slack・Teams向けのチャットUIも立ち上げられます。

基本的な使い方

まずRAGLiteConfigでDB接続先、LLM、埋め込みモデルを指定します。

from raglite import RAGLiteConfig

my_config = RAGLiteConfig(
    db_url="duckdb:///raglite.db",
    llm="gpt-4o-mini",
    embedder="text-embedding-3-large",
)

文書はDocument.from_path()やDocument.from_text()で登録し、insert_documents()で取り込みます。検索はhybrid_search()、回答生成はrag()で実行できます。

適応型RAGモードでは、LLMが質問内容を見て検索の要否を判断します。検索クエリの生成からハイブリッド検索・再ランキングまでを自動で回し、根拠文書をコンテキストに載せて回答をストリーミングします。

手動制御が必要な場合は、検索・再ランキング・コンテキスト付与の各関数を個別に呼び出すプログラマブルRAGも選べます。

料金

RAGLite本体は無料のオープンソースです。利用料が発生するのは、OpenAIなど外部LLM APIを使う場合や、クラウド上のPostgreSQLを借りる場合に限られます。DuckDBをローカルファイルで動かし、llama-cpp-pythonでモデルを実行すれば、API課金なしの構成も組めます。

LangChainなどとの違い

RAGLiteのREADMEは、PyTorchやLangChainへの依存を避けた軽量設計を明示しています。LangChainは汎用オーケストレーション向けで、検索基盤や埋め込みは利用者が別途選びます。RAGLiteはRAG専用に機能を絞り、DB・検索・チャンク処理・生成を最初から一体化しています。

PineconeやWeaviateのような専用ベクトルDBと比べると、RAGLiteは既存のSQL系DBに検索を寄せる点が特徴です。小規模な社内文書検索からPostgreSQL本番環境への移行まで、同じAPIで段階的に拡張しやすい構成です。

導入を検討する読者像

RAGLiteは、RAGの仕組みをコードで理解しながら最短で動かしたいPython開発者に向いています。late chunkingやハイブリッド検索を試したい場合、専用ベクトルDBを新規に立てずに検証を始めたい場合にも適しています。

一方、LangGraphベースの複雑なマルチエージェント設計や、既存のLangChain資産をそのまま流用したい場合は、RAGLite単体ではなく併用・比較検討の対象になります。まずはDuckDBと無料枠のAPIで動かし、精度要件に応じて再ランキングやクエリアダプタ（評価データから最適な埋め込み変換を学習する機能）を足す進め方が現実的です。