はじめに

私のデスクトップには、長年溜め込んだPDFが300ファイル以上眠っていました。クライアント提案書、業界レポート、書籍の抜粋、過去のメモ、Webからダウンロードした論文。どれも「いつか役に立つ」と保存したものでしたが、実際には開くこともなく、ファイル名すら忘れていく一方でした。検索しても結局見つからず、同じ内容をもう一度ググる。そんな日々が何年も続いていたのです。

転機は、Claude Projectsで個人RAG（Retrieval-Augmented Generation）を構築した日でした。プロジェクトに50ファイルを投入し、指示書を整備しただけで、私の知識資産は「眠っている資料」から「いつでも引き出せる外部脳」に変わりました。「あの提案書で書いた競合分析の枠組み、もう一度見せて」と聞けば、3秒で該当箇所を引用付きで返してくれる。検索性が劇的に変わったのです。

最初は私も「ファイルを大量にアップロードすれば賢くなるはず」と勘違いしていました。実際には、ただ投入しただけでは応答が遅くなり、的外れな回答が返ってくる。指示書が雑なままだと、どんなに良い資料を入れても精度は上がりません。何度も失敗しながら、構造化と前処理、指示書の書き方、検索プロンプトの型を学んでいきました。

この記事では、私が試行錯誤の末にたどり着いた個人RAG構築のフローを、知識ゼロの方でも再現できる形でまとめました。資料50ファイルの投入設計、応答精度を3倍にする指示書テンプレート、目的別の検索プロンプト30本、精度を高める3つのチューニング、そして資料を腐らせない月次更新ルーティン。読み終えた頃には、あなたも自分専用のナレッジRAGを動かせるようになっているはずです。

第1章: なぜClaude Projectsがナレッジ統合の最適解か——NotebookLM／Perplexityとの比較

私が個人RAGを構築するにあたって、最初の半年は迷走しました。NotebookLMで試し、Perplexity Spacesに乗り換え、ChatGPT Projectsも触り、最終的にClaude Projectsに落ち着いたのです。それぞれに長所と短所があり、目的によって最適解は変わります。本章では、私が実際に使い比べて感じた違いを整理します。

Claude Projects（Anthropic）は、プロジェクト単位でファイルと指示書を保持できる仕組みです。ファイルを一度アップロードすると、そのプロジェクト内のすべての会話で同じ資料が参照されます。指示書（Project Instructions）も保持されるため、毎回ロールや出力ルールを書き直す必要がありません。私が決め手にしたのは、長文資料への理解力と、引用元を明示する応答スタイルでした。

NotebookLMはGoogleが提供するノート型RAGで、最大50ソースまで投入できます。引用付き応答が標準で、音声概要（Audio Overview）という独自機能も魅力です。私も最初はNotebookLMを使っていましたが、出力の制御が難しく、指示書の細かい設定ができない点で物足りなさを感じました。研究用途や学習用途には強いですが、ビジネス文書の生成には弱い印象です。

Perplexity Spacesは、Webリサーチに強みがあります。アップロードしたファイルとWeb検索を組み合わせて回答してくれるため、最新情報を絡めたい場合に便利です。ただし、ファイル単体の深い読解はClaudeに分があり、長文の論理展開を任せたい場合は物足りません。私はWebリサーチ用と割り切って、サブツールとして併用しています。

ChatGPT ProjectsもClaude Projectsに近い構造ですが、ファイル数の上限と長文処理の安定性で差を感じました。GPT-4系は短文応答が速い一方、50ファイルを横断する複雑な質問では応答が浅くなる場面が私の検証では何度かありました。GPTsという別の仕組みもありますが、配布前提の作りで、個人ナレッジ用途とはやや方向性が異なります。

私の失敗談を一つ。NotebookLMに50ファイル投入したあと、「全資料を統合して提案書のドラフトを書いて」と頼んだら、引用は綺麗だったものの、論理展開が箇条書き的で深みがありませんでした。同じ依頼をClaude Projectsに振ると、章立ての構成案から具体的な記述まで一気に出力され、編集すればそのまま使えるレベルだったのです。この差が、私がClaudeに移行した最大の理由でした。