【従来のRAGシステム】
AI ← 単一ナレッジDB
     └→ すべての質問に対して同じ知識で回答

【Ola-UIのマルチナレッジシステム】
AI ← ナレッジセット①(営業部門)
  ← ナレッジセット②(技術サポート)
  ← ナレッジセット③(法務コンプライアンス)
  ← ナレッジセット④(学術文献データベース)
     └→ 状況に応じて最適な知識で回答

<!-- 画面UI例 -->
<select id="knowledgeSelector">
  <option value="sales">営業部門ナレッジ</option>
  <option value="tech_support">技術サポートナレッジ</option>
  <option value="legal">法務コンプライアンスナレッジ</option>
  <option value="research">学術文献データベース</option>
</select>

【質問】「契約書の著作権条項について教えて」

【単一DB構成の場合】
検索結果: 
- 営業マニュアルの「契約」に関する記述(関連性低)
- 技術仕様書の「著作」という単語を含む文章(誤検出)
- 法務資料の著作権条項(正解だが埋もれる)

→ AIは混在した情報から回答を生成し、精度が低下

【データ構造】
/knowledge/
  ├── sales/          # 営業部門ナレッジ
  │   ├── products.txt
  │   ├── pricing.txt
  │   └── sales_tips.txt
  ├── tech_support/   # 技術サポートナレッジ
  │   ├── troubleshooting.txt
  │   ├── faq.txt
  │   └── tech_specs.txt
  └── legal/          # 法務ナレッジ
      ├── contracts.txt
      ├── compliance.txt
      └── copyright.txt

// chat_api_t.php の切り替えロジック例
$selected_knowledge = $_POST['knowledge_set']; // ユーザー選択

// 該当ナレッジセットのベクトルストアのみをロード
$vector_store = load_vector_store($selected_knowledge);

// 検索も選択されたストアに限定
$relevant_docs = search_similar($vector_store, $user_query);

【朝のMTG前】
ナレッジセット: 「営業部門ナレッジ」選択
質問: 「今月の重点商品のセールスポイントは?」
→ 営業資料から最新情報を抽出

【顧客訪問前】
ナレッジセット: 「技術仕様ナレッジ」に切り替え
質問: 「A製品の詳細スペックと競合比較を教えて」
→ 技術文書から正確な仕様情報を提供

09:00 - 「技術サポートナレッジ」で障害対応FAQ参照
11:00 - 「製品マニュアルナレッジ」で操作手順を確認
14:00 - 「契約・保証ナレッジ」で保証範囲を調査
16:00 - 「過去トラブル事例ナレッジ」で類似ケースを検索

【構成】
ナレッジセット: 法務関連文書のみ
システムプロンプト: 「あなたは企業法務の専門家です」
URL: https://legal-ai.yourcompany.com

【活用】
- 契約書レビュー支援
- コンプライアンス質問対応
- 法改正情報の参照

【構成】
ナレッジセット: 学術論文・技術レポート
システムプロンプト: 「あなたは研究支援アシスタントです」
URL: https://research-ai.university.edu

【活用】
- 文献検索と要約
- 先行研究調査
- 論文執筆支援

【構成】
ナレッジセット: 製品マニュアル+FAQ
システムプロンプト: 「あなたは親切なサポート担当です」
URL: https://support-ai.product.com

【活用】
- 24時間自動応答
- トラブルシューティング
- 操作ガイダンス

【従来】
営業AI → 専用サーバー + 専用LLM + 専用RAG
法務AI → 専用サーバー + 専用LLM + 専用RAG
技術AI → 専用サーバー + 専用LLM + 専用RAG

コスト: サーバー×3, LLMライセンス×3, メンテナンス×3

【Ola-UI】
共通基盤(Ollama + Ola-UI)
 ├→ 営業AIサイト(ナレッジセット①)
 ├→ 法務AIサイト(ナレッジセット②)
 └→ 技術AIサイト(ナレッジセット③)

コスト: サーバー×1, Ollama無料, メンテナンス×1

/knowledge/medical_papers/
  ├── cardiology/       # 循環器系論文 (500本)
  ├── neurology/        # 神経系論文 (800本)
  ├── oncology/         # 腫瘍学論文 (1,200本)
  └── general/          # 総合医学論文 (2,000本)

総計: 約4,500本の論文 → ベクトル化して搭載

【質問例】
「アルツハイマー病における tau タンパク質の役割について、
 2020年以降の主要な研究成果をまとめてください」

【AIの応答】
ベクトル検索で関連論文を抽出 → 要約生成 → 出典明記

所要時間: 数分

【シナリオ】
学術誌の編集者が投稿論文を査読

【Ola-UI活用】
1. ナレッジセット: 該当分野の最新論文1,000本
2. システムプロンプト: 「あなたは経験豊富な査読者です」

【質問例】
「この論文の新規性を評価してください。類似研究はありますか?」
「方法論に問題はないか、既存研究と比較して検証してください」
「引用文献は適切ですか? 重要な先行研究の漏れはありませんか?」

【効果】
- 査読準備時間: 5時間 → 1時間(80%削減)
- 見落とし防止: 関連研究の自動抽出
- 査読品質向上: 包括的な文献比較が可能

# config.ini の設定例

[vectorstore]
chunk_size = 512          # 長文論文用に大きめに設定
chunk_overlap = 100       # コンテキスト維持
embedding_model = nomic-embed-text  # 高性能埋め込みモデル

[retrieval]
top_k = 10                # 多めに検索(包括性重視)
similarity_threshold = 0.7  # やや厳しめ(精度重視)

# 論文PDFから高品質テキスト抽出
python extract_papers.py \
  --input medical_papers/ \
  --output knowledge/medical_texts/ \
  --preserve-structure \
  --extract-metadata

# メタデータ例
# - タイトル
# - 著者
# - 発行年
# - ジャーナル名
# - DOI

ola-ui/
├── knowledge/
│   ├── sales/              # ナレッジセット①
│   │   ├── products.txt
│   │   └── pricing.txt
│   ├── tech_support/       # ナレッジセット②
│   │   └── troubleshooting.txt
│   ├── legal/              # ナレッジセット③
│   │   └── contracts.txt
│   └── research/           # ナレッジセット④
│       ├── paper_001.txt
│       └── paper_002.txt
├── vectorstores/
│   ├── sales.db            # 各ナレッジのベクトルDB
│   ├── tech_support.db
│   ├── legal.db
│   └── research.db
└── config.ini

<?php
// initialize_vectorstores.php

$knowledge_sets = ['sales', 'tech_support', 'legal', 'research'];

foreach ($knowledge_sets as $set) {
    echo "Initializing: $set\n";

    // ナレッジフォルダ内のすべてのファイルを読み込み
    $files = glob("knowledge/$set/*.txt");
    $documents = [];

    foreach ($files as $file) {
        $content = file_get_contents($file);
        $documents[] = [
            'text' => $content,
            'metadata' => ['source' => basename($file)]
        ];
    }

    // ベクトル化してDBに保存
    create_vector_store($set, $documents);
    echo "✓ Completed: $set (" . count($documents) . " docs)\n";
}

function create_vector_store($name, $documents) {
    // Ollama埋め込みAPIでベクトル化
    // ChromaDB/Faiss等に保存
    // 詳細は実装による
}
?>

php initialize_vectorstores.php

Initializing: sales
✓ Completed: sales (15 docs)
Initializing: tech_support
✓ Completed: tech_support (42 docs)
Initializing: legal
✓ Completed: legal (8 docs)
Initializing: research
✓ Completed: research (1,234 docs)

// index_t.html のJavaScript追加

document.getElementById('knowledgeSelector').addEventListener('change', function() {
    const selectedKnowledge = this.value;

    // グローバル変数に保存(以降のAPIリクエストで使用)
    window.currentKnowledgeSet = selectedKnowledge;

    // ユーザーへのフィードバック
    showNotification(`ナレッジセット「${this.options[this.selectedIndex].text}」に切り替えました`);

    // チャット履歴をクリア(任意)
    if (confirm('ナレッジセットを切り替えました。会話履歴をクリアしますか?')) {
        clearChatHistory();
    }
});

// APIリクエスト時にナレッジセット情報を送信
function sendMessage(message) {
    const formData = new FormData();
    formData.append('message', message);
    formData.append('knowledge_set', window.currentKnowledgeSet || 'default');

    fetch('chat_api_t.php', {
        method: 'POST',
        body: formData
    })
    .then(response => response.json())
    .then(data => displayResponse(data));
}

<?php
// chat_api_t.php の修正

// ナレッジセット選択を取得
$knowledge_set = $_POST['knowledge_set'] ?? 'default';

// 対応するベクトルストアをロード
$vector_store_path = "vectorstores/{$knowledge_set}.db";

if (!file_exists($vector_store_path)) {
    error_log("Vector store not found: $vector_store_path");
    $knowledge_set = 'default'; // フォールバック
}

// 選択されたストアで検索実行
$relevant_docs = search_vector_store($knowledge_set, $user_query);

// 以降の処理は同じ
?>

【良い例】
- 営業部門 / 技術サポート / 法務 / 経理
→ 部門別で明確

【悪い例】
- 重要文書 / 参考資料 / その他
→ 曖昧で分類困難

【推奨】
1システムあたり 3〜10個のナレッジセット

【避けるべき】
- 極端に細分化(30個以上) → 管理コスト増
- 粗すぎる統合(2個以下) → 専門性が失われる

【月次更新フロー例】

1. 新規文書の収集(各部門から)
2. 該当ナレッジセットフォルダに配置
3. 増分ベクトル化スクリプト実行
   php update_vectorstore.php --set sales
4. 動作確認(サンプル質問で検証)
5. 本番反映

[retrieval]
# 文献データベース用の設定
top_k = 20                  # 多めに取得
rerank = true               # 再ランキングで精度向上
cache_embeddings = true     # 埋め込みキャッシュ有効化

# 定期的なインデックス再構築(月1回推奨)
php rebuild_index.php --set research

ナレッジセット構成:
- 社内研究レポート(5,000件)
- 特許文書(3,000件)
- 外部論文(12,000件)
- 規制ガイドライン(500件)

ナレッジセット構成:
- 過去契約書(1,500件)
- 判例データベース(3,000件)
- 法改正履歴(200件)

ナレッジセット構成:
- 履修ガイド
- 奨学金・支援制度情報
- キャンパスライフFAQ
- 就職活動資料

// FormDataに確実に含める
formData.append('knowledge_set', window.currentKnowledgeSet);

// デバッグログ追加
console.log('Sending knowledge_set:', window.currentKnowledgeSet);

# 再初期化
php initialize_vectorstores.php --force --set tech_support

[retrieval]
top_k = 5               # 10→5に削減
use_reranking = true    # 精度補完

【従来】
1システム = 1つの汎用AI
↓
情報が混在 → 精度低下 → 実用性に限界

【Ola-UI】
1システム = 複数の専門家AI
↓
知識を分離 → 高精度 → 実用的な業務改善