社内には大量のドキュメントが存在し、多くの社員が必要な情報を探すのに時間を浪費しているケースはありませんか？
こうした問題を解決するために、大規模言語モデル（LLM） を活用して社内文書に基づいたQA(質問応答)ができるボットをGoogle Chat上で提供する仕組みを構築すると、次のようなメリットがあります。
本記事では、その全体像と設定・実装方法、運用上の留意点を余すところなく解説します。
社内IT担当の方に向けて理解できる記事になっていますので、ぜひ最後までお付き合いください。
この記事が解決する主なポイント:
本ソリューションは大まかに以下のステップで動作します。
このやり取りの全体フローを、以下のmermaid図で示します。
ポイント:
続いて、具体的な設定・構築手順を順を追って見ていきましょう。
ステップ:
DriveAppなどの権限承認が必要なので、OAuthスコープにhttps://www.googleapis.com/auth/drive.readonlyを含めるポイント:
UrlFetchApp)のスコープを追加実行フロー:
ポイント:
UrlFetchApp.fetch()で呼び出す際に使用ポイント:
POST /v1/embeddingsPOST /v1/chat/completions (GPT-3.5やGPT-4など)ポイント:
イベント駆動:
ADDED_TO_SPACE → Botが追加されたときREMOVED_FROM_SPACE → Botが削除されたときMESSAGE → ユーザメッセージ受信時CARD_CLICKED → カードボタンがクリックされたときonAddToSpace, onRemoveFromSpace, onMessage, onCardClick といった関数を実装することでBotが動作する。
ここでは、Google Apps Scriptを使って各サービス（Drive、Upstash、OpenAI、Chat）をどう結びつけるかを解説します。大まかな流れは下図の通りです。
実装例:
function getTextFromDrive(docId) {
// DriveAppサービスを使用
const file = DriveApp.getFileById(docId);
// Googleドキュメントの場合
const doc = DocumentApp.openById(docId);
const text = doc.getBody().getText();
return text;
}
file.getBlob().getDataAsString()
ポイント:
1. Embedding生成
function generateEmbedding(textContent, openAiApiKey) {
const url = "https://api.openai.com/v1/embeddings";
const headers = {
"Content-Type": "application/json",
"Authorization": "Bearer " + openAiApiKey
};
const payload = {
model: "text-embedding-ada-002",
input: textContent
};
const response = UrlFetchApp.fetch(url, {
method: "post",
headers: headers,
payload: JSON.stringify(payload)
});
const result = JSON.parse(response.getContentText());
return result.data[0].embedding; // 数値配列
}
text-embedding-ada-002は1536次元のベクトルを返す2. Upstashへのアップサート
function upsertToUpstash(vector, docId, chunkIndex, upstashUrl, upstashToken, originalText) {
const payload = [
{
id: `${docId}-${chunkIndex}`,
vector: vector,
metadata: {
filename: docId,
chunk: chunkIndex
},
data: originalText // 必要ならここに抜粋文章など
}
];
const headers = {
"Content-Type": "application/json",
"Authorization": "Bearer " + upstashToken
};
const response = UrlFetchApp.fetch(upstashUrl + "/upsert", {
method: "post",
headers: headers,
payload: JSON.stringify(payload)
});
// 正常にアップサートされたかログで確認
Logger.log(response.getContentText());
}
idに一意な識別子（例：docId-チャンク番号）を設定metadataにファイル名やページ番号など有用情報を入れておくfunction onMessage(e) {
const userMessage = e.message.text; // ユーザの入力
// 例: "ヘルプ" と打たれたらガイドを返すなど
if (userMessage.toLowerCase() === "help") {
return { text: "使い方ガイド: ～" };
}
// 質問に対する回答を生成
const answer = handleUserQuery(userMessage);
return { text: answer };
}
handleUserQuery内で以下を行う:
function handleUserQuery(queryText) {
// 1) 質問のEmbedding
const queryEmbedding = generateEmbedding(queryText, OPENAI_API_KEY);
// 2) Upstashで類似検索
const similarChunks = queryUpstash(queryEmbedding);
// 3) LLMへのプロンプトを生成
const contextText = similarChunks.map(chunk => chunk.data).join("n");
const prompt = "以下は社内ドキュメントの抜粋です:n" + contextText + "nnこれに基づいて次の質問に答えてください:n" + queryText;
// 4) OpenAIで回答生成
const answer = generateAnswerWithOpenAI(prompt);
return answer;
}
Upstashでの類似検索(例):
function queryUpstash(embedding) {
const url = UPSTASH_URL + "/query";
const headers = {
"Content-Type": "application/json",
"Authorization": "Bearer " + UPSTASH_TOKEN
};
const payload = {
vector: embedding,
topK: 3,
includeMetadata: true,
includeData: true
};
const response = UrlFetchApp.fetch(url, {
method: "post",
headers: headers,
payload: JSON.stringify(payload)
});
const result = JSON.parse(response.getContentText());
return result.result; // 上位3件
}
OpenAI ChatCompletions APIで回答生成 (例):
function generateAnswerWithOpenAI(prompt) {
const url = "https://api.openai.com/v1/chat/completions";
const headers = {
"Content-Type": "application/json",
"Authorization": "Bearer " + OPENAI_API_KEY
};
const requestBody = {
model: "gpt-4o",
messages: [
{ role: "system", content: "あなたは社内文書に基づいて回答するアシスタントです。" },
{ role: "user", content: prompt }
],
max_tokens: 1000,
temperature: 0.2
};
const response = UrlFetchApp.fetch(url, {
method: "post",
headers: headers,
payload: JSON.stringify(requestBody)
});
const json = JSON.parse(response.getContentText());
const answerText = json.choices[0].message.content.trim();
return answerText;
}
ポイント:
ここからは実際に運用する段階で留意すべき事項をまとめます。
ポイント:
対策例:
Logger.log()やconsole.error()を活用し、Apps Scriptのログで状況把握本記事では、Google Driveに格納された社内ドキュメントをUpstash Vector DBに取り込み、OpenAIのLLMを活用してGoogle Chatボットで質問応答を実現する方法を解説しました。
重要なポイントをおさらいします。
今後の発展例:
本システムを導入すれば、社員が「〇〇規程はどうなってる？」「休暇手続きの方法は？」といった質問を自然言語でChatに送るだけで、即座に回答が得られるようになります。
検索効率が飛躍的に高まり、部内の問い合わせ対応負荷も軽減されることでしょう。
ぜひPoCから始めて、社内全体の情報活用レベルを一段上へ引き上げてみてください。
上記のリンク先では、Upstash Vector DBの詳細なAPI仕様やOpenAIのAPIドキュメントが掲載されており、さらに深い技術的情報を得ることができます。
もし実装でつまずいたときは、ぜひ参考にしてみてください。
Be the first to comment
