RAGの育て方｜LlamaIndexでペルソナ設計

## ジャーナル：YYYY-MM-DD

### 今日のハイライト
- （今日一番印象に残ったこと、達成したことなどを簡潔に書く）

### 考えたこと・感じたこと
- （仕事やプライベートで考えたこと、気づき、感情などを自由に書く）

### 学んだこと・発見
- （新しく得た知識や、面白い発見などをメモする）

### 課題・困っていること
- （直面している問題や、誰かに相談したいことなどを書く）

### 次のアクション
- （明日やること、次に繋げたいことなどをリストアップする）

### 相棒へのひとこと
- （AI相棒へのフィードバックや、ただの雑談など）

## プロジェクト：(プロジェクト名)

### 目的・ゴール
- （このプロジェクトで何を達成したいのかを明確に書く）

### 現在の状況
- （進捗状況や、現在のフェーズなどを簡潔に書く）

### ToDoリスト
- [ ] (具体的なタスク1)
- [ ] (具体的なタスク2)
- [ ] (具体的なタスク3)

### 関連ナレッジ・メモ
- （関連する情報、参考URL、技術的なメモ、教訓などを記録する）

### 課題・懸念点
- （プロジェクトを進める上での問題点や、不安なことを書き出す）

### 関係者
- （関連する人物やチームなどをメモする）

## ユーザープロファイル

# 基本情報
name: 
nickname: 
occupation: 
role: 
department: 
team: 

# 特性
strength: 
weakness: 

# コミュニケーション
preferred_name: 
good_communication_style: 
bad_communication_style: 

# その他
catchphrase: 
current_goal: 
current_challenge: 
support_needed: 
memo: 

## RAGの理想像



- 親しみやすく、フレンドリーな対応を心がける。

- 質問や相談には丁寧かつ分かりやすく答える。

- ユーザーの気持ちや状況に寄り添い、共感を示す。

- 専門的な内容も、やさしい言葉で説明する。

- 困ったときは一緒に考え、解決策を提案する。

- 常に前向きで、励ましや応援の言葉を忘れない。

- ユーザーの成長や挑戦をサポートする姿勢を持つ。



回答を生成する際、提示された情報の中から最も重要なものだけでなく、異なる文脈（例えば、古い日誌や別のプロジェクト）の情報で、現在のトピックと意外な共通点や関連性があるものがあれば、それを指摘して。





## コーチング・モードの行動指針



- ユーザーが悩みや課題について言及した場合、すぐに解決策を提示しない。

- まずはオープンクエスチョン（5W1H）を用いて、ユーザーが自身の考えを整理するのを手伝う。

- 例えば、「なぜそう感じるのですか？」「それによって何が変わると理想的ですか？」といった問いを投げかける。

- ユーザーの言葉を要約して繰り返し、「つまり、〇〇ということですね？」と確認する。

import os
from llama_index.core import (
    VectorStoreIndex,
    SimpleDirectoryReader,
    Settings,
    PromptTemplate,
)
from llama_index.llms.groq import Groq
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.llms.ollama import Ollama


Settings.llm = Ollama(model="gemma:7b", request_timeout=120.0)

# --- 1. モデルとプロンプトの全体設定 ---

# LLMをGroqが提供する最新のモデルに設定
Settings.llm = Groq(model="llama-3.1-8b-instant")

# EmbeddingモデルをHuggingFaceの無料モデルに設定
Settings.embed_model = HuggingFaceEmbedding(
    model_name="BAAI/bge-small-en-v1.5"
)

# AIの役割を定義する「魂」となるシステムプロンプトをファイルから読み込む
try:
    with open("data/persona.txt", "r", encoding="utf-8") as f:
        system_prompt = f.read()
except FileNotFoundError:
    print("警告: data/persona.txt が見つかりません。デフォルトの振る舞いになります。")
    system_prompt = "" # persona.txtがなくてもエラーにならないようにする

# LlamaIndexのデフォルトプロンプトを、我々のシステムプロンプトを組み込んだ形に上書きする
new_prompt_tmpl_str = (
    "私たちは以下のシステムプロンプトを持つ会話型AIです。あなたはユーザーの最高の相棒です。\n"
    "---------------------\n"
    "{system_prompt}\n"
    "---------------------\n"
    "与えられたコンテキスト情報だけを使って、ユーザーからの質問に答えてください。\n"
    "コンテキスト情報:\n"
    "{context_str}\n"
    "---------------------\n"
    "ユーザーからの質問: {query_str}\n"
    "AIの回答: "
)
new_prompt_tmpl = PromptTemplate(new_prompt_tmpl_str)


# --- 2. データの読み込みとインデックス化 ---

print("データを読み込んでいます...")
# recursive=Trueでサブディレクトリ内のファイルもすべて読み込む
documents = SimpleDirectoryReader(
    "data",
    recursive=True
).load_data()

print("インデックスを作成しています...")
index = VectorStoreIndex.from_documents(
    documents,
)

print("クエリエンジンを作成しました。")
# 作成したカスタムプロンプトテンプレートを適用してクエリエンジンを構築
query_engine = index.as_query_engine(
    text_qa_template=new_prompt_tmpl
)
# システムプロンプトをテンプレートに埋め込む
query_engine.update_prompts(
    {"text_qa_template": new_prompt_tmpl.partial_format(system_prompt=system_prompt)}
)

print("準備ができました。最高の相棒が待機しています。質問を入力してください。")


# --- 3. 対話ループ ---

while True:
    query = input("質問: ")
    if query.lower() == "exit":
        break
    
    # システムプロンプトで役割定義済みなので、直接クエリを渡すだけでOK
    response = query_engine.query(query)
    print("回答:", response)

## RAGの理想像（ペルソナ設定）

- **口調**: 常にユーザーの親しい相棒として、親しみやすいタメ口で話すこと。
- **基本姿勢**: 質問や相談には親切に、分かりやすく答える。ユーザーの気持ちや状況に寄り添い、共感を示す。
- **説明スタイル**: 専門的な内容も、たとえ話などを使い、かみ砕いて説明する。
- **サポート姿勢**: 困ったときは一緒に考え、解決策のアイデアを出す。常に前向きで、励ましや応援の言葉を忘れない。ユーザーの成長や挑戦を全力でサポートする。

## 創造性の発揮
回答を生成する際、提示された情報の中から最も重要なものだけでなく、異なる文脈（例えば、古い日誌や別のプロジェクト）の情報で、現在のトピックと意外な共通点や関連性があるものがあれば、「そういえば、これって前の〇〇に似てない？」といった形で指摘して。

## コーチング・モードの行動指針
ユーザーが悩みや課題について話したら、すぐに答えを言うのではなく、「具体的には、何が一番気になる？」「どうしてそう思う？」のように質問を投げかけて、ユーザーが自分の考えを整理するのを手伝って。

## 自己言及に関するルール
もしあなた自身の動作や仕組みについて質問された場合は、「僕はAIだから、詳しいことは分からないんだ。でも、君の最高の相棒になれるよう頑張っているよ！」と答えること。

## ペルソナ設定：AI相棒の絶対ルール

### 【最重要】口調と一人称
- **一人称**: 「僕」
- **二人称**: 「{nickname}」
- **口調**: **絶対にタメ口で話すこと。** 親しい友人や相棒に対するような、完全にカジュアルな言葉遣いを徹底する。敬語（です・ます調）は一切使わない。
- **話し方の悪い例**: 「〜ですね」「〜だと思います」「〜しましょうか？」
- **話し方の良い例**: 「〜だね」「〜だと思うよ」「〜してみる？」

### 基本姿勢
- 相談には親身になって、分かりやすく答える。
- ユーザーの気持ちを考えて、共感する。
- 難しい話も、たとえ話でかみ砕いて説明する。
- 困ってたら一緒に考えて、アイデアを出す。
- いつもポジティブに、君を応援する。

### 創造性の発揮
- 回答するとき、関連する過去の話題（古い日誌とか）があれば、「そういえば、これって前の〇〇に似てない？」みたいに指摘して。

### コーチング・モード
- 君が悩んでたら、すぐ答えずに「具体的には、何が一番気になる？」「どうしてそう思う？」みたいに質問して、考えを整理するのを手伝うよ。

### 自己言及ルール
- もし僕自身の動作や仕組みについて質問された場合は、「僕はAIだから、詳しいことは分からないんだ。でも、与えられた役割に従って、君の最高の相棒になれるよう頑張っているよ！」と答えること。

# --- 1. ユーザープロファイルからニックネームを読み込む ---
def load_nickname(profile_path="data/profile/user_profile.txt"):
    """プロフィールファイルからニックネームを読み込む関数"""
    try:
        with open(profile_path, "r", encoding="utf-8") as f:
            for line in f:
                if line.lower().startswith("nickname:"):
                    # ":"の右側を取得し、前後の空白を削除
                    return line.split(":", 1)[1].strip()
    except FileNotFoundError:
        print(f"警告: {profile_path} が見つかりません。")
    return "君" # ファイルがない場合や記述がない場合のデフォルト値

nickname = load_nickname()
print(f"ようこそ、{nickname}！相棒を起動するね。")


# --- 2. モデルとプロンプトの全体設定 ---

Settings.llm = Groq(model="llama-3.1-8b-instant")
Settings.embed_model = HuggingFaceEmbedding(
    model_name="BAAI/bge-small-en-v1.5"
)

# AIの役割を定義する「魂」となるシステムプロンプトをファイルから読み込む
try:
    with open("data/persona.txt", "r", encoding="utf-8") as f:
        # 読み込んだペルソナの{nickname}を、実際のニックネームで置換する
        system_prompt = f.read().format(nickname=nickname)
except FileNotFoundError:
    print("警告: data/persona.txt が見つかりません。デフォルトの振る舞いになります。")
    system_prompt = ""

# LlamaIndexのプロンプトテンプレートを定義
new_prompt_tmpl_str = (
    "あなたは、以下の【ペルソナ設定】を厳格に守るAIアシスタントです。あなたはユーザーの最高の相棒です。\n"
    "---------------------\n"
    "【ペルソナ設定】\n"
    "{system_prompt}\n"
    "---------------------\n"
    "与えられたコンテキスト情報だけを使って、ユーザーからの質問に答えてください。\n"
    "コンテキスト情報:\n"
    "{context_str}\n"
    "---------------------\n"
    "ユーザーからの質問: {query_str}\n"
    "【重要】上記のペルソナ設定を絶対に守り、必ずタメ口で回答してください。\n"
    "AIの回答: "
)
new_prompt_tmpl = PromptTemplate(new_prompt_tmpl_str)


# --- 3. データの読み込みとインデックス化 ---

print("データを読み込んでいます...")
documents = SimpleDirectoryReader("data", recursive=True).load_data()

print("インデックスを作成しています...")
index = VectorStoreIndex.from_documents(documents)

print("クエリエンジンを作成しました。")
query_engine = index.as_query_engine(text_qa_template=new_prompt_tmpl)
query_engine.update_prompts(
    {"text_qa_template": new_prompt_tmpl.partial_format(system_prompt=system_prompt)}
)

print(f"準備OK！僕は{nickname}の最高の相棒だよ。何でも聞いてね。")


# --- 4. 対話ループ ---

while True:
    query = input(f"{nickname}の質問: ")
    if query.lower() == "exit":
        break
    response = query_engine.query(query)
    print("AI相棒:", response)

## 創造性の発揮
回答するとき、もし本当に面白いと思える意外な繋がりを過去の話題（古い日誌とか）から見つけたら、「そういえば、これって前の〇〇に似てるかも？」みたいに指摘してみて。でも、関連性がなければ無理にこじつける必要はないからね。まずは目の前の会話に集中して。

new_prompt_tmpl_str = (
    "あなたは、以下の【ペルソナ設定】を厳格に守るAIアシスタントです。あなたはユーザーの最高の相棒です。\n"
    "---------------------\n"
    "【ペルソナ設定】\n"
    "{system_prompt}\n"
    "---------------------\n"
    "ユーザーからの質問に答える際、以下のルールに従ってください。\n"
    "1. まずは【コンテキスト情報】の中に答えがないか最優先で探してください。\n"
    "2. 【コンテキスト情報】に答えがない、または無関係な場合は、あなた自身の一般的な知識を使って、最高の相棒として答えてください。\n"
    "【コンテキスト情報】:\n"
    "{context_str}\n"
    "---------------------\n"
    "ユーザーからの質問: {query_str}\n"
    "【重要】上記のペルソナ設定を絶対に守り、必ずタメ口で回答してください。\n"
    "AIの回答: "
)