#bge-m3 3 total

AI要約 全PJのコードを横断ベクトル検索: SQLite-vec + bge-m3 で自前code-ragを作った（vault-rag兄弟版） Claude Code の使用ログを集計したら、Bash 82% / Read 18% という数字が出た

AI要約 「自社を理解するAI」の実現手段として注目されるファインチューニングだが、bge-m3・LanceDB・Ollamaを組み合わせたローカルRAG構成を検証したところ、多くのユースケースではRAGだけで十分な精度が得られることが示された。コストと運用負荷の観点からも、まずRAGを試すべきという知見は実務に直結する。

EN A hands-on experiment using bge-m3, LanceDB, and Ollama (gemma) found that a local RAG pipeline can match the practical needs of company-specific AI without fine-tuning, challenging the common assumption that training on proprietary data is necessary.

AI要約 はじめに 前回の記事で、MCP × bge-m3 のナレッジ基盤を作った話を書きました。ただ、技術的に動くことと、実際にチームで使われることは別問題です。この記事は「動く」を「使われる」に変えるための設計の話です。 ツールが死ぬ理由は「導入