Haystack(deepset)2026:PythonでRAG検索パイプラインを構築

Haystackとは何か?

• 2019年に抽出型質問応答フレームワークとしてスタート——文書内から正確な回答箇所を見つける仕組み——生成AIがRAGを主流パターンにする前のこと
• Haystack 2.0前後で現行のComponent/Pipelineアーキテクチャへ大幅に書き換えられ、現在はバージョン3.1(2026年8月24日リリース)
• 文書変換(PDF、HTML、DOCX)、テキスト分割、embedding、retrieval(キーワードベースのBM25とベクトル/セマンティック)、生成、評価のためのComponentを提供
• Document Store抽象化がパイプラインロジックとストレージバックエンドを分離——パイプラインを書き換えずにインメモリストアをElasticsearch、Weaviate、Pineconeに差し替え可能
• ローカル開発・テスト向けにインメモリのdocument storeを標準搭載しており、外部データベースなしで始められる
• 同じパイプライン内でキーワードretrieval(BM25)とベクトル/セマンティックretrievalの両方に対応、両者を組み合わせたハイブリッドretrievalも可能

HaystackのPipeline/Componentアーキテクチャの仕組みは?

• Pipelineはyamlへシリアライズ可能——Pythonで構築したpipelineを保存・バージョン管理し、構築コードを再実行せずに再読み込みできる
• 分岐と合流はグラフモデルにネイティブで対応——1つのretrieverの出力を2つの異なるgeneratorへ渡したり、2つのretrieverを1つのrankerへ渡したりでき、追加の接着コードは不要
• 接続が明示的なため、壊れたpipeline(型の不一致、接続漏れ)はコールスタックの奥深くで実行時に失敗するのではなく、pipeline構築時に明確なエラーで失敗する

HaystackはLangChain・LlamaIndexと何が違うか?

HaystackはRAGと本番検索に対応しているか?

• RAGパイプライン:retriever(BM25、ベクトル、またはハイブリッド)が関連文書をprompt builderへ渡し、それがgenerator(LLM呼び出し)へ渡る——このフレームワークが用語の登場前から先取りし、今では直接ターゲットとしている標準パターン
• Retriever:BM25キーワードretrievalとembeddingベースの(ベクトル/セマンティック)retrievalはどちらも一級市民として扱われる。ハイブリッドretrievalは両者を組み合わせ、統合結果を再ランキングする
• Document Store:開発用にインメモリストアが標準搭載。本番デプロイでは同じComponentインターフェースを通じてElasticsearch、Weaviate、Pineconeなど対応するベクトルデータベースに接続する
• エージェント:Haystackにはエージェント用Componentが含まれ、固定シーケンスに従う代わりに、次にどのツールやpipelineステップを呼ぶかをモデルに判断させられる
• 評価:Haystackはラベル付きデータセットに対してretrievalと生成の品質を測定する評価用Componentを提供する——関連性を測定可能にする必要がある本番検索で重要

最初のHaystackパイプラインの作り方は?

1. 1
   パッケージをインストール:pip install haystack-ai。
2. 2
   必要な要素をインポート:from haystack import Pipeline, Document; from haystack.components.generators.chat import OpenAIChatGenerator; from haystack.components.retrievers import InMemoryBM25Retriever; from haystack.document_stores.in_memory import InMemoryDocumentStore; from haystack.components.builders import ChatPromptBuilder; from haystack.utils import Secret。
3. 3
   document storeを作成し、文書を書き込む:document_store = InMemoryDocumentStore()、続いて document_store.write_documents([Document(content="...")​, ...])。
4. 4
   Componentを作成:retriever = InMemoryBM25Retriever(document_store=document_store)、prompt_builder = ChatPromptBuilder(template=prompt_template, required_variables="*")、llm = OpenAIChatGenerator(api_key=Secret.from_env_var("OPENAI_API_KEY"), model="gpt-4o-mini")。
5. 5
   パイプラインを組み立てる:rag_pipeline = Pipeline()、続いて rag_pipeline.add_component("retriever", retriever)、rag_pipeline.add_component("prompt_builder", prompt_builder)、rag_pipeline.add_component("llm", llm)。
6. 6
   接続を配線:rag_pipeline.connect("retriever", "prompt_builder.documents") と rag_pipeline.connect("prompt_builder", "llm")。
7. 7
   実行:results = rag_pipeline.run({"retriever": {"query": question}, "prompt_builder": {"question": question}})。

from haystack import Pipeline, Document
from haystack.components.generators.chat import OpenAIChatGenerator
from haystack.components.retrievers import InMemoryBM25Retriever
from haystack.document_stores.in_memory import InMemoryDocumentStore
from haystack.components.builders import ChatPromptBuilder
from haystack.utils import Secret

document_store = InMemoryDocumentStore()
document_store.write_documents([
    Document(content="My name is Jean and I live in Paris."),
    Document(content="My name is Mark and I live in Berlin."),
    Document(content="My name is Giorgio and I live in Rome."),
])

retriever = InMemoryBM25Retriever(document_store=document_store)
prompt_builder = ChatPromptBuilder(template=prompt_template, required_variables="*")
llm = OpenAIChatGenerator(api_key=Secret.from_env_var("OPENAI_API_KEY"), model="gpt-4o-mini")

rag_pipeline = Pipeline()
rag_pipeline.add_component("retriever", retriever)
rag_pipeline.add_component("prompt_builder", prompt_builder)
rag_pipeline.add_component("llm", llm)
rag_pipeline.connect("retriever", "prompt_builder.documents")
rag_pipeline.connect("prompt_builder", "llm")

results = rag_pipeline.run({"retriever": {"query": question}, "prompt_builder": {"question": question}})

Haystackはどんな人に向いているか?

Haystack vs. 代替ツール

Haystack評価でよくある間違い

よくある質問

出典

関連記事

• ビジネス文書向けの最良のRAGツール — フレームワークとアプリの両選択肢を含む、文書チャット向けRAGツールの購入ガイド。
• ローカルLLMソフトウェアディレクトリ — 本記事が属するローカルAIツールの全カタログ。
• AnythingLLM vs. PrivateGPT vs. Open WebUI(RAG比較) — Pythonフレームワークの代わりにUIが欲しいチーム向けの、ノーコードRAGアプリ比較。