Dify研修（研修事例・一般社団法人K様）

2026年6月15日2026年10月8日

TRAINING CASE

RAGの精度を「体感」して改善する
Dify × AIエージェント内製化研修事例

「RAGを組んだが精度が出ない」その壁を、改善前後の定量比較と段階的なハンズオンで突破。RAG精度改善からAIエージェント制作、MCPサーバー公開まで、40名規模でDify内製化を進めた研修事例です。

製造業（一般社団法人K様） Dify研修 8時間 × 2日間・受講40名助成金利用なし

生成AIの内製化を目指すK様では、自前でRAGチャットボットを構築したものの、回答精度が安定しないという課題を抱えていました。本研修では「未整形データでRAGを組む → 精度不足を体感 → 改善後と定量比較」という流れで精度改善のロジックを腹落ちさせ、AIエージェント制作とMCPサーバー公開まで、40名規模でハンズオン中心に実施しました。

CASE SUMMARY

課題

未整形データでRAGを組み精度が出ないパターンに陥っていた。検索最適化や回答生成制御の勘所が分からず、40名規模で組織全体の底上げが必要でした。

内容

8時間×2日・40名・講師2名。改善前後を定量比較するRAG精度改善から、コンテキストエンジニアリング、AIエージェント制作、MCPサーバー公開までをハンズオンで。

成果

「検索最適化→回答生成制御→評価」の流れを体系的に理解。AIエージェント制作とMCP公開まで習得し、組織内で再利用・横展開できる状態になりました。

1. 背景・導入前の課題

「とりあえず作ったRAG」が的外れな回答を返し続けると、現場は「やっぱりAIは使えない」と離れていきます。

RAGの精度不足：未整形のデータでRAGを組み、精度が出ないパターンに陥っていた。
体系的な知識の不足：検索最適化や回答生成制御の勘所が分からず、改善の手がかりがない。
40名規模での底上げ：一部の担当者だけでなく、組織全体でAI活用の基礎を揃えたい。

原因が「データ整形」「チャンク」「検索方式」のどこにあるのか分からないまま改善は手探りで止まり、結局は外注に丸投げ。せっかくの内製化の機運も、40名分のリスキリングの機会も、ノウハウが社内に残らないまま流れていきます。

お役立ち資料PDF・全16ページ

AIプロジェクトの進め方と導入フロー

どのフェーズで何を決めるか、どこでつまずくかを6フェーズの地図にしました。別冊の100項目チェックリスト付きです。フォームを送ると、その場で読めます。

資料を受け取る 30分の無料相談

2. 研修概要

40名規模で、各自がワークフローを構築しながら進めました。改善の効果は3段階に分けて定量比較しています。

業種

製造業（一般社団法人K様）

内容

Dify研修（RAG精度改善 × AIエージェント）

受講人数 / 講師

40名 / 2名

研修期間

8時間 × 2日間

費用

個別見積もり

助成金

利用なし

監修・講師体制

京都大学でAI・システム科学を専攻したメンバーが、現状をヒアリングした完全カスタマイズ型カリキュラムを設計・登壇

「未整形データでRAGを組む → 精度不足を体感 → 改善後と定量比較」という流れで、精度改善のロジックを腹落ちさせる構成にしました。

3. カリキュラム

1日目の終わりに各自がワークフローを構築し、2日目の冒頭で共有してから応用に進みました。

1日目｜Dify基礎 × RAG精度改善

時間	内容	概要
10:00–10:30	開会・オリエンテーション	到達目標の共有、データ取扱い注意事項、環境確認
10:30–11:00	Difyの全体像とLLMの基本	セルフホスト版Difyの機能概要、クラウドLLM vs ローカルLLMの選定基準
11:00–12:00	Dify主要ノードの詳細解説	LLM・質問分類器・IF-ELSE・コード・変数等の役割と活用場面
13:00–13:50	チャットボット作成＋プロンプト基礎	API／ローカルLLM比較、システムプロンプトの効果検証
13:50–14:45	RAGチャットボットの作成（改善前）	未整形データでRAGを構築し、精度不足のパターンを体験
14:45–15:45	RAG精度改善の実践（改善後）	データ整形・チャンク最適化・プロンプト制御を段階適用し効果検証
15:45–16:30	RAG精度改善の深掘り	全文検索／ベクトル検索／ハイブリッド検索・Rerankの比較実践
16:30–17:10	自社業務への適用検討	対象データ・利用者・精度要件を言語化し、グループで意見交換
17:10–18:00	ワークフロー構築・振り返り	各自ワークフローを構築、質疑応答、2日目の予告

2日目｜コンテキストエンジニアリング × AIエージェント

時間	内容	概要
9:30–9:50	1日目の復習・ワークフロー共有	要点確認、構築済みワークフローの共有・講師補足
9:50–11:00	コンテキストエンジニアリングの実践・検証	情報補足・シナリオ分岐の実装、3段階の改善効果を定量比較
11:00–11:20	RAG精度改善の全体フレームワーク	検索最適化→回答生成制御→評価サイクルの体系整理
11:20–12:00	ナレッジパイプラインの構築	データ前処理・投入・更新の運用フローをハンズオン
13:00–13:20	AIエージェントの概要	自律判断・外部ツール利用・複数ステップ実行の概念整理
13:20–14:30	AIエージェントの制作	採用エージェント構築（検索→スクリーニング→レポート自動生成）
14:30–15:00	DifyのMCPサーバー公開	ワークフロー/エージェントをMCPサーバーとして公開する手順
15:00–16:15	課題への取り組み	条件分岐を活用したチャットフローを各自構築、講師巡回サポート
16:15–17:30	成果発表・総括	制作物の発表・フィードバック、継続サポートのご案内

DEMO｜無料デモ

研修でお渡しした考え方が形になったものを触れます

弊社が作ってきた業務システムを、架空のデータで動かせます。研修で扱った「どこまで機械に任せるか」を、実際の画面で見比べられます。

このデモを触る登録もインストールも要りません。架空のデータで動きます。

4. 研修の成果

RAG精度改善を体系化：「検索最適化→回答生成制御→評価」の流れを定量比較で理解し、自社データへの適用方針を言語化できた。
AIエージェントまで内製：ワークフローにとどまらず、複数ステップを自律実行するエージェント制作まで体験。
MCP公開で横展開：構築物をMCPサーバーとして公開する手順まで習得し、組織内での再利用の道筋ができた。

5. よくある質問

なぜ「改善前→改善後」を体感させる構成なのですか？: 未整形データでRAGを組んで精度不足をまず体験し、データ整形・チャンク最適化・プロンプト制御を段階的に適用して定量比較します。原因と打ち手が結びつくため、研修後に自社データで再現しやすくなります。
40名のような大人数でも実践できますか？: 本事例は40名・講師2名で実施しました。各自がワークフローを構築し講師が巡回サポートする形で、大人数でも手を動かす研修を運営できます。
AIエージェントやMCPまで踏み込むのはなぜですか？: RAGチャットボットにとどまらず、自律実行するエージェント制作とMCPサーバー公開まで扱うことで、組織内で再利用・横展開できる状態を目指すためです。
自社のデータ・業務に合わせられますか？: はい。対象データ・利用者・精度要件を言語化するワークを通じて、自社業務への適用方針まで落とし込みます。完全カスタマイズ型で設計します。