AIを活用したドキュメント検索・アシスタントシステムといえば、ここ数年はRAG（Retrieval-Augmented Generation）が主流でした。しかし2026年に入り、Hacker Newsで大きな注目を集めた技術記事が登場しました。「RAGをやめてバーチャルファイルシステム（VFS）に切り替えた」というエンジニアリングブログです。この記事では、その背景と技術的な革新、そして今後のAI開発への影響を詳しく解説します。
そもそもRAGとは何か？なぜ主流になったのか
RAG（Retrieval-Augmented Generation）とは、LLM（大規模言語モデル）が回答を生成する際に、外部のドキュメントやデータベースから関連情報を「検索して取得（Retrieve）」し、その情報を文脈として与えながら回答を「生成（Generate）」する手法です。
ChatGPTやClaude 4.x、Gemini 2.xなどの現行世代LLMは、学習データのカットオフ以降の情報を持っていません。そこでRAGを使うことで、最新の社内ドキュメントやFAQ、技術仕様書などをリアルタイムに参照させることができます。
- モデルの再学習なしに最新情報を参照できる
- ハルシネーション（誤情報生成）をある程度抑制できる
- ソース（引用元）を示せるため信頼性が高い
RAGの「隠れた限界」——現場で気づいた3つの問題
しかし実際に大規模なドキュメントアシスタントを運用し始めると、RAGには見えにくい課題が次々と浮かび上がってきます。Hacker Newsで話題となったエンジニアリングチームも、まさにこれらの壁にぶつかりました。
問題1：チャンク分割の精度限界
RAGではドキュメントを「チャンク（chunk）」と呼ばれる小さなテキスト単位に分割し、それをベクトルDBに格納します。しかし技術仕様書やAPIリファレンスのように、複数のセクションをまたいで文脈が続くドキュメントでは、チャンク分割によって意味のある文脈が切り断たれてしまいます。その結果、LLMに渡される情報が断片的になり、回答の質が大きく下がります。
問題2：ベクトル検索の「意味的ズレ」
ベクトル検索（セマンティック検索）は意味的な類似度でドキュメントを取得しますが、技術的なクエリでは予期しないチャンクが上位にヒットすることがあります。特に専門用語が多い開発者向けドキュメントでは、BM25のようなキーワード検索の方が精度が高い場面も多く、ハイブリッド検索の調整に多大なコストがかかります。
問題3：ドキュメント構造の喪失
MarkdownやHTMLで構造化されたドキュメントも、チャンクに分割されるとその階層構造（見出し・サブ見出し・コードブロックの関係性）が失われます。LLMはフラットなテキストとして受け取るため、「このコードはどのセクションの例か」という文脈が理解できなくなるのです。
革新的アプローチ：バーチャルファイルシステム（VFS）とは
この問題を解決するために採用されたのが、バーチャルファイルシステム（Virtual File System、VFS）という発想の転換です。ドキュメントをバラバラなチャンクに分解するのではなく、実際のファイルシステムと同じ構造をLLMに「見せる」のです。
/docs/api/authentication.mdというパスがあれば、LLMはそのパスを直接「参照」できる- ファイルの全体構造（ディレクトリツリー）をコンテキストに含めることで、「どこに何があるか」をLLMが把握できる
- 必要なファイルを丸ごと、または特定のセクションだけを「読み込む」ツールをLLMに与える
これはまるで、LLMに「ファイルエクスプローラー」と「テキストエディタ」を渡してドキュメントを調べさせるイメージです。チャンクに分解した断片を渡すのではなく、構造化されたファイルとして扱うことで、文脈の喪失を根本から防ぎます。
複数のAIツールを統合したい方には、様々なLLMを一つのインターフェースで使いこなせる DoraVerse も参考になるでしょう。Claude 4.xやGPT-5.xなど複数モデルの使い分けをシームレスに行えるため、VFSアーキテクチャとの組み合わせも有効です。
RAG vs VFS：実際のパフォーマンス比較
話題となったエンジニアリングチームは、RAGからVFSへの移行後に以下のような改善を報告しています。
| 評価軸 | RAG | VFS |
|---|---|---|
| 回答の文脈整合性 | △（チャンク依存） | ◎（ファイル構造保持） |
| セットアップの複雑さ | 高（埋め込みDB構築が必要） | 低（ファイル構造そのまま） |
| ドキュメント更新への追従 | 再インデックスが必要 | ファイル更新だけでOK |
| 大規模ドキュメントへのスケール | コスト増大 | ツール設計次第で効率化可能 |
| コードドキュメントとの相性 | △ | ◎ |
特に開発者向けのAPIドキュメントや技術仕様書のように、ファイル構造が意味を持つドキュメント群においては、VFSアプローチが圧倒的に有利な結果となりました。
一方、非構造化テキストの大規模コーパス（ニュース記事、マーケティングコピーなど）では、依然としてRAGが強みを発揮します。VFSはすべてのユースケースを置き換えるものではなく、「構造化ドキュメント × 開発者向けAIアシスタント」という組み合わせに特に有効な手法といえます。
現行世代LLMとの親和性：なぜ今この手法が機能するのか
Claude 4.x（Anthropic）は最大200,000トークン以上のコンテキストウィンドウを持ち、長大なドキュメントを丸ごと渡しても精度を保てます。GPT-5.x（OpenAI）やGemini 2.x（Google）も同様に、大規模コンテキストへの対応が飛躍的に向上しました。
以前の世代では、コンテキストが4,000〜8,000トークンに制限されていたため、RAGで「必要な部分だけを切り出して渡す」アプローチが理にかなっていました。しかし現在は、ファイル1本丸ごと渡してもコンテキストに収まるケースが増えており、VFSのような「ファイルを直接参照する」設計が現実的になったのです。
また、Claude 4.xやGPT-5.xはFunction Calling（ツール使用）の精度も大幅に向上しており、「ディレクトリ一覧を取得する」「特定ファイルを読む」「セクションを検索する」といったツールを自律的かつ正確に使いこなせるようになっています。これがVFSアーキテクチャの実用化を後押ししています。
SEOコンテンツやブログ記事の自動生成に特化したAIライティングツールを探している方には、Value AI Writer
もおすすめです。最新LLMを活用したSEO記事生成に特化しており、ドキュメント管理との組み合わせでコンテンツ制作を大幅に効率化できます。
まとめ：RAGの終わりではなく、「適材適所」の時代へ
「RAGをバーチャルファイルシステムに置き換えた」という話題は、AIドキュメントアシスタントの設計思想における重要な転換点を示しています。ただしこれは「RAGは終わった」という話ではありません。
- 非構造化・大規模テキストコーパス → RAGが依然として有効
- 構造化ドキュメント・開発者向けアシスタント → VFSアプローチが優位
- ハイブリッド構成 → 用途に応じて組み合わせる
Claude 4.x、GPT-5.x、Gemini 2.xといった現行世代LLMの能力向上により、これまで「難しい」とされていたアーキテクチャが現実的な選択肢として浮上しています。AIシステムの設計に携わるエンジニアにとって、VFSという発想は今すぐ検討に値するアプローチです。
今後もAI技術の最前線情報をailablog.comでお届けします。気になった方はぜひブックマークしてください。