n8n活用　RAGを構築して社内FAQ検索を改善してみた

　こんにちは、Cake.jp 技術部の釘野です。

　昨今のAIの進化は目覚ましく「とりあえずAIを使って業務を楽にできないか？」と考える場面も増えてきました。

　Cake.jpでも、技術部を始め社内のさまざまな業務でAI活用を模索しています。

　今回はそんな中での「カスタマーサポート業務のFAQ検索を改善した取り組み」の話をさせていただきます。

カスタマーサポートが抱えていた課題　

　Cake.jpのカスタマーサポートでは、お問い合わせに対して

内容を確認
適切なFAQを探す
FAQをもとに回答を作成

　という流れで対応しています。

　ただ、Cake.jpのサービス運営期間が長くなるにつれ、FAQの数も増え続けてきました。

　結果として

FAQが多く、検索に時間がかかる
慣れたスタッフでも毎回探すのが大変
新しいスタッフには特にハードルが高い

　そんな状況がボトルネックになってきました。

そうだ、AIを使おう

　この課題に対して「FAQ検索そのものをAIに任せられないか？」という対策案があがりました。

　そこで採用したのがRAG（Retrieval-Augmented Generation：検索拡張生成）という仕組みです。

　RAGをざっくり説明すると、

「あらかじめ用意した外部データ（FAQや社内ドキュメント）を検索させ、その結果をもとにAIが回答を生成する」

　という仕組みになります。

　LLMが普段おこなっている一般知識での回答はなく「こちらが用意した限定した情報を参照して答えさせる」のがポイントです。

　カスタマーサポートのFAQ検索は、まさにRAGの活用例として良いケースとなりえると思いました。

n8nでRAGを構築する

　今回の実装には『n8n』を利用しました。

　n8nは、ノードと呼ばれる単位を組み合わせてワークフローを構築できる自動化ツールで、AI関連のノードも豊富に用意されています。

　最初に作ったワークフローは、以下のような最低限の構成です。

FAQデータ（CSV）をアップロード
ベクターDBに登録
質問文からFAQを検索

　使っているノードは次のとおりです。

ラベル	ノードの種類	役割
FAQデータCSVをアップロード	n8n Form Trigger	CSVファイルをアップロードするフォームの提供。このノードを使ってCSVファイルを入力します。
FAQデータの入力	Simple Vector Store	ベクターDBへのデータの入力をします。
Embeddings OpenAI	Embeddings OpenAI	ベクターDBでのデータの入力や検索を司るAIです。今回はOpenAIの「text-embedding-3-large」モデルを選択しました。
CSV	Default Data Loader	ベクターDBへ入力するデータの形式を指定します。今回は「CSVファイル」をそのまま取り込めむようにしました。
FAQデータの検索	Simple Vector Store	ベクターDBでFAQを検索して回答をします。

　FAQデータ（CSV）は以下の3項目で、現在使われているFAQページから作りました。

タイトル（質問）
コンテンツ（回答）
該当ページのURL

しかし、検索精度が思ったほど出ない

　さっそく「もらったはずのクーポンがありません」という問い合わせで検索してみたところ、返ってきたのは

配送状況がわかる送り状番号を知りたい
eGiftの受け取りURLを紛失した

　など、大きくズレたFAQでした。

　クーポン関連のFAQは確かに入力して、登録されているのに、うまく回答されなかったのです。

　原因を考えたところ

「入力されたFAQの文章では、AIが検索しやすい形になっていない」

　ということだと推測されました。

　そこでCSVの入力をそのまま登録するのではなく「AIが検索しやすい形に要約してからベクターDBに登録する」ことにしました。

　具体的には、次のようにワークフローを拡張しました。

　追加したノードや変更したノードは次のとおりです。

ラベル	ノードの種類	役割
JSONに置換	Extract from File	以降のノードで使いやすいように、CSVファイルのデータをJSONに変換します。
FAQの要約	AI Agent	入力されたデータを要約します。プロンプトは後述。
OpenAI Chat Model	OpenAI Chat Model	FAQの文章の要約に使っているAIです。今回はOpenAIの「gpt-5-mini」モデルを選択しました。
JSON	Default Data Loader	ベクターDBへ入力するデータの形式を指定します。「CSV」から「JSON」に変更しました。ここで要約されたFAQの文章を「pageContent」として、もとのFQAの文章を「Metadata」として登録することを指定しています。

改善後の検索結果

　再度「もらったはずのクーポンがありません」という問い合わせでで検索してみると

届いたクーポンがマイページに表示されない
クーポンを使用することができない

　といった、質問の意図に合ったFAQが返ってくるようになりました。

　n8nから返す結果としては「Metadata」に保存した元のFAQの文章を利用するため、スタッフが見る情報はこれまでと変わりません。

　そのうえで「探す時間」を大きく減らすことができました。

さいごに

　今回の取り組みで、

RAGはカスタマーサポートと相性が良い
データの前処理（要約）が検索精度に大きく影響する
n8nを使えば、比較的低コストで試せる

　ということを感じました。

　今後の課題としては、

FAQデータの更新を手動ではなく自動化したい。
実運用の中でプロンプトや要約精度を改善していきたい。

　などを考えています。

　これからも、こうした新しい技術を取り入れながら、改善を積み重ねて日々の業務やサービスの品質向上に取り組んで行きたいと思います。