第1グループ：必読の Anthropic 公式資料

1. Anthropic：Contextual Retrieval の原典 https://www.anthropic.com/news/contextual-retrieval

Anthropic の公式ブログで Contextual Retrieval を初めて提案した記事です。Contextual Embeddings と Contextual BM25 という二つの要素技術を詳しく説明しており、検索失敗率を 49% 低減し、reranking と組み合わせると 67% まで低減できるとしています。さらに、ナレッジベースが 200,000 tokens 未満、目安として約 500 ページであれば、RAG を使わずにナレッジベース全体を prompt に入れる方がよい場合があるという実践的な助言も含まれています。Contextual Retrieval を理解するための土台であり、後続のほぼすべての記事が参照している資料です。

2. Anthropic：Context Engineering for Agents https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents

Anthropic が 2025 年に公開した Context Engineering の詳細な記事です。事前処理型の検索から「just in time」のオンデマンド検索へ移行する流れを論じています。agent はすべてのデータを先に検索するのではなく、ファイルパス、query、リンクといった軽量な識別子を保持し、実行時に必要なデータだけを context に読み込みます。Context Engineering を学ぶうえで中心となる参考資料です。

補足：Learn Claude Code https://learn-cc-agent.vercel.app/en/

Claude Code 型のコーディング Agent の中核メカニズムを 12 の段階的な章で解説するインタラクティブな学習サイトです。agent loop、tools、planning、subagents、skills、context compact、tasks、background tasks、multi-agent collaboration、worktree isolation などを扱います。RAG のチュートリアルではありませんが、「context をどう整理し、管理するか」を具体的な agent の実行機構へ結び付けて理解するための発展資料として適しています。

3. Anthropic Claude Cookbooks（GitHub） https://github.com/anthropics/claude-cookbooks

そのまま応用できるコード例を集めた公式リポジトリです。RAG に直接関係する notebook には次のものがあります。

  • third_party/Pinecone/rag_using_pinecone.ipynb — Pinecone と Voyage AI を使った RAG
  • third_party/MongoDB/rag_using_mongodb.ipynb — MongoDB を使った RAG
  • Contextual Embeddings 関連の例

4. Claude Cookbook 公式サイト（新版） https://platform.claude.com/cookbook/

Anthropic の新しい Cookbook プラットフォームです。GitHub リポジトリより構造化されており、prompting、tool use、multimodal などの分類がそろっています。

第2グループ：質の高い実装チュートリアル

5. Together AI：How to Implement Contextual RAG from Anthropic https://docs.together.ai/docs/how-to-implement-contextual-rag-from-anthropic

Anthropic の Contextual Retrieval を完全なオープンソースモデルで一行ずつ実装するガイドです。Llama 3.2 3B のような小型の 1–3B モデルと prompt caching を組み合わせ、各 chunk の context を生成します。Claude API に依存せず、オープンソースモデルで再現する全体像を示しているため、自分で実装する段階の参考になります。

6. LlamaIndex：Contextual Retrieval Cookbook https://docs.llamaindex.ai/en/stable/examples/cookbooks/contextual_retrieval/

LlamaIndex による公式 notebook です。Anthropic LLM で chunk の context を作り、OpenAI embedding と CohereAI Reranker を使い、contextual nodes の有無による検索結果を比較します。後から LlamaIndex を学ぶ場合のよい入口です。

7. Milvus：Contextual Retrieval with Milvus https://milvus.io/docs/contextual_retrieval_with_milvus.md

Milvus の公式ドキュメントで、dense-sparse hybrid retrieval と reranker を組み合わせ、段階的に検索システムを強化する方法を示しています。また、Contextual Retrieval は本質的に「文書拡張」であるという重要な洞察もあります。query rewriting が query の情報量を増やすのと同じように、LLM で文書を前処理し、整形、欠落情報の補完、要約を行うことで検索品質を大きく改善できます。

第3グループ：RAG の全体像をつかむ発展資料

8. RAGFlow：From RAG to Context — 2025 Year-End Review https://ragflow.io/blog/rag-review-2025-from-rag-to-context

この年末レビューは、企業が「RAG なしでは困る一方、RAG にも満足していない」という中心的な矛盾を指摘しています。Long Context は RAG を置き換えられるのか、Context Engineering が独立した分野としてどう台頭したか、Memory システムへの関心がどのように RAG を上回ったかなど、2025 年の変化を広く整理しています。業界全体を把握するのに適した記事です。

9. Evidently AI：A Complete Guide to RAG Evaluation https://www.evidentlyai.com/llm-guide/rag-evaluation

開発と本番の両方を対象とする体系的な RAG 評価ガイドです。ranking metrics と relevance scoring による検索評価、faithfulness と completeness による生成評価、合成データから評価セットを作る方法までを扱います。RAG の評価モジュールに取り組む段階で直接役立ちます。

10. AWS：Writing Best Practices to Optimize RAG Applications https://docs.aws.amazon.com/prescriptive-guidance/latest/writing-best-practices-rag/introduction.html

RAG の性能をソース文書の段階から改善することに焦点を当てた AWS の公式ガイドです。多くの記事が検索アルゴリズムを扱うのに対し、この資料は「RAG が使いやすい文書はどう書くべきか」という実用的で独自の視点を提供します。

おすすめの読書順

現在の学習段階では、次の順序をおすすめします。

  1. Anthropic の Contextual Retrieval 原典（#1）— まず中核概念を理解する
  2. Together AI のオープンソース実装（#5）— コードへの落とし込み方を見る
  3. Anthropic の Context Engineering for Agents（#2）— より大きな全体像を理解する
  4. RAGFlow の 2025 年末レビュー（#8）— 業界の動向と議論を把握する
  5. Evidently の RAG 評価ガイド（#9）— 後の評価作業に備える

最初の二本が現時点で特に重要です。残りの三本は、実際の RAG 開発へ進む段階で詳しく読むとよいでしょう。