OpenRAG 2.0は、LINAGORAが開発したドキュメント中心の検索拡張生成（Retrieval-Augmented Generation、RAG）プラットフォームです。提供されているDiscovery記録によると、2026年7月8日にリリースされ、ドキュメントとパーティション、処理タスク、モデルを管理するReactコンソールとOpenAI互換APIを提供しています。内部構造は、core、services、api、diのレイヤーを分離したヘキサゴナルアーキテクチャ（Hexagonal architecture）を採用しています。これを図書館に例えると、ドキュメントは本、パーティションはテーマ別の書架、インデックス・検索プリセットは司書の分類規則に対応し、研究者はモデルや保存層全体を作り直すことなく、必要な構成要素を交換することができます。 一般的なRAGの構築では、ドキュメント収集機、パーサー、埋め込みモデル、ベクトルストレージ、検索エンジン、生成モデル、管理UIを異なるプロジェクトから組み立てる必要があります。この過程ではAPI形式やデータモデルが異なるため、構成変更や障害の追跡が困難になり、マネージドサービスに依存するとドキュメントやクエリが外部システムへ移行する可能性があります。OpenRAG 2.0の特徴は、全体スタックを自前のインフラで運用できるソブリン・バイ・デザイン（sovereign-by-design）の構造と、パーティションごとのインデックス・検索パイプラインプリセットです。GPTが複数の種類のテキストを共通インターフェースで処理するように、OpenRAGは異なるドキュメントセットや検索設定をパーティションという運用単位で整理するアプローチを採用しています。ただし、対応ドキュメント形式、内蔵埋め込みモデル、ベクトルストレージの種類、リランキング（Reranking）機能と認証方式については、公式文書を確認する必要があります。 生命科学の研究者は、論文、実験プロトコル、機器マニュアルをそれぞれ別のパーティションに格納し、検索ポリシーを分離することで活用できます。例えば、毎日50件の新規論文を文献パーティションにインデックスし、OpenAI互換APIでクエリごとに上位10件の根拠ドキュメントを要求した後、生成モデルが候補論文5件の抄録と根拠位置を整理するように構成することができます。これはOpenRAGの公開パフォーマンス数値ではなく、研究者が設定できる仮想運用シナリオであり、実際のリクエストパラメータやレスポンススキーマについてはAPIリファレンスの確認が必要です。 もう一つの活用方法として、標準作業手順書（Standard Operating Procedure、SOP）、安全指針、品質文書を部署別のパーティションで隔離し、クエリの範囲を制御することが挙げられます。ドキュメント1,000件を研究・品質・安全の3つのパーティションに分け、質問ごとに指定されたパーティションのみを検索するように設計すれば、関連のないドキュメントが根拠に混入する範囲を減らすことができます。OpenAI互換APIは既存のクライアントとの接続が容易なインターフェースを目指していますが、完全な互換範囲やモデル交換の手順はまだ再検証されていません。したがって、機密性の高い研究データを入力する前には、アクセス制御、転送・保存の暗号化、監査ログ、削除ポリシーを公式デプロイメント文書で確認する必要があります。

OpenRAG 2.0は、LINAGORAが開発したドキュメント中心の検索拡張生成（Retrieval-Augmented Generation、RAG）プラットフォームです。提供されているDiscovery記録によると、2026年7月8日にリリースされ、ドキュメントとパーティション、処理タスク、モデルを管理するReactコンソールとOpenAI互換APIを提供しています。内部構造は、core、services、api、diのレイヤーを分離したヘキサゴナルアーキテクチャ（Hexagonal architecture）を採用しています。これを図書館に例えると、ドキュメントは本、パーティションはテーマに相当します。

🔬 新規生命科学論文エビデンス検索: 毎日50件の論文を文献パーティションに格納し、OpenAI互換APIで照会して上位10件を検索した後、生成モデルが候補5件と根拠を整理する。数値は仮想運用目標であり、実際の処理量はデプロイ環境で測定する必要がある。