この記事ではRAGに特化して解説します。RAG全般は RAGとは?仕組み・構築・ベクトルDB選定までの2026年実装マップ をご覧ください。

📌 Docker Compose導入の手順を探している方へ
本記事はOnyx AIの概要解説です。実装手順・コネクタ設定・チューニング詳細は Onyx導入ガイド|Docker Composeで構築・運用する にまとめています。

Onyx AIとは:社内データをAIで横断検索するOSSプラットフォーム

Onyx(旧Danswer)は、GitHubスター31,285(2026年7月31日時点)を獲得した企業向けのオープンソースRAGプラットフォームだ。最新リリースは v4.4.7(2026-07-29)。社内のドキュメント・Slack・メール・データベースなど50以上のデータソースを接続し、AIが検索して回答するチャットボット基盤を作れる。

最大の特徴は「セルフホスティング」に対応していること。自社サーバーやプライベートクラウド上でデータを管理できるため、機密情報を扱う企業でもAI検索を導入しやすい。

Onyxのチャット画面デモ:社内ドキュメントを横断検索し引用つきで回答する様子
Onyxのチャット画面。社内ソースを横断検索し、引用元を示しながら回答する(出典: onyx-dot-app/onyx 公式デモGIF)。
30秒でわかるOnyx AI
① セルフホスティング——アプリ本体を自社に置ける(LLMの置き場所は別の選択)
② 50+コネクタ——Slack・Confluence・Google Drive等をGUIで接続
③ マルチLLM——OpenAI・Claude・Gemini・Ollama・vLLMに対応
④ UIは英語のみ。日本語の文書を入れて日本語で質問する運用は成立する

PDF・表データの高精度パーサーに強いRAGFlowに対し、Onyxはコネクタの豊富さとセットアップのしやすさで差別化している。

Onyx AIの主な機能と使い方

50+コネクタと権限の引き継ぎ

管理画面のGUIからOAuth認証やAPIキーを設定するだけで接続できる。

カテゴリ 対応サービス例
チャット・メッセージ Slack、Microsoft Teams、Discord
ドキュメント管理 Confluence、Notion、SharePoint
ファイルストレージ Google Drive、OneDrive、S3
コード管理 GitHub、GitLab、Bitbucket
CRM・業務ツール Salesforce、HubSpot、Zendesk
データベース・ファイル PostgreSQL、MySQL、PDF、Word、Excel、Markdown

SlackのプライベートチャンネルやGoogle Driveの共有設定がOnyxの閲覧権限に反映されるので、既存の権限構造を活かせる。検索はベクトル検索とBM25全文検索のハイブリッドで、自然文の質問にもキーワード的な検索にも対応する。Web検索、Pythonコード実行、カスタムエージェントも使える。

使い方:Docker Composeで起動する

公式推奨はDocker Compose。まずワンラインスクリプトで試し、本番ではdocker-compose.ymlを調整する。

curl -fsSL https://onyx.app/install_onyx.sh | bash

本番向けの手動セットアップは次の流れになる。

git clone https://github.com/onyx-dot-app/onyx.git
cd onyx/deployment/docker_compose
cp .env.example .env
docker compose -f docker-compose.dev.yml -p onyx-stack up -d

起動するとPostgreSQL、Vespa(検索エンジン)、バックエンドAPI、フロントエンドの各コンテナが立ち上がる。全サービスがhealthyになればhttp://localhost:3000でWeb UIに入れる。LLMプロバイダのAPIキーなど.envの設定項目は導入ガイドにまとめた。公式推奨スペックはCPU 4コア以上、メモリ16GB以上、ストレージ50GB以上で、文書数が多いなら32GB以上を検討する。

Onyx AIのアーキテクチャ:RAGパイプラインの仕組み

内部の流れを知っておくと、チューニングやトラブルシューティングが楽になる。

RAG PIPELINE検索から回答まで

コネクタで集めた文書をハイブリッド検索して引用つきで答える

  1. コネクタ取得

    Slack・Drive等から定期取得

  2. 分割と埋め込み

    Vespaへ保存(権限情報つき)

  3. ハイブリッド検索

    ベクトル+BM25 → リランキング

  4. LLM回答

    引用元つきで表示

出典: 公式README・本文の整理
  1. 取り込み:コネクタが各データソースから定期的に文書・メッセージを取得する
  2. チャンク分割と埋め込み:文書を意味単位に分け、埋め込みベクトルを生成して Vespa に保存する。ソース・日時・権限情報もメタデータとして持つ
  3. 検索とリランキング:質問に対しベクトル検索とBM25で関連文書を集め、関連度で並べ替える
  4. 回答生成:上位の文書をコンテキストにLLMへ送り、引用元つきで回答する

Onyx AI 競合ツールとの比較

項目 Onyx ChatGPT Enterprise Copilot for M365 Dify RAGFlow
ホスティング セルフホスティング クラウドのみ クラウド統合 セルフ/クラウド セルフホスティング
対応データソース 50+種類 ChatGPT接続のみ Microsoft 365統合 API経由 10+種類
LLM選択 複数LLM対応 GPT系のみ Copilot固定 複数LLM 複数LLM
アクセス制御 ユーザー・グループ 組織全体 ユーザー単位 ワークスペース データセット単位
料金 無料(OSS) 有料(月額) ライセンス型 無料(OSS) 無料(OSS)
特徴 コネクタ豊富 GPT統合 M365統合 ワークフロー 高精度パーサー

既存SaaSの文書を集約するならOnyx、ノーコードワークフローならDify、PDF・表の高精度解析ならRAGFlowが目安になる。LangChainで独自パイプラインを組む方法と比べると、Onyxはインフラの構築・運用の手間が小さく、非エンジニアも検索画面を使える。

Onyxは何を代替できるのか|「社内検索」だけではない守備範囲

公式READMEが挙げる機能は、すでにチャットUIを備えたLLMアプリケーション層と呼べる広がりを持つ。

機能 何を置き換えるか
RAG(社内ソース横断検索) 社内wiki検索、「これどこにある?」の問い合わせ
Web検索・ディープリサーチ 調査のたびにブラウザを開く手間
Artifacts(文書・図の生成) 議事録・報告書の下書き
Actions & MCP(外部アプリ連携) 検索で終わらず、外部システムの操作まで続ける
Code Execution(サンドボックス) データ分析・グラフ描画の簡易スクリプト

代替するのは「社内検索ツール」と「チーム共通のChatGPT的フロントエンド」の2つだ。ChatGPT EnterpriseやGleanのような商用製品に対し、自社インフラ上でモデル選択の自由を保ったまま同種の体験を用意する立ち位置になる。ベクトルDBやLLMそのものを作るプロジェクトではないので、検索精度は選んだ埋め込みモデル・LLM・投入文書の整備状況に左右される。

Standard と Lite|まず試すならどちらを選ぶか

OnyxにはStandardとLiteの2つのデプロイ形態がある。「重そうだから試さない」と決める前に違いを確認したい。

LITE VS STANDARDデプロイ形態

文書検索にはStandard、触るだけならLite

Onyx Lite

軽量なチャットUI

  • メモリ1GB未満
  • RAGインデックス無し
  • コネクタ同期無し

Standard Onyx

全機能版

  • ベクトル+キーワードの複合インデックス
  • コネクタ同期のワーカー
  • 推論サーバー・Redis・MinIO
出典: 公式ドキュメント(2026-07-31時点)

社内文書の横断検索にはStandardが必要で、Liteにはコネクタ同期もRAGインデックスも無い。評価の段階で使い心地だけ見たいなら、1GB未満のLiteで足りる。Standardはベクトル+キーワードの複合インデックス、ジョブキューのワーカー、推論サーバーが加わり、大規模向けにRedisとMinIOも使う。デプロイはDocker / Kubernetes / Helm・Terraformに対応し、試すだけならマネージドのOnyx Cloudもある。

Community Edition と Enterprise Edition の機能境界

公式READMEによると、CEは「MITライセンスで自由に利用でき、Chat・RAG・Agents・Actionsのコア機能すべてを含む」。EEは主に大規模組織向けの追加機能だ。

機能 区分
Chat / RAG / Agents / Actions(コア) CE(MIT)
SSO(Google OAuth・OIDC・SAML)、SCIMによるユーザープロビジョニング EE
RBAC(エージェント・アクション等への権限制御) EE
利用状況アナリティクス、クエリ履歴の監査 EE
カスタムコード実行(PII除去・機微クエリの拒否など) EE
ホワイトラベル(名称・アイコン・バナー) EE

「検索して答えさせる」ところまではCEで完結する。SSO必須・部署単位の権限分離・監査ログが要件に入った時点でEEの検討になる。情シス主導の全社導入では最初から付いてくる要件なので、PoCをCEで進める場合も本番要件を先に確認しておくと手戻りが少ない。

OnyxとDanswerの関係|旧名で検索したときに知っておくこと

「onyx danswer」で検索する人は多いが、両者は別製品ではなく、同じプロジェクトの改名前後の名前だ。現在のリポジトリのLICENSEファイルも、冒頭が次の1行のままになっている。

Copyright (c) 2023-present DanswerAI, Inc.
場面 旧名(Danswer)で見たときの注意
GitHub 旧 danswer-ai/danswer へのリンクは現行リポジトリへ転送される。issue番号は連続している
Docker イメージ 旧名のタグを指す手順書は更新が止まっている可能性が高い。現行の公式手順に読み替える
日本語記事 2024〜2025年前半の記事は「Danswer」表記。UI・設定項目名が今と異なる場合がある
カタカナ表記 「オニキス」と読む。「オニキス AI」で検索しても同じ製品

製品名が「Danswer」のままの手順書は、少なくとも改名前の情報と見てよい。コネクタのGUIやモデル設定は改名後に大きく変わったので、手順は現行ドキュメントで再確認したい。

Onyxが対応するLLM|セルフホストからプロプライエタリまで

「onyx llm」で来る人が知りたいのは、どのモデルを繋げるか、そしてローカルLLMで完結できるかだろう。公式READMEは「Onyx supports all major LLM providers, both self-hosted (like Ollama, LiteLLM, vLLM, etc.) and proprietary (like Anthropic, OpenAI, Gemini, etc.)」としている。

区分 対応例 向いているケース
セルフホスト Ollama / LiteLLM / vLLM データを外部APIに出せない。GPUを自前で持っている
プロプライエタリ Anthropic(Claude)/ OpenAI / Google Gemini 回答品質を優先。運用負荷を抑えたい
混在 用途別にモデルを割り当て 機密度の高い問い合わせはローカル、それ以外はAPI

SELF-HOST MYTHよくある誤解

アプリを自社に置いても、LLM次第で文書は外へ出る

誤解

実態

誤解: セルフホストだから社外に出ない

実態: 外部APIのLLMなら質問文と文書の断片が送られる

誤解: Onyxを入れれば完全に閉じる

実態: Ollama / vLLMなどローカルモデルまで選ぶ必要がある

出典: 公式README(LLM対応範囲)・本文の整理

「セルフホスティング」はアプリ本体の話で、LLMをどこで動かすかは別の選択だ。アプリを自社サーバーに置いても、モデルにOpenAI APIを指定すれば質問文と検索でヒットした社内文書の断片は外部APIへ送られる。社外に出したくないなら、Ollama / vLLMなどのローカルモデルまで選ぶ必要がある。

Onyxは日本語で使えるか|UIと回答を分けて考える

「onyx 日本語」で調べる人向けに、3つの層に分けて整理する。

レイヤー 日本語対応 補足
管理画面・チャットUIの表示言語 未対応(英語) リポジトリに i18n / locales に相当するディレクトリが無い(web/src/i18n・web/public/locales いずれも無し)
日本語文書の取り込み・検索 可能 埋め込みモデル依存。多言語対応モデルを選ぶ
日本語での回答生成 可能 LLM側の能力に依存。Claude・GPT・Gemini系は日本語で回答する

UIは英語だが、日本語の社内文書を入れて日本語で質問し日本語で答えさせる運用は成立する。管理者は英語UIを触るが、エンドユーザーはチャットを日本語で使える。UIの日本語化が要件ならフォーク改修の見積もりが要る。デフォルトの埋め込みモデルで日本語の検索精度が足りない場合は、環境変数でmultilingual-e5-large等の多言語モデルに切り替えると改善するケースが多い。

Onyxのライセンス|MIT部分とEnterprise(ee/)部分の境界

GitHubのライセンス表示は NOASSERTION で、単純な「MITのOSS」ではない。LICENSEファイルは配下を2分している。

対象 ライセンス
backend/ee/ · web/src/app/ee/ · web/src/ee/ の各ディレクトリ配下 Onyx Enterprise License
上記以外 MIT Expat
同梱される第三者コンポーネント それぞれの元ライセンス
「無料のOSS」と一括りにしない
ee/ 配下の機能はMITと同じ条件では扱えない。フォークして自社製品に組み込む、再配布するといった場合は、使う機能が ee/ 配下かどうかを先に確認すること。社内での自己利用だけなら実務上の問題になりにくい。

導入前チェックリスト|先に潰しておく5項目

・① どこまでを社外に出さないのか — アプリのセルフホストとLLMの選択は別問題。完全に閉じたいならローカルモデルまで含めて設計する
・② LiteかStandardか — UIを触るだけならLite。文書を継続的に取り込むならStandard
・③ SSO・RBAC・監査ログが要件か — 入るならEEの検討。コア機能はCE(MIT)で完結する
・④ UIが英語のままで運用できるか — 日本語化が要件なら自前改修のコストを見積もる
・⑤ 再配布・製品組み込みの予定があるか — ある場合は ee/ 配下かどうかを確認する

このほかの注意点として、外部LLMを使うとクエリ増加に応じて料金が増える(ローカルLLMで抑えられるがGPU投資が要る)。入力文書が不正確なら回答精度も下がるため、定期的なデータ監査が欠かせない。大規模導入では検索エンジン(Vespa)の負荷も見ておきたい。

まとめ:Onyx AI は社内RAG基盤の有力候補

Onyx AIは、セルフホスティング・50+コネクタ・マルチLLMの3点で、企業向けRAGチャットボットの有力な選択肢だ。

  • データを社内で管理したい組織 — アプリ本体を自社に置ける。LLMもローカルにすれば閉じられる
  • 既存SaaSのナレッジを統合したい — 50+コネクタで主要ツールと接続
  • LLMを選びたい — OpenAI・Claude・Gemini・ローカルLLMに対応

具体的な構築手順・コネクタ設定・運用チューニングは Onyx導入ガイド|Docker Composeで構築・運用する にまとめている。

関連記事: RAGとは?仕組み・構築・ベクトルDB選定までの2026年実装マップ

参照ソース