Difyでノーコードの社内向けAIチャットボットを作る入門｜自社資料に答えさせるRAGの始め方

「就業規則や経費精算のマニュアルをいちいち探すのが面倒。社内資料の中身に答えてくれるチャットボットがあれば」。そう思っても、自分でゼロからプログラムを書くのは現実的ではありません。

そこで使えるのが Dify です。Difyは、大規模言語モデル（LLM）を使ったアプリを、画面の操作だけで組み立てられるオープンソースのツールです。チャットボットや、自社資料に答えさせる仕組み（後で説明するRAG）を、コードを書かずに作れます。

この記事では、「就業規則のPDFを読み込ませて、社員からの質問に答えるボットを作る」という具体的なゴールを想定します。RAGの仕組み、Difyの2つの動かし方（手軽なクラウド版と、自分のサーバーに立てるセルフホスト版）の使い分け、そして最初につまずきやすい点と「本当にかかるお金」まで、順番に整理していきます。なお画面名やメニュー位置はバージョン更新が速いので、細かい操作は最新のDify公式ドキュメントで照らし合わせてください。

そもそもRAGとは — 「資料を見ながら答えてもらう」仕組み

ChatGPTのようなLLMは物知りですが、あなたの会社の就業規則は知りません。そのまま聞いても、もっともらしい嘘（ハルシネーション＝AIが事実でないことを自信ありげに作文する現象）が返ってきます。

RAG（Retrieval-Augmented Generation＝検索で補強した生成）は、これを「資料を手元に置いて、それを見ながら答える」やり方に変える仕組みです。Dify公式は、おおまかに3段階で説明しています。

検索（Retrieval）: 質問が来たら、取り込んだ社内資料の中から関連の深い部分だけを探し出す
補強（Augmented）: 探し出した部分を、質問とセットで「参考資料」としてLLMに渡す
生成（Generation）: LLMはその資料を根拠に答えを作る

社内資料の例で流れを追うと、こうなります。

就業規則.pdf と 経費精算マニュアル.docx を取り込む
文章を段落ごとに細かく分割する（この断片を「チャンク」と呼びます）
各チャンクを埋め込みモデルで数値の列（ベクトル）に変換して保存する
社員が「有給は何日前に申請？」と聞くと、質問も数値に変換し、意味の近いチャンクを探す
見つかった「有給の申請に関する段落」を根拠に、LLMが回答する

ここで大事な注意があります。公式の表現は「ハルシネーションが起きにくくなる（less prone to hallucinations）」であって、「なくなる」ではありません。元の資料が古い、分割が雑、該当箇所がそもそも無い——こうした場合は精度が落ちます。RAGの賢さは、AIそのものより渡す資料の整い具合で決まる、と覚えておいてください。

Difyで作るおおまかな流れ（4ステップ）

実際の組み立ては、ノーコードの画面操作で進みます。細部はバージョンで変わるので「だいたいの流れ」として読んでください。

モデルプロバイダを設定する: DifyにはLLMが内蔵されていません。Settings → Model Providers から、OpenAI・Anthropic（Claude）・Googleなどを選び、各社で発行したAPIキーを貼り付けます。RAGを使うなら、回答用のLLMに加えて埋め込みモデルも設定が必要です（資料をベクトル化するため）。
ナレッジ（知識ベース）を作る: 就業規則などのファイルをアップロードします。初心者はまず「Quick create」を選べば、分割や変換はDifyが自動でやってくれます。
アプリ（チャットボット）を作る: チャット型のアプリを新規作成し、さきほどのナレッジを紐づけます。
テストして公開する: 「有給は何日前？」と試しに聞き、正しい根拠を引けているか確認します。問題なければWeb公開やAPIとして社内に配ります。

対応するファイル形式は、PDF・Word（DOCX）・テキスト・Markdown・HTML・CSVなど主要なものに対応しています（対応形式や1ファイルの容量上限は更新されるので、最新は公式ドキュメントで確認してください）。

精度が出ないときに見直す設定

「PDFを入れたのに変な回答が返る」。RAGで最初にぶつかる壁です。Difyには精度を調整するつまみがいくつかあります。

インデックス方式: 「High Quality（埋め込みモデルで意味的に検索。精度高・トークン課金あり）」と「Economical（チャンクあたり10個のキーワードで索引を作る方式。トークン消費ゼロだが精度は落ちる）」の2つ。社内ボットなら基本はHigh Qualityです。ここで一つ落とし穴があります。公式ドキュメントは「High Qualityで作った後にEconomicalへ切り替えることはできない」と明記しています（逆にEconomical→High Qualityへの引き上げは可能）。後から軽くしようとして詰まる人がいるので、迷ったら最初からHigh Qualityにしておくのが無難です（出典: Dify公式 Setting Indexing Methods）。
検索方式: High Qualityでは、ベクトル検索（意味で探す）・全文検索（言葉で探す）・ハイブリッド検索（両方を同時に実行して統合）が選べます。固有名詞や型番が多い資料は、ハイブリッドが効くことが多いです。
リランク（Rerank）と取得件数: 検索でざっくり集めた候補を、別のモデルで並べ替えて精度を上げるのがリランクです。既定はオフ。TopK（何件渡すか）やScore Threshold（どれくらい似ていれば採用するか）と合わせて調整します。

つまり「変な回答」への対処は、AIを責めるのではなく、資料を整える → 分割と検索方式を見直す → 必要ならハイブリッド＋リランクを足す、の順で当たるのが定石です。

動かし方は2択 — クラウドか、自分のサーバーか

Difyには大きく2つの動かし方があります。ここが初心者にとって一番の分かれ道です。

	Dify Cloud（公式SaaS）	セルフホスト（Community Edition）
初期設定の手間	ほぼゼロ。登録してすぐ使える	サーバー用意＋Docker構築が必要
費用	無料枠あり＋有料プラン	サーバー代（VPS月額など）。Dify自体のライセンス費はなし
資料の保管先	海外（米国など）。AWS等を利用	自分のサーバーの中
機密資料向き	△	◎ 自社インフラ内に留められる
拡張性	プランの上限あり	自由（性能はサーバー次第）

まず試したいだけなら Dify Cloud です。無料の「Sandbox」プランがあり、メッセージ数・アプリ数・登録できる文書数・ベクトル保存量などに上限があります。具体的な枠や有料プランの料金（Professional / Teamなど）は変わりやすいので、Dify公式の料金ページで最新を確認してください。

判断軸はシンプルです。公開してよい一般的な資料（製品マニュアルなど）ならCloudで十分。一方、個人情報や未公開の社内規程のように機密性が高いものは、資料が自社サーバー内に留まるセルフホストが安心です。Dify Cloudの運営元（LangGenius）はプライバシーポリシーで、収集した情報を米国を含む複数の国・地域で保管・処理することがあり、サービス提供にAWS（Amazon Web Services）などを利用する旨を明記しています（出典: Dify Privacy Policy）。データの所在を国内に限定したいなど、自社のコンプライアンス要件がある場合は、ここが分かれ目になります。

ただしセルフホストでも、LLMにはAPI経由で質問と参考資料の本文が送られます。つまり「Difyの保管先」だけでなく「使うモデルプロバイダ（OpenAIなど）のデータ取り扱いポリシー」も合わせて確認するのが筋です。

セルフホストの始め方 — DockerとVPS

自分のサーバーに立てる場合の最小構成を見ておきます。Dify公式のDocker Composeデプロイ手順では、動作の最小要件をCPU 2コア以上（CPU >= 2 Core）・RAM 4GiB以上（RAM >= 4 GiB）としています（出典: Dify公式 Docker Compose Deployment）。ただしこれは最小値で、就業規則の検索ボットを快適に回すなら、実運用ではメモリ8GB前後を見ておくと余裕ができます。

Dockerが入った環境なら、公式のクイックスタートはこれだけです。

git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d

コードをコピーしました

起動したらブラウザで http://localhost/install を開き、管理者アカウントを作成します。難しく見えますが、やっていることは「設定ファイルをコピーして、コンテナ一式を立ち上げる」だけです。

Linuxに不慣れなら、VPSのテンプレを使う手もある

とはいえ「自分のサーバーを用意してDockerを入れる」段階で止まる人は多いです。そこで選択肢になるのが、VPS（仮想専用サーバー）側が用意した自動構築テンプレです。

たとえば ConoHa VPSPR は、2025年10月にDifyを含むAI系のスタートアップスクリプトを公開しました（出典: GMOインターネットプレスリリース）。サーバー作成時にDifyテンプレを選ぶと、Docker・PostgreSQL・Redis・ベクトルDB（Weaviate）・Nginx（SSL対応）まで自動で組まれた状態で立ち上がります。手順はおおむね3ステップです。

コントロールパネルでDifyのスタートアップスクリプトを選んでサーバーを作成
SSHでサーバーに入り /root/dify-start.sh を実行（数分待つ）
http://[ドメイン]/install で管理者を登録し、/root/dify-enable-https.sh -e [メール] でHTTPS化

ConoHa公式の手順ページでは、このDifyテンプレの推奨環境としてメモリ8GB以上・ディスク20GB以上が案内されています（ベクトルDBやPostgreSQLなど複数のコンテナが同居するため、前述のDify最小要件より上振れします）。ベクトルDBまで自動で入るので、Linuxの細かい設定に踏み込まずに済むのが初心者向けの利点です（プラン・推奨環境・手順の最新はConoHa公式ドキュメントで確認してください）。

ひとつ注意点があります。インストール直後はサービスが起動するまで、管理者未設定のまま外部からアクセスできる状態になり得ます。立てたら最初に管理者アカウントを登録して、他人に乗っ取られないようにしてください。

自分で一からDockerを組む方法とVPSのテンプレ、どちらが自分に合うかは AI向けVPSの比較や ConoHa VPSのAIテンプレ解説も合わせて読むと判断しやすいはずです。「そもそも自前サーバーが要るのか」から考えたい人は自作AIツールを公開する方法が出発点になります。

「Dify無料」は完全無料ではない — 本当のコスト

ここを誤解すると後で驚きます。Difyを使う費用は、ざっくり3つに分かれます。

Difyの利用料: Cloudならプラン料金、セルフホストならVPSなどのサーバー代。Dify本体のライセンス費は無料です。
LLMのAPI従量課金: 質問と回答のやりとりに応じて、OpenAIなどのモデルプロバイダへ支払います。Difyの料金とは別建てです。
埋め込みのトークン課金: High Qualityインデックスでは、資料をベクトル化する際にも埋め込みモデルのトークン費がかかります。

単価はプロバイダ・モデルごとに違い、変動もします。具体額は各社の料金ページで確認してください。要するに「セルフホストでDify自体はタダ」でも、AIに問い合わせるたびにAPI代は発生する、という構図です。

ライセンスの注意 — 社内利用は基本OK、外販はNG

Difyのライセンスは「Dify Open Source License」（Apache 2.0ベース＋追加条件）です。商用利用はできますが、主な制約が2つあります。

書面の許諾なく、Difyを他社向けのSaaS（マルチテナント）として再提供してはいけない
Difyの管理画面のロゴや著作権表示を削除・改変してはいけない

今回のような「自社内で社員向けに使うチャットボット」は、通常この範囲に収まります。ただし、Difyで作ったものを社外向けサービスとして展開する計画があるなら、その時点でLICENSEや公式への問い合わせで可否を確認してください。

どんな人に向くか／向かないか

向いている人: 社内マニュアルや規程が整っていて、それを引ける窓口がほしい人。コードは書けないが、画面操作とAPIキー設定くらいはできる人。機密資料を外に出したくなくてセルフホストを許容できる人。
向かない人・損しやすい人: 元の資料がそもそも散らかっている人（RAGは資料の質に依存するので、まず資料整備が先）。サーバーの保守をする気がない人（その場合はCloud一択、それも面倒ならノーコードのSaaS型ボットの方が楽な場合も）。

最短で着手するなら、まずこの2つ

読み終えたら、次に開くのはこの2か所です。どちらから入るかは「試したいだけ」か「機密資料を扱う」かで決めてください。

すぐ試す: dify.ai でCloudのアカウントを作り、SandboxプランでナレッジにPDFを1枚アップしてみる（サーバー不要）。
自前で立てる: GitHubのlanggenius/dify を git clone して docker compose up -d。Linuxが不安なら、その前に AI向けVPSの比較で土台を選ぶ。

どちらも最初の関門はLLMのAPIキー設定です。OpenAIやAnthropicのキーを1本用意しておくと、つまずかずに最初の回答までたどり着けます。

まとめ

Difyは、自社資料に答えるAIチャットボットをノーコードで作れるオープンソースツール。中核はRAG＝「資料を検索して、それを見ながらLLMに答えさせる」仕組み。
RAGはハルシネーションを減らすもので、なくすものではない。精度は元資料の整い具合・分割・検索設定で決まる。
DifyにはLLMが内蔵されていない。OpenAIやClaudeなどのAPIキーと、RAG用の埋め込みモデルの設定が必須。
動かし方はCloud（手軽・機密は△）とセルフホスト（手間あり・機密◎）の2択。機密度で選ぶのが基本。
Linuxに不慣れなら、ConoHa VPSPRのようにベクトルDBまで自動構築するVPSテンプレを使う手もある。
「Dify無料」はライセンス費の話。LLMのAPI従量課金は別途かかる。社内利用はライセンス的に基本OK、外販はNG。
料金・対応形式・対応モデルは変わりやすい。数値はDify公式とドキュメントで最新を確認すること。