応用・実装
RAG(検索拡張生成)とは
Retrieval-Augmented Generation（ラグ）
ひとことで言うと
外部の文書を検索してAIに渡し、その情報に基づいて回答させる仕組みです。
詳しい説明
RAG(Retrieval-Augmented Generation, 検索拡張生成)とは、質問に関連する文書を外部データベースから検索し、その内容をプロンプトに添えてLLMに回答させる手法です。モデルが元々知らない・最新の・社内固有の情報にも答えられるようになります。
一般的な流れは、(1)文書を埋め込みベクトル化してベクトルデータベースに格納、(2)質問を同様にベクトル化して意味の近い文書を検索、(3)取得した文書を根拠としてLLMに渡し回答生成、というものです。
事実に基づく回答を出しやすく、ハルシネーションの抑制や出典明示にも役立ちます。ファインチューニングより手軽に「知識」を更新できる点も利点です。
具体例
- 社内規程を検索して、その記述に基づき「有給の申請方法」を回答する。
- 製品マニュアルから該当箇所を引いて、根拠つきでサポート回答する。
よくある質問
RAGを使うと何が良いの?
モデルの再学習なしに、最新情報や社内文書など外部知識に基づいた回答ができます。出典を示しやすく、事実に反する生成(ハルシネーション)の抑制にもつながります。
RAGとファインチューニングはどちらが良い?
変化する知識・大量の文書を参照させたいならRAG、文体や振る舞いを固定したいならファインチューニングが向きます。目的が異なるため、併用されることも多いです。
出典・参考(一次ソース)
本ページは、広く確立したAIの用語・概念を、公開情報にもとづき編集部がわかりやすく整理したものです。特定製品の最新仕様・数値は各提供元の公式ドキュメントをご確認ください。
最終更新: 2026-07-07