RAG (検索拡張生成)とは？

詳しい解説

RAG (Retrieval-Augmented Generation / 検索拡張生成) は、ユーザーの質問に対してまず外部の知識ベース (社内ドキュメント・Web 検索結果など) から関連する情報を検索 (Retrieval) し、その情報をプロンプトに付加して LLM に回答を生成させる仕組みです。

LLM 単体ではモデルに含まれていない最新情報・社内固有情報を扱えませんが、RAG を組み合わせることで「LLM の言語能力 + 自社データの正確性」を両立できます。 一般的には文書をベクトル化して Vector DB に格納し、質問もベクトル化して類似度検索する構成が広く採用されています。

ハルシネーション (虚偽生成) の抑制、根拠リンクの提示、社内ナレッジボット・カスタマーサポート自動化など、エンタープライズ AI 活用の主要技術です。

実務での使いどころ

社内マニュアルの問い合わせ対応、規程集からの回答、過去案件の検索といった「自社の情報に基づいて答えさせたい」業務すべてが対象です。生成AIを社内導入するときに、もっとも需要が大きい構成です。

精度を決めるのはモデルの性能より、どの資料をどの単位で登録するかの設計です。関係のない資料を大量に入れると回答がぼやけ、絞りすぎると答えられない範囲が増えます。

混同しやすい用語との違い

ファインチューニングがモデル自体を作り替えるのに対し、RAG はモデルを変えずに参照先の情報を足す方法です。情報が頻繁に更新される社内文書には RAG が向き、口調や出力形式を固定したい場合はファインチューニングが向きます。まず RAG を検討するのが定石です。