RAG（検索拡張生成）

📖 もうちょい詳しく

何が新しいの？

RAGは、AIに答えさせる前に「関係しそうな資料を探してくる」ステップを足したしくみです。
LLM（大量の文章を学んだAI）は物知りですが、その知識は学習した時点で止まっています。社内ルール、今日の価格、あなたの会社だけの情報などは知りません。RAGは、その足りない部分を外部の資料で補ってから答えさせます。

名前は「Retrieval（検索）」「Augmented（補強された）」「Generation（生成）」の頭文字で、文字どおり「検索で補強した生成」という意味です。

どうやって動いてるの？

大きく3ステップで動きます。

1. 探す: 質問が届いたら、まず社内文書やヘルプページの中から関係しそうな部分を検索します。このとき、言葉が一致しているかではなく「意味が近いか」で探すことが多く、ここでエンベディングやベクトルデータベースが使われます。
2. 渡す: 見つけた資料の一部を、質問といっしょにプロンプト（AIへの指示文）へ入れてLLMに渡します。
3. 答える: LLMは渡された資料を読みながら、自然な文章で回答を作ります。

ポイントは、LLM自身を学習し直すわけではないことです。毎回その場で資料を見せるだけなので、資料を差し替えれば、次の回答からすぐ新しい内容に変わります。

何ができるの？

社内マニュアル検索、FAQの自動回答、製品ヘルプ、問い合わせ対応などに向いています。
「最新の情報を反映したい」「うちの会社だけの情報を答えさせたい」という場面で特に効きます。資料を更新するだけで回答が変わるので、運用しながら少しずつ良くしていけるのも利点です。

ただし、検索が的外れな資料を拾うと、その資料に引きずられて答えもズレます。RAGの良し悪しは「検索の質」でほぼ決まる、と言ってよいくらいです。

🌱 身近なたとえ

持ち込み可の試験で例えると、RAGは「資料を見て答えてよいテスト」です。
記憶だけで書くのではなく、まず手元の資料から関係しそうなページを探し、それを見ながら答えます。記憶頼みより、答えの確かさは上がります。
ただし、見当違いのページを開いてしまえば答えも外れます。「資料を見ながら答える」こと自体ではなく、「正しいページを選べるか」が結果を左右する、というわけです。

✅ まず覚えるポイント

• RAGは「Retrieval-Augmented Generation（検索拡張生成）」の略
• LLMに答えさせる前に、関係する資料を検索して見せるしくみ
• モデルを再学習せず、その場で資料を渡すだけなので、資料を変えれば回答もすぐ新しくなる
• 最新情報や社内限定の情報を扱うのが得意
• 回答の質は「検索の質」でほぼ決まる

🧭 よくある勘違い

RAGを入れればAIは間違えなくなるの？

ゼロにはなりません。RAGは間違い（ハルシネーション）を減らす有力な方法ですが、消す魔法ではありません。
検索で正しい資料を拾えなかったり、資料そのものが古かったりすれば、答えも間違います。「根拠を示して答える」分だけ確認しやすくなる、というのが正しい理解です。

RAGとファインチューニングは同じもの？

別物です。ファインチューニングはモデル自体を追加で学習させて「振る舞いの型」を変える方法で、RAGはモデルはそのままで「その場で資料を見せる」方法です。
最新の事実を答えさせたいならRAG、文体や出力の形をそろえたいならファインチューニング、と役割が違います。両方を組み合わせることもあります。

資料を全部AIに渡せばいいのでは？

それだと、コンテキストウィンドウ（一度に読める文章量の上限）を超えてしまったり、肝心な部分がほかの文章に埋もれたりします。
だからこそ「質問に関係する部分だけを選んで渡す」検索ステップが必要になります。全部を渡すのではなく、必要なところに付せんを貼って渡すイメージです。

🧩 関連して覚えると楽な言葉

• LLM: RAGの「答える係」。渡された資料を読んで文章を作る本体
• エンベディング: 文章の意味を数字の並びに変える技術。意味の近さで資料を探す土台
• ベクトルデータベース: エンベディングをためて、意味の近い資料を高速に探す保管場所
• プロンプト: AIへの指示文。RAGでは、ここに探してきた資料を入れて渡す

🏁 ひとことでまとめ

RAGは、LLMに答えさせる前に外部の資料を検索して見せ、その資料を根拠に回答を作らせるしくみです。
記憶だけで答えるAIに「資料棚」と「付せん」を渡すようなもので、最新情報や社内情報を扱いたいときの定番アプローチになっています。