RAG（検索拡張生成）
RAG（Retrieval-Augmented Generation、検索拡張生成）とは、質問に関係する情報を文書やデータベースから検索し、その情報をLLMへ渡して回答を生成する方法です。
RAGが回答を作る5段階
- 利用者が質問を入力する。
- 質問に近い文書やデータを検索する。
- 見つけた箇所を質問と一緒にLLMへ渡す。
- LLMが参照情報に基づく回答を生成する。
- 利用者が回答と参照元を確認する。
たとえば社内規程の質問に答える場合、就業規則や申請マニュアルの該当箇所を先に探し、その内容を使って回答します。規程をモデルへ覚え直させなくても、文書を更新すれば新しい情報を検索対象にできます。
RAG・プロンプト・ファインチューニングの違い
| 方法 | 主な目的 | 向いている課題 |
|---|---|---|
| プロンプト | その場の指示を具体化する | 出力形式、観点、手順を指定したい |
| RAG | 外部の知識を検索して渡す | 社内情報や更新情報に基づいて答えたい |
| ファインチューニング | モデルの振る舞いを学習で調整する | 分類や定型出力を多数の例で安定させたい |
RAGが向く場面
- 社内規程、製品仕様、FAQを横断して探す
- 改定がある制度やマニュアルを参照する
- 回答に根拠文書や該当箇所を表示する
「RAGを入れれば正確」ではない
検索で誤った文書を選べば、回答も誤る可能性があります。古い版と最新版が混在する、PDFの表を正しく読み取れない、質問と違う部署の規程を拾う、といった失敗はモデル変更だけでは直りません。
導入前の確認
- 正本となる文書、版、所有部署、更新日を明確にする
- 部署や役職によって閲覧できる情報を分ける
- 検索結果、回答、引用箇所を別々に評価する
- 該当情報がないときは、推測せず「見つからない」と返す
- 回答から原文へ戻れるリンクを用意する
参考情報
最終確認日: 2026年7月22日
スポンサーリンク