RAG(検索拡張生成)とは

ざっくり言うと

ChatGPT のファイル添付・Web 検索機能や、企業の社内 AI チャットボットの多くは、この RAG の考え方を使って作られています。

イメージ

正確には

RAG は、2020年に Meta(当時 Facebook AI Research)などの研究者が論文「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」(Lewis et al., arXiv:2005.11401)で提案した手法です。Meta AI の公式ブログでも、「生成モデルに外部知識ソースへのアクセスを与えることで、知識集約型タスクの精度を高める一般的な手法」として紹介されています。

IBM の解説では RAG を 「大規模言語モデル(LLM)の出力を、生成前に外部の権威ある知識ベースを参照することで最適化するプロセス」 と定義しています。Microsoft Learn(Azure AI Search のドキュメント)や Google Cloud の解説でも同様に、「LLM に外部データを与えて回答品質を高めるアーキテクチャ」として説明されています。

仕組みの3ステップ

RAG の基本的な処理の流れは、公式各社の解説でほぼ共通しています。

ステップ	何をする?	ざっくり言うと
1. Retrieval(検索)	ユーザーの質問に関連する文書を、知識ベースから取ってくる	ベクトル検索などで「似た意味の文書」を引っ張る
2. Augmentation(拡張)	取ってきた文書を、質問と一緒にプロンプトに詰める	LLM へのお題に資料を“添付”する
3. Generation(生成)	LLM が、渡された文書を参考にして回答を作る	カンニングペーパーを見ながら答える

なぜ RAG が必要なのか

LLM 単独には、構造上いくつかの弱点があります。RAG は、そこを補うために生まれた標準的な手法です。

• ナレッジカットオフ問題: LLM は学習データの締切日(カットオフ)以降の情報を知らない。→ RAG なら更新後の文書を検索して渡せる
• 社内情報・専門情報を知らない: 一般公開されていない情報(社内規定・契約書・特定業界の資料)は学習されていない。→ RAG なら自社のナレッジベースを参照できる
• ハルシネーション: 知らないことを“それっぽく”作ってしまう。→ RAG で 根拠となる文書を一緒に渡す ことで、事実に基づいた回答に近づけられる(ただし完全には防げない)

IBM・Microsoft・Google Cloud のいずれの解説でも、RAG の主な動機として「更新された情報を扱うこと」「ドメイン固有知識の活用」「ハルシネーションの低減」が共通して挙げられています。

身近な使われ方

注意点

確認のコツ

よくある勘違い

やってみよう

LLM の学習時点については別記事「ナレッジカットオフとは」で扱っています。RAG はこの“知識の境界線”を超えるための代表的な道具、と押さえておけば大丈夫です。