検索拡張生成(RAG)
検索拡張生成(retrieval-augmented generation、RAG)とは、システムがまず文書の集まりから質問に関連する文章を検索し、その文章を言語モデルに渡して、それに基づいて回答させるパターンです。
別名: RAG
執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法
言語モデルが知っているのは、ナレッジカットオフまでの学習データに含まれていたことだけです。社内wiki、先週のチケット、昨日署名された契約書は見えません。RAGは再学習なしでこのギャップを埋めます。質問の時点で適切なテキストを取得し、プロンプトに入れるのです。
仕組み
事前に、文書をチャンキングで分割し、埋め込みモデルでベクトルに変換し、ベクトルデータベースに保存しておきます。質問が届くと、システムはそれを埋め込み、最も近いチャンクを取得し、多くの場合リランカーで並べ替え、上位の数件を、それに基づいて答えるよう指示とともにモデルに渡します。
この考え方を名付けた2020年の論文は、学習済みのテキスト生成器と、検索可能なWikipediaのインデックスを結び付けました。現在のほとんどのRAGシステムは、その共同学習を省き、既製のモデルを 別個のリトリーバーに接続しています。
例
サポートボットに「月の途中でプランを変更できますか?」という質問が届きます。ボットは請求ポリシーの段落とプランのFAQを取得し、モデルはその両方を引用してそれに基づいて答えます。
限界
RAGの質は検索の質で決まります。適切な文章が見つからなければ、モデルはハルシネーションでその穴を埋めることがあります。また、「主なテーマは何か」のような、コーパス全体についての質問も苦手です。これはGraphRAGが対象とするケースです。各ステップのツールはAIスタックのガイドで比較しています。
関連用語
- ベクトルデータベース
- ベクトルデータベース(vector database)とは、埋め込みを元のレコードとともに保存し、クエリのベクトルに最も近い保存済みのベクトルを見つけるデータベースです。数百万の項目にわたって検索を高速に保つため、通常は近似インデックスを使います。
- ハルシネーション(AI)
- ハルシネーション(hallucination)とは、流暢で自信ありげに聞こえるものの、誤っている、情報源に裏付けられていない、あるいは作り話である AI モデルの出力です。架空の引用文献、発言、統計、API の関数などがその例です。
- 埋め込み
- 埋め込み(embedding)とは、テキスト、画像、その他のデータを表す数値の並び(ベクトル)です。意味の似たものほどベクトルが近くなるように作られます。
- チャンキング
- チャンキング(chunking)とは、長い文書を埋め込みとインデックス化の前に小さな文章のまとまりに分割する手順です。検索システムは、文書のうちクエリに答える部分だけを見つけて返せるようになります。
- リランキング
- リランキング(reranking)とは、候補文書の短いリストを受け取り、最初の検索より正確だが遅いモデルを使って、クエリとの関連度で並べ替える2段目の検索ステップです。
- エージェント型 RAG
- エージェント型 RAG(agentic RAG)とは、AI エージェントが実行する検索拡張生成です。エージェントはいつ検索するか、何を検索するか、どの情報源を使うかを決め、最初の結果が不十分なら検索し直せます。