RAG
RAG（Retrieval-Augmented Generation）は、回答を作る前に外部情報を検索し、その内容を生成モデルへ渡す仕組みです。
30秒でわかる要点
RAG（Retrieval-Augmented Generation）は、回答を作る前に外部情報を検索し、その内容を生成モデルへ渡す仕組みです。
検索対象から関連文書を取得し、質問と一緒にモデルへ入力します。
文書の分割方法、検索精度、更新頻度、引用の表示を設計します。
RAGを使っても正確性は保証されません。検索で不適切な文書を選べば、回答もその誤りを引き継ぎます。
質問、取得文書、最終回答を同じログで追跡し、どの段階で誤りが入ったか確認できる状態にします。
RAGの意味
RAG（Retrieval-Augmented Generation）は、回答を作る前に外部情報を検索し、その内容を生成モデルへ渡す仕組みです。
主な検索表記：RAG、RAG 生成AI、検索拡張生成
AI回答におけるRAGの役割
検索対象から関連文書を取得し、質問と一緒にモデルへ入力します。モデル内部の知識だけに頼らず、更新可能な情報や組織固有の資料を使える点が特徴です。
観点 | モデル内部の知識 | RAG |
|---|---|---|
情報源 | 学習時に取り込まれたパターン | 検索・取得した外部情報 |
更新性 | モデル更新に依存 | 接続先の情報を反映できる |
確認点 | 回答の確からしさ | 取得文書、引用、回答の対応 |
運用時の確認点
文書の分割方法、検索精度、更新頻度、引用の表示を設計します。回答が誤った場合は、生成モデルだけでなく取得された文書を先に確認します。
RAGで起きやすい誤解
RAGを使っても正確性は保証されません。検索で不適切な文書を選べば、回答もその誤りを引き継ぎます。
実務チェックリスト
文書の分割方法、検索精度、更新頻度、引用の表示を設計します。
回答が誤った場合は、生成モデルだけでなく取得された文書を先に確認します。
質問、取得文書、最終回答を同じログで追跡し、どの段階で誤りが入ったか確認できる状態にします。
参考資料
仕様や検索機能は変更されることがあります。実装時には、次の公式資料の最新版も確認してください。