RAG（検索拡張生成）Retrieval-Augmented Generation — 読み：らぐ
RAG は、LLM が答える前に外部の資料を検索し、その内容を根拠として回答を作る仕組みです。社内文書や最新情報を扱えるようにする、実務で最も使われる構成のひとつです。
導入Introduction
RAG は、LLM が答える前に外部の資料を検索し、その内容を根拠として回答を作る仕組みです。社内文書や最新情報を扱えるようにする、実務で最も使われる構成のひとつです。
用語の定義Definition
RAG（Retrieval-Augmented Generation：検索拡張生成）は、LLMが回答する前に外部のデータベースや社内文書を検索し、その結果をもとに回答を生成する仕組みです。
- 回答の前に「検索」を挟むことで、根拠のある出力にする
- モデルを再学習せずに、社内文書や最新情報を反映できる
- 検索の精度（チャンク設計・インデックス）が成果を左右する
出典：my-best.ai 用語辞典「RAG（検索拡張生成）」（https://my-best.ai/ai-dictionary/rag/）
仕組み・原理How it works
① 文書をチャンクに分割して索引化する
PDF やマニュアルを数百字程度の塊（チャンク）に分け、それぞれを埋め込みベクトルに変換してベクトルデータベースに登録します。この分割設計が検索精度の土台になります。
② 質問に関連するチャンクを検索する
質問文も同じ変換器でベクトル化し、意味が近いチャンクを上位 K 件取得します。必要に応じてキーワード検索と組み合わせるハイブリッド構成も使われます。
③ 取得した根拠をプロンプトに差し込んで生成する
取得したチャンクをプロンプト内に「参照資料」として挿入し、「資料の範囲で答え、不明なら不明と述べる」よう指示したうえで LLM に生成させます。
原始出處Origin
RAG は 2020 年、Facebook AI（現 Meta AI）の Lewis らが発表した「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」で提案された手法です。知識をモデルの重みに閉じ込めるのではなく、外部から検索して補う点が特徴で、LLM の業務利用が広がるにつれ標準的な構成になりました。
応用シーンUse cases
社内 FAQ チャットボット
規程・マニュアルを検索して回答させる
カスタマーサポート
過去の対応履歴を根拠に返信案を作る
契約書・法務の照会
該当条項を引用させ、確認の手間を減らす
リサーチ支援
複数資料を読み込ませて要点を比較する
メリット・デメリットPros & Cons
メリット
- 社内文書や最新情報を、モデルの再学習なしで反映できる
- 回答に根拠（出典）を添えられるため、業務での検証がしやすい
- 文書を更新するだけで知識を最新化できる
- ハルシネーションの低減に直接効く（最も実務的な対策の 1 つ）
デメリット・注意点
- 検索精度が低いと、関係のない資料を根拠にした誤答が増える
- PDF の表・図・段組みなど、レイアウトの崩れに弱い
- チャンク設計・埋め込みモデル・上位 K 件数の調整に手間がかかる
- 参照資料が長いとコンテキストを圧迫し、コストが増える
よくある誤解Misconceptions
関連用語Related terms
- ベクトルデータベース
- エンベディング（埋め込み）
- LLM（大規模言語モデル）
- プロンプト
- ハルシネーション（AI 幻覚）
- ファインチューニング
- コンテキストウィンドウ
- トークン
- チュートリアル：社内 PDF で RAG を試す：最小構成の作り方 →
- ガイド：AI ツールの始め方： 初心者のための完全ガイド →
用語同士は相互リンクされています。未掲載の用語は用語一覧の該当項目へリンクします。
プロンプト集Prompt collection
実務でそのまま使えるプロンプト例です。コピーして〔 〕内を置き換えてください。同じカードはプロンプト集にも掲載されています。
資料の範囲だけで答えさせる
根拠外の推測を防ぐ基本の型
あなたは社内規程の案内担当です。以下の【資料】だけを根拠に回答してください。 ・資料に書かれていないことは「資料に記載がありません」と答える ・回答には引用元の見出しを添える ・推測が必要な場合は「推測」と明記する 【資料】 （検索で取得したテキスト） 【質問】 （ユーザーの質問）
検索用のクエリを書き換える
あいまいな質問を検索に向く形に変換する
ユーザーの質問：「（例：経費ってどう申請するの？）」 この質問で社内文書を検索するため、検索クエリを 5 パターン生成してください。 条件：専門用語を含む／言い換えを含む／想定される同義語を含む。各クエリは 30 字以内。
根拠の十分性を判定する
回答前に「答えられるか」を確認させる
以下の【資料】で【質問】に答えるのに十分か判定してください。 出力：判定（十分／不十分）／理由 2 行／不足している情報／追加で検索すべきキーワード 3 つ。 【資料】（テキスト） 【質問】（質問文）
回答を出典付きで整形する
確認できる形に整える
以下の回答を、読み手が根拠をたどれる形に整形してください。 ・結論を先に 1 文 ・根拠は〔資料名 / 見出し〕の形式で該当箇所ごとに添える ・根拠が無い記述は削除し、削除箇所を一覧で示す （ここに回答文）
チャンクを要約して索引に使う
検索精度を上げる前処理
以下の文書を、検索に使う 300 字程度の単位に分割してください。 条件：見出しを各チャンクの先頭に残す／表は行単位で意味が通るよう保つ／各チャンクに 20 字程度の見出しを付ける。 （ここに文書）
検索結果を再ランク付けする
上位 K 件の質を上げる
質問と、検索で取得した候補を提示します。各候補について 0〜10 点の関連度を付け、理由を 1 行で述べてください。回答に使うべき上位 3 件だけを最後に列挙してください。 【質問】（質問文） 【候補】（候補テキストを番号付きで）
FAQ（よくある質問）FAQ
RAG とファインチューニングはどちらを先に試すべきですか？
チャンクサイズの目安はありますか？
社内文書が PDF だけでも構築できますか？
回答に出典を必ず出させるには？
出典・参考文献References
- Lewis et al. (2020) Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks — arXiv:2005.11401
- my-best.ai 用語辞典「RAG（検索拡張生成）」
- my-best.ai 用語辞典「ベクトルデータベース」
定義・出典の記述は一次資料に基づきます。リンク先の内容は公開時点のものです。
まとめSummary
RAG は「検索してから生成する」構成で、LLM に社内知識と最新情報を与える最も practical な方法です。効果を決めるのはモデルではなく検索の設計であり、チャンク・索引・指示文をセットで調整します。
- まず小さな資料セット（数十件）で検索精度を検証する
- 「資料に無い場合は答えない」指示を必ず入れる
- 文書の版管理と重複排除を運用に組み込む