検索で取り出した文書が的外れなとき、そのままモデルに渡すと、間違いを補強する方向に働きます。Corrective RAG は、取り出しの品質を評価し、信頼度に応じて扱いを変える構成です。Learn Prompting は3段階の信頼度と、それぞれの動作を整理しています。
手順1：取り出しを評価する段を置く
検索の結果を、そのまま生成に渡す前の段で評価します。Learn Prompting は、軽量な評価の仕組みで文書の質を点数化する形を説明しています。評価の対象は、質問と文書の噛み合い方です。文書そのものの良し悪しではありません。評価を入れずに生成へ進むと、外れた根拠でも同じ扱いになります。
手順2：信頼度の3段と、それぞれの動作を決める
評価の結果を、高い・低い・どちらとも言えないの3段に分けます。高い場合は取り出した文書を使って整え、低い場合は捨てて別の手段で補い、中間の場合は両方を混ぜます。Learn Prompting は、この3段に対応する動作を表で整理しています。段の境目は数値で決めますが、その数値は自社のデータで調整します。
手順3：使う場合でも、一度細かく切って不要部分を落とす
信頼度が高くても、文書全体が役に立つとは限りません。文書を小さな単位に切り、質問に関係する部分だけを残します。Learn Prompting は、この細分化と取捨を知識の精錬として説明しています。長い文書を丸ごと渡すと、関係の薄い記述が答えに混ざります。
手順4：捨てた場合の補い方を決める
信頼度が低い場合、別の検索で補うか、答えを保留するかを決めます。補う場合は、元の質問をそのまま投げず、検索用の問いに書き換えてから投げます。書き換えの型を決めておくと、補いの質が安定します。社内文書だけで完結する業務では、外部の検索を使わず保留にする判断もあります。
手順5：判定と結果を記録して、境目を調整する
評価の点数、選んだ動作、最終的な答えの当たり外れを1行ずつ記録します。記録が溜まると、境目の数値をどこに置くのが妥当かが見えます。記録なしに調整すると、変更のたびに手探りになります。土台となる仕組みはRAGの頁で、文書の並べ替えはリランキングの頁で扱っています。
FAQ
Q. 評価の仕組みは何で作ればよいですか？
A. 論文では軽量な評価器を用いる構成が示されています。同じ形を作る場合は、質問と文書の組を数百件用意し、人手で付けた判定と突き合わせて調整します。用意できない場合は、別のモデルに判定させる形で代用します。
Q. 外部の検索が使えない環境ではどうしますか？
A. 補いの手段を、社内の別の索引や過去の回答に置き換えます。どの手段でも補えない場合は、答えを保留して人に回す段を用意します。保留を選べる設計にしておかないと、外れた根拠のまま答えが出ます。
出典
出典：Learn Prompting「Corrective RAG」（Valeriia Kuka、2025年3月2日更新）
あわせて使いたいツール
本記事の手順を実際に回すときに、候補になるツールを挙げます。いずれも無料から試せる範囲があり、料金や機能は各サービスの公式情報で確認してください。
関連ガイド
同じ時期に公開した実務ガイドと、用語の定義ページです。手順の前提が分からない場合は、用語ページから確認してください。コピーして使える依頼文が欲しいときは、プロンプト集も参照してください。
- 解き始める前に計画を書かせる：Plan-and-Solveの5手順
- 考える過程を表に収める：Tab-CoTの5手順
- リランキング（Reranking）（用語辞典）
- AI用語辞典（五十音順の一覧）
- はじめての LLM 活用（学習ルート）
- ガイド一覧（実務手順をまとめて読む）
- AIツール一覧（道具から探す）
- 比較記事一覧（料金と機能で比べる）
- レビュー一覧（使った記録を読む）
編集部の見解
この設計で難しいのは、評価の精度より段の境目です。境目を厳しくすると保留が増え、窓口の滞留につながります。緩くすると外れた根拠が通ります。手順5の記録を2週間ほど貯めてから境目を動かす順番が、運用を止めずに調整できます。
最新のAI情報をメールで受け取る
新着のAIツール比較・ランキング・ニュースを、まとめてお届けします。
ご登録後、確認メールをお送りします。配信停止はいつでも可能です。