検索するかどうかを先に決めさせる：Self-RAGの5手順

検索拡張生成は、質問の内容に関わらず決まった数の文書を取り出す作りが一般的です。挨拶のような質問にも検索が走り、逆に取り出した文書が的外れなこともあります。Learn Prompting は、検索の要否をモデル自身に決めさせ、取り出した文書と自分の答えを評価させる構成を紹介しています。

手順1：検索が要る質問と要らない質問を集める

実際に届いている質問を50件ほど集め、検索が要るものと要らないものに分けます。社内の固有情報を尋ねる質問は前者、言い換えや挨拶は後者です。分けた件数の比を見ると、検索を省ける割合の目安が立ちます。この比が小さい場合は、この仕組みを入れても効果は限られます。

手順2：検索の要否を判定する段を置く

質問を受けたあと、検索に進むかどうかを決める段を挟みます。Learn Prompting は、専用の合図で検索の要否を決める仕組みを説明しています。学習を伴わない構成で真似するなら、判定の指示を別に置き、要る・要らないの2択だけを返させます。判定の理由まで書かせると、出力が長くなり、判定そのものがぶれます。

手順3：取り出した文書の関連度を測る

検索した場合は、取り出した文書が質問に関係するかを1件ずつ判定します。Learn Prompting は、この判定を専用の合図で行う形を紹介しています。関係が薄い文書を根拠として渡すと、答えの側も薄くなります。判定の結果は捨てずに記録し、検索の問いの作り方を見直す材料にします。

手順4：答えが根拠に支えられているかを見る

答えを書かせたあと、その内容が取り出した文書に書かれているかを確かめます。書かれていない文が混ざっていれば、根拠の外に出ています。Learn Prompting は、この確認と、答え全体の有用さの評価を分けて行う形を説明しています。確認の結果が悪い場合に、答えを書き直させるか、根拠を足すかを決めておきます。

手順5：精度と網羅のどちらを取るかを決める

判定の厳しさは、精度と網羅のどちらを優先するかで変わります。厳しくすると当たる答えは増えますが、答えられない質問も増えます。緩くすると網羅は上がり、根拠の薄い答えが混ざります。用途ごとにどちらを取るかを決め、判定の条件に反映します。既存の検索との違いはRAGの頁で整理しています。

FAQ

Q. 自分で作るには学習が必要ですか？

A. 論文の構成は、判定用の合図を含めて学習する枠組みです。学習を伴わない場合は、判定の指示を別の呼び出しに分けて代用します。この代用は論文の構成そのものではないため、精度は別に測る必要があります。

Q. 判定の段を足すと遅くなりませんか？

A. 呼び出しの回数は増えます。ただし、検索が不要な質問で検索を省けるため、全体では待ち時間が下がる場合があります。どちらに転ぶかは、手順1で集めた質問の比で変わります。

出典

出典：Learn Prompting「Self-RAG」（Valeriia Kuka、2025年3月2日更新）／原論文 Asai, A. ほか「Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection」（2023年）

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。

• ChatGPT：判定の段を別の呼び出しとして試せる
• Poe：判定の指示をモデルごとに比べられる

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。

• 取り出した資料が外れたときの戻し方：CRAGの5手順
• 答えの骨組みを先に出させる：Skeleton-of-Thoughtの5手順
• RAG（検索拡張生成）（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

この構成の効き目は、手順1の質問の集め方でほぼ決まります。検索が要らない質問がほとんどない業務では、判定の段は待ち時間を増やすだけになります。逆に、挨拶や言い換えが多い窓口では、検索を省くだけで待ち時間が目に見えて変わります。