RAGはどのような問題を解決しますか?
RAGは、AIモデルが組織の文書を知らない、あるいは古い情報しか知らないという問題を解決します。モデルを再学習させる代わりに、回答する時点で適切な文章を渡します。
架空の従業員50人の旅行会社、Tidewater Travelを想像してください。予約担当チームでは、90ページの規約・手順ハンドブックについて、同じ質問が何度も出ています。チームリーダーのレオンは、汎用チャットボットを試しました。'出発の10日前に代表搭乗者の氏名を変更できますか？手数料はかかりますか？' チャットボットは、航空会社の一般的なルールと、Tidewaterでは請求していない手数料について、自信ありげに回答しました。本当の答えはハンドブックの4.2節にありますが、チャットボットはそのハンドブックを見たことがありません。
検索拡張生成はどのように機能しますか？
検索拡張生成は、3つの段階で機能します。質問に最も関連する文章を検索し、それらをプロンプトに追加してから、モデルにその内容をもとに回答を生成させます。Anthropicの用語集でも、同じ考え方が説明されています。質問が入力された時点で、関連情報をナレッジベースから検索し、元の質問とともにモデルに渡します。
この用語は、パトリック・ルイスらが2020年に発表した研究論文に由来します。この研究では、言語モデルと検索可能な文書索引を組み合わせ、モデル単独よりも具体的で事実に即した回答が得られることを確認しました。
1. 書類を準備します
ハンドブックは、1つの節や数段落といった単位に分割します。これにより、検索時に本全体ではなく、必要な箇所に絞った文章を返せます。
2. 意味に基づいて検索できるように索引を作成します
各チャンクは、その意味を表す数値の並びである埋め込みに変換され、ベクトルデータベースに保存されます。AWSはこの手順を、質問と照合できるようにデータを数値表現に変換することと説明しています。
3. 関連情報を検索して取得します
質問も同じ方法で変換し、インデックスと照合して、最も近いチャンクを見つけます。多くのシステムでは、通常のキーワード検索も併用します。
4. プロンプトに情報を追加します
関連性の高い文章の断片を、「これらの文章だけに基づいて回答し、該当する節を引用してください」といった指示とともにプロンプトに含めます。
5. 生成する
モデルは、与えられた文章を基に回答を作成します。使用した箇所を引用するか、出典として示すのが望ましい形です。
RAGを使う場合と使わない場合で、回答にどのような違いがありますか？
RAGを使わない場合：'ほとんどの旅行会社では、航空会社の規定に従い、1人あたり50～100程度の手数料で氏名を変更できます。' 役に立ちそうに聞こえますが、これはタイドウォーターの規定ではなく、情報の出どころを誰も確認できません。
RAGを使う場合：システムがハンドブックの4.2節と4.5節を取得し、モデルはこう回答します。'はい。4.2節では、出発の7日前までであれば、代表旅行者の氏名を無料で変更できると定めています。4.5節には、航空券付きパッケージでは航空会社所定の変更手数料がかかる場合があり、その金額は予約システムに表示されると記載されています。出典：ハンドブック4.2節および4.5節。' レオンは両方の節を開き、数秒で回答を確認できます。ハンドブックが更新されると、新しい版の索引が作成された時点で回答も変わります。
RAGを使うべき場合と、使うべきでない場合はどのような場合ですか?
特定の、内容が更新される文書群に基づく回答が必要で、利用者が出典を確認する必要がある場合はRAGを使います。社内規程集、製品ドキュメント、サポート用のナレッジベース、契約書の保管庫に適しています。Anthropicの用語集では、最新情報、専門分野の知識、出典の明示が必要な場合に特に有用とされています。
文書が短く、そのままプロンプトに貼り付けられる場合、事実ではなく文体や形式が課題の場合、元の文書自体が信頼できない場合には、RAGは適切な解決策ではありません。また、アクセス権限の管理を代替するものでもありません。文章が検索で取得されると、モデルはその内容を回答に含められるため、検索前にアクセス制御を適用する必要があります。
検索拡張生成では、どのような問題が起こりますか？
RAGの失敗は、通常、生成よりも検索の段階で起こります。誤った文章が見つかると、モデルはそれを基に確信に満ちた回答を書きます。Anthropicは、RAGの有効性は知識ベースと検索で取得される情報の質や関連性に左右されると指摘しています。
誤ったチャンク、または不完全なチャンク
例外を説明する箇所がルールとは別のチャンクにあるため、回答でその例外が抜け落ちます。
古いバージョンや重複したバージョン
昨年版のハンドブックが今年版と並んで検索対象に残っており、古い版が検索で取り出されています。
モデルの出力が原文から逸脱する
モデルは検索で取得した文章に一般知識を混ぜて回答します。参照元だけに基づいて回答するよう指示し、出典を表示させると、その混入を見つけやすくなります。
適切な回答はありません
システムは推測で答えるのではなく、その質問に答える情報が文書にないと伝えるべきです。
RAGはTosheo.aiの講座一覧のどこに位置づけられていますか?
「検索拡張生成」は、AIアプリ開発コースの「AIアプリの構築」カテゴリーにあるレッスンです。このレッスンは、社内文書をもとに動くAIアシスタントを使う人に向けた、概念を学ぶ内容です。登録後に選べるコード学習コースでは、文書の分割と埋め込みの作成から、検索、出典付きの回答まで、小規模なRAGアプリを実際に構築します。各段階で採点基準に沿ったフィードバックを受けられます。
出典と対象範囲
Lewisほか著『知識集約型NLPタスクのための検索拡張生成』、arXiv 2020（2026年10月19日確認） ↗
Anthropic Claudeドキュメント、用語集のRAGの項目（確認日：19 October 2026） ↗