AI活用公開日

RAGとは?意味と仕組み・LLMとの違いと使われる場面・注意点を解説!

RAGの意味と仕組み、LLMとの違い、使われる場面、注意点を解説する記事のアイキャッチ

生成AIの解説を読んでいると、RAGの文字を見かけることがあります。RAGの説明には専門の言葉が多く、何をする技術なのかがつかめません。仕組みを知らないままでは、生成AIの回答のどこを確かめればよいのかにも迷います。

この記事を運営する株式会社メリルは、記事の書き方をまとめた書籍『ブログライティングの教科書』を出版し、延べ数百人のWebライターに記事を依頼してきました。この記事では、RAGの意味・仕組み・LLMやファインチューニングとの違い・使われる場面・注意点・よくある質問を解説します。

記事を読めば、RAGを使った生成AIの回答を、どこで確かめればよいのかがわかります。RAGで大切なのは、回答の元になった資料を自分の目で確かめることです。

RAGとは生成AIが外部の情報を検索して回答を作る技術

RAGとは、外部の情報を検索して回答を作る技術。検索は質問に関連する情報を探す、拡張は探した情報を質問に加える、生成は加えた情報をもとに回答を作る

RAGは、生成AIが外部の情報を検索して、検索した情報をもとに回答を作る技術です。Retrieval-Augmented Generationの略で、日本語では検索拡張生成と訳されます。RAGの読み方は「ラグ」です。外部の情報は、社内のデータベースやWebのページなどを指します。RAGの名前は、3つの英語の言葉からできています。RAGの3つの言葉の意味は、以下の表のとおりです。

言葉 意味 RAGでの役割
Retrieval 検索 質問に関連する情報を探す
Augmented 拡張 探した情報を質問に加える
Generation 生成 加えた情報をもとに回答を作る

RAGの名前を題名にした論文は、2020年に公開されています。RAGは、グラウンディングと呼ばれる場合もあります。

生成AIの中で文章を作っているのは、LLMと呼ばれる大規模言語モデルです。学習していない内容の質問に、LLMが正確に答えることは困難とされています。正確に答えにくい内容は、ネットに載っていない社内の文書や、専門性の高い情報です。LLMが作られた後に公開された新しい情報も、答えにくい内容に入ります。RAGは、LLMが学習していない情報を、外から補うための技術です。

» LLMとは?生成AIとの違いと仕組み・文章を書く人が知っておきたい注意点を解説!

RAGの仕組みと回答ができるまでの流れ

RAGで回答ができるまでの流れ4つ。資料をデータベースに入れておく、質問に関連する情報を検索する、検索した情報を質問に加える、LLMが回答を生成する

RAGは、検索と生成を組み合わせて回答を作ります。RAGの流れは、先に資料を探し、探した資料を材料にして文章を作る順番です。RAGで回答ができるまでの流れは、以下の4ステップです。

  1. 資料をデータベースに入れておく
  2. 質問に関連する情報を検索する
  3. 検索した情報を質問に加える
  4. LLMが回答を生成する

資料をデータベースに入れておく

RAGを使う前に、回答の材料になる資料をデータベースに入れておきます。データベースに入れる資料は、社内の規定やマニュアル、Webのページなどです。資料は、検索しやすいように、短い単位に分けて保存されます。資料の保存先には、ベクトルデータベースと呼ばれるデータベースがよく使われます。ベクトルデータベースは、文章を数値に変えて保存するデータベースです。データベースに入っていない情報は、検索で取り出す資料にはなりません。RAGで資料にもとづいて答えられる範囲は、データベースに入れてある資料で決まります。Google検索の生成AIの機能のように、検索のインデックスを資料の代わりに使うRAGもあります。

質問に関連する情報を検索する

利用者が質問を入力すると、RAGは最初にデータベースを検索します。検索で探すのは、質問の内容に関連する資料の一部分です。検索には、言葉の意味の近さで探す方法がよく使われます。意味の近さで探す方法では、キーワードが一致しない資料も見つかります。Google検索の生成AIの機能では、検索のインデックスが資料の置き場です。インデックスは、Google検索が見つけたページの情報を保存しているデータベースです。

検索した情報を質問に加える

検索で見つかった情報は、利用者の質問に加えられます。質問と資料を1つにまとめた文章が、LLMへの指示です。LLMへの指示の文章は、プロンプトと呼ばれます。RAGの「拡張」は、質問に資料を足して、指示を詳しくする作業を指す言葉です。資料を足す作業は、利用者ではなくシステムが自動で行います。利用者が入力するのは、質問の文だけです。

» プロンプトとは?意味と書き方のコツ・すぐ使えるテンプレートを例文つきで解説!

LLMが回答を生成する

最後に、LLMが質問と資料の両方を読んで回答を作ります。回答の文章に使われるのは、渡された資料と、LLMが学習した内容の両方です。回答には、材料にした資料へのリンクや出典が表示される場合があります。リンクや出典は、回答が正しいかを確かめる時の手がかりです。検索をはさむ分、RAGを使わない場合より回答に時間がかかります。

RAGとLLM・ファインチューニングの違い

RAG・LLM・ファインチューニングの3つの言葉の違い。LLMは文章を作るモデル、RAGは外部の情報を補う技術、ファインチューニングはモデルに追加で学習させる技術

RAGは、LLMやファインチューニングと並べて説明されることの多い言葉です。3つの言葉は、指しているものが異なります。RAGとLLM・ファインチューニングの違いは、以下の2つです。

  • LLMは文章を作るモデルでRAGは情報を補う技術
  • ファインチューニングはモデルに追加で学習させる技術

LLMは文章を作るモデルでRAGは情報を補う技術

LLMは、大量の文章を学習して、言葉を作るモデルです。RAGは、LLMに外部の情報を渡して、回答の精度を高める技術を指します。LLMだけの回答の材料は、事前に学習した内容です。学習した内容だけでは、誤った回答が返る場合や、知らない内容に答えられない場合があります。RAGを組み合わせると、LLMが知らない内容も、外から持ってきて回答に加えられます。記憶だけで答えるのがLLMで、資料を開いてから答えるのがRAGを組み合わせたLLMです。

RAGの考え方は、メリルが運営するYouTubeチャンネルの動画でも解説しています。

ファインチューニングはモデルに追加で学習させる技術

ファインチューニングは、学習が済んだモデルに、新しいデータを追加で学習させる技術です。RAGは、モデルを変えずに、外部の資料を参照させます。RAGとファインチューニングの違いは、以下の表のとおりです。

比べる点 RAG ファインチューニング
方法 外部の資料を検索して回答に使う モデルに追加で学習させる
用意するもの 文書やデータベース 質問と回答の組などの学習用のデータ
長所 新しい情報にもとづいて回答できる 特定の作業で高い精度を出せる
短所 回答の正確さが資料の質に左右される 学習用のデータの準備が必要で、学習のコストが高い

情報を新しくしたい時に、RAGはデータベースの資料を入れ替えるだけで済みます。ファインチューニングでは、情報を新しくするたびに、学習のやり直しが必要です。自治体の生成AIの使い方を調べた令和6年度の結果は、RAGにあたる方法が244で、ファインチューニングなどが41です。

RAGが使われる場面

RAGが使われる場面3つ。検索結果に表示される生成AIの回答、社内の資料をもとに答えるチャット、資料を読み込ませて質問する使い方

RAGは、新しい情報や社内の情報に答える必要がある場面で使われています。文章を書く人が、仕事の中で目にする場面もあります。RAGが使われる場面は、以下の3つです。

  • 検索結果に表示される生成AIの回答
  • 社内の資料をもとに答えるチャット
  • 資料を読み込ませて質問する使い方

検索結果に表示される生成AIの回答

Google検索の生成AIの機能では、回答を作る手法としてRAGが使われています。回答の材料は、検索のインデックスから取り出した、関連性の高い新しいページです。回答には、内容の裏付けになるページへのリンクが目立つ形で表示されます。記事を書く人から見ると、RAGは、自分の記事が回答の材料になる仕組みです。材料にするページは、検索の順位を決める仕組みを使って選ばれます。

» LLMOとは?SEOとの違いとやること・やらなくてよいことをわかりやすく解説!

社内の資料をもとに答えるチャット

会社や自治体では、社内の資料をもとに答えるチャットにRAGが使われています。データベースに入れる資料の例は、社内の規定やマニュアルです。自治体が蓄積してきた業務のデータを参照させると、回答の精度を高められるとされています。横浜市は、選挙の業務で、法令集など約4,500ページ分の資料を使ってRAGを試しました。横浜市の実証では、調整を続けた結果、回答の精度が約9割に達しました。

資料を読み込ませて質問する使い方

生成AIのサービスには、ファイルを読み込ませて質問できる機能があります。ファイルの中身から回答を作る使い方も、RAGと同じ考え方です。取材の文字起こしや公的な資料を読み込ませると、資料の内容にもとづいた回答が返ります。資料を渡した時の回答は、資料を渡さない時の回答より、誤りが少ないと感じています。資料にもとづいて答える機能でも、回答と資料の見比べは欠かせません。

» ハルシネーションの対策とは?起こる原因と指示のコツ・確かめ方をわかりやすく解説!

資料を読ませて質問できるNotebookLMの使い方は、以下の記事で解説しています。

» NotebookLMの使い方|Webライターが資料を読ませて調べものに使う手順

RAGを使う時の注意点

RAGを使う時の注意点4つ。RAGを使っても誤った回答は出る、回答の質は資料の質に左右される、資料にない内容には答えられない、機密の情報を入れる前に決まりを確かめる

RAGは、生成AIの回答を必ず正しくする技術ではありません。仕組みから来る弱点を知っておくと、回答を確かめる場所がわかります。RAGを使う時の注意点は、以下の4つです。

  • RAGを使っても誤った回答は出る
  • 回答の質は資料の質に左右される
  • 資料にない内容には答えられない
  • 機密の情報を入れる前に決まりを確かめる

RAGを使っても誤った回答は出る

RAGを使っても、誤った回答が出る可能性は残ります。回答の文章を作る部分は、RAGを使わない時と同じLLMです。データベースに正しい資料が入っていても、回答が正確になるとは限りません。回答を確かめる時は、回答に出てくる固有名詞が、元の資料にあるかを見ます。回答の内容が、元の資料に書かれているかも確かめる点です。複数の資料をまとめた回答では、話のつながりが自然かも見ます。数字・日付・対象の期間も、元の資料と見比べる点です。根拠が見つからない内容は、別の資料で確かめてから使います。

» ファクトチェックのやり方とは?記事と生成AIの文章を確かめる手順とコツを解説!

回答の質は資料の質に左右される

RAGの回答の正確さは、データベースに入れた資料の質に左右されます。回答の精度を下げる資料は、以下の3つです。

  • 不要な内容が混ざった資料
  • 内容が重複した資料
  • 最新版ではない古い資料

時間がたつと資料は古くなるため、必要に応じて入れ替えます。検索で関係の薄い資料が選ばれた場合も、回答は的外れです。ファイルを読み込ませて使う時も、読み込ませる資料の更新日と、調べたい内容の時点が合っているかを先に確かめます。

資料にない内容には答えられない

RAGで回答の精度が上がるのは、データベースに入っている情報だけです。データベースに入っていない情報を質問しても、回答の精度は上がりません。RAGを使った生成AIに質問する時は、どの資料が入っているのかを先に確かめます。資料の範囲を知ることは、質問してよい内容と、別の方法で調べる内容を分ける手がかりです。資料にない内容の回答は、LLMが学習した内容だけで作られた回答と同じ扱いにします。

機密の情報を入れる前に決まりを確かめる

RAGのデータベースに機密の情報を入れると、利用者の全員が見られる状態になる場合があります。機密の情報や個人情報を入れる時は、見られる人を限る設定が必要です。入れた資料を定期的に見直す作業も、会社で使う時の対策に入ります。依頼主から預かった資料を生成AIに読み込ませる前に、依頼主の決まりを確かめてください。依頼主が使ってよいと認めたサービスかどうかと、入力した内容の保存や学習への使われ方も確かめる点です。

» 生成AIの注意点とは?4つのリスクと仕事で使う前に決める対策を解説!

RAGに関するよくある質問

RAGに関するよくある質問4つ。RAGを簡単に言うと、グラウンディングとの違いは、ファインチューニングはいらない、記事を書く人は何をする

RAGについて迷いやすい点を、質問の形でまとめます。RAGに関するよくある質問は、以下の4つです。

  • RAGを簡単に言うと?
  • RAGとグラウンディングの違いは?
  • RAGがあればファインチューニングはいらない?
  • 記事を書く人はRAGのために何をする?

RAGを簡単に言うと?

RAGは、生成AIに資料を調べさせてから答えさせる技術です。RAGを使うと、生成AIが知らない内容も、外から持ってきて回答に加えられます。ネットを検索して答える使い方も、ファイルを渡して答えさせる使い方も、同じ考え方です。

RAGとグラウンディングの違いは?

RAGとグラウンディングは、近い意味で使われる言葉です。Googleは、検索拡張生成をグラウンディングとも呼んでいます。グラウンディングは、資料にもとづいて答える仕組みを指す言葉です。グラウンディングでは資料にない内容を答えにくくなるため、誤った回答が減ると考えています。

RAGがあればファインチューニングはいらない?

RAGとファインチューニングは、目的に合わせて選ぶ技術です。2つの技術の効果は、単純には比べられません。導入のしやすさでは、2024年6月の時点で、RAGに優位性があるとされています。生成AIに関する技術は進化が速いため、新しい情報を確かめながら選びます。

記事を書く人はRAGのために何をする?

記事を書く人が、RAGのために特別な作業をする必要はありません。Google検索の生成AIの機能に表示されるための基本は、SEOの基本と同じです。SEOは、検索する人が記事を見つけやすくなるように整える取り組みを指します。生成AIの検索でも、効果が長く続く取り組みは、読者の役に立つ独自の内容を書くことです。自分の経験や取材で得た内容は、ほかのページにない材料になります。

» 一次情報とは?二次情報との違いと記事に入れる集め方・注意点を解説!

RAGは回答の元になった資料を確かめて使いましょう

RAGで押さえるポイント3つ。外部の情報を検索して回答を作る、RAGを使っても誤った回答は出る、回答は元の資料で確かめる

RAGは、生成AIが外部の情報を検索して、検索した情報をもとに回答を作る技術です。LLMが学習していない新しい情報や社内の情報にも、資料をもとに答えられます。RAGを使っても誤った回答は出るため、回答に出てくる固有名詞や内容は、元の資料で確かめます。最初の一歩として、生成AIの回答に表示されたリンクを1つ開いて、回答と見比べてみましょう。

参考にしたページ(2026.10.09 確認)

この記事を書いた人

WWS編集部

Webライターのオンラインスクール「WWS」を運営する株式会社メリルの編集チームです。株式会社メリルは、延べ数百人のWebライターに記事を依頼してきた発注側の経験と、YouTube「ウェブ職TV」で発信してきた内容をもとに記事を作っています。運営者情報を見る