生成AI・LLM
RAG（検索拡張生成）とは？意味・仕組みをわかりやすく解説
ラグ / Retrieval-Augmented Generation ／ 最終更新日：2026年7月7日
30秒でわかる定義
RAG（Retrieval-Augmented Generation＝検索拡張生成）とは、LLMが回答を生成する前に外部の知識ソース（社内文書やデータベースなど）を検索し、その内容を根拠としてプロンプトに含めて回答させる仕組みです。モデルが学習していない最新情報や社内固有の情報を、再学習せずに回答へ反映でき、ハルシネーション（もっともらしい誤り）の抑制にもつながります。
仕組み・基本の流れ
- 1ドキュメントを適切な長さに分割する（チャンク分割）
- 2各チャンクをEmbeddingモデルでベクトル化する
- 3ベクトルをベクトルDB（Pinecone・Chroma・pgvector等）に格納する
- 4ユーザーの質問もベクトル化し、意味が近いチャンクを検索（類似度検索）する
- 5検索で得た関連チャンクを「コンテキスト」としてプロンプトに添え、LLMに回答を生成させる
実務でのポイント：実装では、検索の精度（どのチャンクを渡すか）が回答品質を大きく左右します。チャンク設計・Embeddingモデルの選択・再ランキング（reranking）・ハイブリッド検索（キーワード＋ベクトル）などが精度改善の主要な打ち手です。
関連する用語
このスキルを活かせる職種と年収は？
RAGの設計・実装スキルは、生成AIエンジニア／LLMアプリケーションエンジニアの中核要件です。社内ナレッジ検索・カスタマーサポート・文書QAなどの案件で需要が高まっています。
よくある質問
Q. RAGとファインチューニングの違いは？
A. ファインチューニングはモデル自体を追加学習して知識や振る舞いを内在化させる手法、RAGはモデルは変えずに外部知識を検索して都度渡す手法です。最新情報・頻繁に更新される情報・出典を示したい用途はRAGが向き、独自の文体や分類タスクの精度を上げたい用途はファインチューニングが向きます。両者は併用も可能です。
Q. RAGを使えばハルシネーションはゼロになりますか？
A. ゼロにはなりません。RAGは根拠となる文書を渡すことで誤りを減らしますが、検索が的外れだったり、渡した文書自体が誤っていれば誤答は起こり得ます。出典の提示・検索精度の改善・回答の根拠チェックを組み合わせて低減します。