RAG

RAGとは、Retrieval-Augmented Generationの略で、質問に関係する外部の情報を取得し、それを手がかりに生成AIが回答を作る方式です。日本語では検索拡張生成と呼ばれます。NISTは、生成AIのモデルに別の情報検索システムを組み合わせ、取得した情報を文脈として渡す仕組みとして説明しています。[1]

モデルが学習時に取り込んだ知識だけに頼らず、回答時に資料を参照することが中心です。ここでは、特定の製品や論文中の実装に限定せず、情報の取得と生成を組み合わせる考え方を扱います。[1]

基本的な流れは、質問を受け取り、関係する資料を検索し、その資料を回答のための文脈としてモデルへ渡す、というものです。生成する処理と、必要な情報を取り出す処理を組み合わせます。[1]

• 質問を受け取る：何について答える必要があるかを入力する。[1]
• 情報を取得する：用意された情報源から、質問に関係する内容を取り出す。[1]
• 回答を生成する：取得した内容を文脈に含め、モデルが回答を作る。[1]

この流れでいう「検索」は、公開Web全体を検索する場合だけを意味するものではありません。AWSのRAG解説は、社内サイトや内部文書など、独自の資料に基づく質問応答を扱っています。参照する情報源を何にするかは、作るシステムによって決まります。[3]

たとえば、社内の休暇規程を参照して質問に答える仕組みを考えます。「申請には何が必要ですか」という質問に対して、関係する規程や手順の記述を取り出し、その内容を使って回答する、という構成です。これは流れを説明するための仮の例です。

この例では、回答に必要な規程が情報源に含まれているか、現行の版か、質問に対応する箇所を取り出せたかを確認します。資料が古い場合や、必要な箇所を取得できなかった場合に、モデルの文章だけで不足を埋めてよいと考えるのは避けます。

NISTは、RAGではモデルを再訓練せずに、モデルが利用する知識を変更できると説明しています。これは、別の情報検索システムから取り出した情報を、回答時の文脈として使うという説明です。取得した資料を渡すことと、その資料でモデルのパラメーターを再学習することは区別します。[1]

資料の更新を回答へ反映させたい場合も、「RAGだから自動的に最新になる」とは決めません。この例なら、規程の更新を参照先へ反映する手順と、更新後の記述が取得・使用されたかを確かめる必要があります。

Lewisらは、2020年の論文で、学習済みモデルのパラメーターに持つ情報と、外部から取得する情報を組み合わせるRAGモデルを検討しました。同論文は、この方式を知識が必要な自然言語処理の課題で評価しています。[2]

原著の実験設定を、そのまま現在のすべてのシステムの仕様とみなすことはできません。本記事ではNISTの一般的な説明を中心に、外部情報の取得と生成の関係を理解する言葉として扱います。検索方式や、データをどこに保存するかといった実装の詳細は別の論点です。[1][2]

参照資料がある構成でも、生成された回答を無条件に正しいものとして扱うことはできません。NISTは生成AIが誤った内容や根拠・引用を生成するリスクを説明しています。資料を取得する仕組みがあることと、回答の各記述がその資料で裏付けられていることは分けて確かめます。[4]

確認する際は、必要な資料を取得できたか、回答が資料にない情報を付け足していないか、示された出典が実際にその記述を支えているかを見ます。「外部情報を使う」という構成だけで、誤りがなくなると評価することは避けます。

• [1] NIST: retrieval-augmented generation — Glossary（英語）
• [2] Patrick Lewis ほか: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks（英語）
• [3] Amazon Web Services: Retrieval Augmented Generation options and architectures on AWS（英語）
• [4] NIST: Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1)（英語）

寄稿: 2026年10月5日 ／ 出典確認: 2026年10月5日 ／ 最終監修: 2026年10月5日