RAGとは？

このページで分かること

• RAGの意味
• 初心者向けのたとえ
• 関連するGPT・生成AI用語
• 使う時の注意点

RAGの意味

RAGは、AIモデルの中にすべてを覚え込ませるのではなく、必要な資料を検索し、その内容をもとに回答を作る考え方です。社内FAQ、マニュアル、ドキュメント、ヘルプ記事などを活用する文脈でよく出てきます。回答の質は、参照する資料の正確さや探し方に大きく左右されます。

初心者向けのたとえ

暗記だけで答えるのではなく、棚から資料を取り出して読みながら説明する人に近いです。資料が古かったり間違っていたりすると、回答も影響を受けます。

使う場面と向かない場面

一番小さく試す方法

RAGは仕組みの名前としては大がかりに聞こえますが、「外部の資料を参照させてから答えさせる」という考え方自体は、ChatGPTにファイルを添付して「この資料に基づいて答えて」と頼むだけで体験できます。社内マニュアルのPDFを1本渡して質問してみると、RAGが何を解決し、何を解決しないかが30分で分かります。

試す時は、答えを自分が知っている資料で試すのがこつです。知らない資料で試すと、返ってきた答えが資料に忠実なのか、モデルが勝手に補ったのか判別できません。

導入前に見積もっておく手間

RAGの検討で見落とされやすいのは、検索や生成の精度ではなく資料側の手入れです。導入前に次を見積もってください。

「答えが違う」と感じた不具合の多くは、モデルではなく渡している資料の側に原因があります。

ファインチューニングとどう違うか

どちらも「自分の情報に合わせてAIを使う」方法ですが、RAGは資料を渡して参照させる、ファインチューニングはモデル自体を追加学習で調整するという違いがあります。情報が更新されるならRAGが向きます。資料を差し替えれば済むからです。口調や出力形式を固定したいだけならプロンプトの工夫で足りることが多く、モデルの調整まで必要な場面は限られます。詳しくはファインチューニングとはで整理しています。

関連する用語

GPTガイドでの位置づけ

このページは、gptguide.jp の用語解説ページです。具体的なChatGPTの操作例は chatgptguide.jp、CodexやGitHubを使った実務例は codexguide.jp に分け、このページではRAGの意味、関連語、注意点を初心者向けに整理しています。

RAGが解決する問題

AIは学習した時点までの知識しか持たず、社内の資料のような非公開の情報も知りません。RAGは、この2つの制約に対処する仕組みです。

3行目も実務では重要です。根拠となる資料を示せると、回答が正しいかどうかを人間が確認できます。確認できない回答は、正しくても業務では使いにくいためです。

RAGでも間違いは起きる

資料を参照させれば必ず正確になる、というわけではありません。次のような理由で誤りが残ります。

• 必要な資料が見つけられていない：質問と資料の言葉が違うと、関連する資料を拾えないことがあります。
• 資料自体が古い：参照先が更新されていなければ、古い情報がそのまま返ってきます。
• 複数の資料の内容が混ざる：別々の資料の記述が、1つの回答にまとめられてしまうことがあります。
• 資料にない部分を補ってしまう：足りない情報を推測で埋める場合があります。

そのため、RAGを導入した場合でも示された参照元を確認する習慣は必要です。特に、金額や日付、条件など、間違えると影響が大きい部分は、元の資料に当たって確かめてください。

よくある質問

次に読むページ