検索拡張生成(RAG):定義、ユースケース、実践例

検索拡張生成(RAG)は、AIツールが外部情報を取り込んで回答の根拠とするための仕組みです。このガイドでは、RAGの仕組み、主な種類、そしてWeb検索からエンタープライズのナレッジベースまでの実際のユースケースを解説します。

Diagram of a RAG pipeline: in the ingestion path, source data such as docs, databases, and files is chunked and embedded into a searchable index like a vector database; in the retrieval path, an orchestrator builds a query from the user prompt, retrieves results from the index, and passes the prompt plus context to an LLM to produce a grounded answer.

RAG(検索拡張生成)とは、LLMベースのツールが外部情報にアクセスするためのプロセスです。この情報はLLMの学習パラメータには含まれておらず、関連する入力コンテキストに追加されて回答の生成に使用されます。

RAGは、現代のAIシステムにおいて最も重要な構成要素の1つです。主要なエージェント型ツール(ChatGPT、Claude、Perplexityなど)のすべてで使用されており、一般消費者向けからエンタープライズ向けまで幅広いユースケースがあります。RAGは普及して以来いくつものイノベーションを経ており、現在も注目すべき形で進化を続けています。

検索拡張生成(RAG)とは?

検索拡張生成(RAG)は、大規模言語モデル(LLM)に関連する外部情報を提供することで、その出力を改善する手法です。

典型的なRAG「パイプライン」(RAGの基盤となるアーキテクチャ全体を指す用語)には、取り込みパスと検索パスの2つの経路があります。取り込みパスはデータを受け取り、検索可能な形式に変換します。検索パスはユーザーのプロンプトに基づいてリクエストを作成し、情報源に対してクエリを実行します。

RAGシステムは多くの場合、ベクトルデータベースを中心に構築されます。この場合、ユーザーのプロンプトを管理し、クエリを送信して検索可能なインデックスから結果を取得する、LLMツールのオーケストレーターコンポーネントがベクトル埋め込みを生成します。この埋め込みを使って、取り込まれたデータを表すベクトルのデータベースにクエリを実行します。その後、取得した情報を、その使い方に関する指示とともにLLMの既存のコンテキスト入力に追加し、出力を生成させます。

RAGは、上記のような密ベクトル検索だけを指すものではありません。ナレッジグラフの探索、セマンティック検索、従来のデータベース検索、あるいはこれらの手法の組み合わせもRAGに該当します。

RAGのメリット

RAGがこれほど普及した理由の1つは、LLMのみによる回答生成に伴う2つの主要な課題、つまりハルシネーションと、学習データに含まれない情報にアクセスできないという問題を解決できることです。

ファクトチェックとグラウンディング

LLMは、事実の正確性に課題があることで知られています。質問に確実に答えられない場合、自信を持ってハルシネーションを起こすことがよくあります。その原因は、情報が学習データに含まれていなかったか、学習データ自体に不正確な内容が含まれていることにあります。RAGを活用したファクトチェックでは、信頼できる第三者の情報源の情報に基づいて回答をグラウンディングします。

最新の情報

LLMが回答できるのは、ナレッジカットオフと呼ばれる学習データのカットオフ時点までのトピックに限られます。RAGシステムは、Web検索APIを使ったニュース記事や、最新の製品情報を含む社内データベースなど、非常に新しい情報源に接続できます。これにより、学習データに含まれていないトピックについても回答を生成できるようになります。

非公開の外部データへのアクセス

RAGシステムを使えば、企業はAIインフラを、一般に共有できない機密情報、独自情報、専門分野固有の情報の情報源に接続できます。Perplexityをはじめとする多くの人気ツールでは、機密データをアップロードして非公開のナレッジベースを構築できるオプションが提供されるようになっており、これはエンタープライズにおける一般的なユースケースとなっています。

RAGの概要と進化:主なアーキテクチャの種類

検索拡張生成という用語自体は、2020年に発表された重要な論文『Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks』で初めて登場しましたが、情報検索システムはそれ以前から何十年にもわたって使われてきました。初期の検索エンジンがその好例です。しかし、AIにおける真のイノベーションは、パラメトリックなモデル知識と密ベクトルインデックスを組み合わせたことにありました(この論文ではWikipediaを使ってインデックスを構築しています)。

RAGの主な種類の概要は以下のとおりです。

  • 基本RAG:ナイーブRAGとも呼ばれる基本RAGは、RAGパイプラインの最もシンプルな形態です。検索してから生成するという流れに沿っており、主なユースケースはベクトルデータベース検索です。現在でも、特に限定的な社内利用向けに、シンプルなRAGの実装を構築するのに適しています。
  • ハイブリッドRAG:複数の種類のRAGを組み合わせる手法です。通常は、シンプルなキーワード検索と密ベクトル検索の組み合わせを指します。
  • 修正RAG:取得した情報をファインチューニングされたモデルで評価し、ユーザーのプロンプトとの関連性を判断するRAGの一形態です。
  • Self-RAG:修正RAGと似ていますが、Self-RAGではLLMが自身の出力を評価し、必要に応じて検索を開始します。そのために、専用のリフレクショントークンを使用します。
  • エージェント型RAG:エージェント型RAGとは、エージェント型AIプラットフォームがさまざまな検索手法を呼び出せる仕組みを指します。LLMはオーケストレーターを介して推論を行い、さまざまなRAGの選択肢から選ぶことができます。
  • マルチモーダルRAG:この種類のRAGは、画像や音声などの他の形式のメディアを、取り込みパイプラインと検索パイプラインに組み込みます。
  • GraphRAG:GraphRAGは、ナレッジグラフの探索(エンティティ検索)を取り入れて情報を取得します。密ベクトル検索と併用される場合もありますが、必須ではありません。
  • 分岐RAG:このRAGアーキテクチャでは、多くの場合異なるアーキテクチャパターンを用いて、複数の検索クエリを同時に実行します。分岐RAGは、複雑なワークフローを実行するAIツールでよく見られる機能です。
  • HyDE(Hypothetical Document Embeddings、仮説的文書埋め込み):仮説的文書埋め込みとは、ユーザーのプロンプトに対する理想的な回答を想定してAIが生成した応答です。これを使ってRAGのクエリを改善し、取得する情報の精度を高めます。

RAGの主なユースケースと事例

RAGは実際にどのように使われているのでしょうか?AIチャットボットに時事性の高い話題について質問したり、カスタマーサポートのボットに問い合わせたり、事務作業にパーソナルアシスタントを使ったりしたことがあれば、RAGを利用したことになります。

一般消費者向けとエンタープライズ向けの両方における代表的なRAGの事例は、Web検索、パーソナルアシスタント(コーディングを含む)、コーディングアシスタント、カスタマーサポート、エンタープライズのナレッジ管理です。

Web検索

Web検索は広く使われているRAGの形態であり、一般消費者向けのアプリケーションとしては最も普及していると言えるでしょう。主要なチャットボットはすべてWeb検索機能を備えており、LLMは最新の情報源を使って、学習データに含まれる情報を補完します。

AIツールのオーケストレーターはAPI呼び出しを使ってサードパーティの検索エンジンに接続し、その結果がスニペットの形でLLMのコンテキストウィンドウに追加されます。これにより、ユーザーは時事問題、最近の研究、製品情報など、情報が頻繁に変わるトピックにアクセスできます。

実際のAPIリクエストは、たとえば次のようになります。

json
{ "query": "latest US inflation news", "max_results": 1, "language": "en", "country": "US" }

返される情報には、ソースとスニペットが含まれます。

json
{ "query": "latest US inflation news", "results": [ { "title": "US inflation rises slightly in latest report", "url": "https://example.com/us-inflation-report", "snippet": "Consumer prices increased in the latest monthly data, with housing and energy contributing to the rise.", "published_date": "2026-11-05" } ] }

パーソナルAIアシスタント

パーソナルアシスタントはRAGを使って、個人または共有のエンタープライズ環境内の情報源に接続します。情報源の例としては、ユーザーのメール、ファイル、カレンダー、データベースなどがあります。

情報はさまざまな形で保存されている可能性があるため、パーソナルアシスタントは完全なエージェント型RAGシステムとして捉えるのが最適です。プロンプトに応じて、API呼び出し、キーワード検索、密ベクトル検索、ナレッジグラフの探索などを使い分けます。

エンタープライズのRAGシステムでは、全社的なパーソナルアシスタントが簡単に取得できるよう、ナレッジをベクトルデータベースにエンコードするケースが増えており、多くのエンタープライズ向けAI製品もこれを念頭に設計されています。

コーディングアシスタントも、もう1つの主要なユースケースとして注目に値します。GitHub Copilotなどのコードアシスタントは、リポジトリやプロジェクト固有のドキュメントに接続して、関連するファイル、関数、シンボル、ガイダンス、API、コミット履歴を取得できます。

カスタマーサポート

カスタマーサポートもRAGの主要なユースケースの1つであり、近年はAIチャットボットの導入が急速に進んでいます。Crispはレポート「State of AI Customer Support」で、会話の40%が人間の介入なしに解決されていることを明らかにしており、その高い有効性が示されています。

ユーザーがカスタマーサポートのボットに質問すると、オーケストレーターは通常、企業の社内ナレッジベースを検索します。正確性を確保するために、修正RAGやSelf-RAGもよく併用され、必要に応じて人間の担当者への引き継ぎが行われます。

エンタープライズのナレッジベース

中規模・大規模企業におけるAIワークフローや生成AIツールの展開は、社内ナレッジベースの構築と並行して進んできました。これにより、全社的なアシスタントは、機密性の高い顧客情報、非公開の企業データ、専門的なドメイン知識など、社内データにプライバシーを保ちながらアクセスできます。

こうしたシステムは通常ベクトルデータベースを中心に構築されますが、他のRAG手法も使われています。たとえばMicrosoft 365 Copilotには、ベクトルデータベース、ナレッジグラフ、セマンティックインデックスなどのさまざまな情報源を公開するAPIレイヤーがあり、企業のデータに幅広くアクセスできるようになっています。

こうしたRAGシステムは、汎用的なエージェント型ツールのエンタープライズパッケージにも組み込まれているのが一般的です。たとえばPerplexity Enterpriseでは、大量のドキュメントをアップロードして、安全に社内で利用できます。

ユーザーは、独立したプロジェクト内に自分のファイルをアップロードすることもでき、実質的に小規模なRAGシステムを作成できます。こうした検索をWeb検索など他の形態のRAGと組み合わせて、ハイブリッドな拡張を行うこともできます。

RAGとLLMの違いとは?

大規模言語モデル(LLM)は、パラメータに表現された情報のみを使って出力を生成します。内部の語彙に確率を割り当て、シーケンス内の次の単語(トークン)を予測します。そのため、パラメータが関連情報で学習されていなければ、正確な回答を提供できません。

汎用または特化型のAIプラットフォームでは、RAGパイプラインは1つのLLMまたは複数のLLMと連携して機能します。外部の情報源に接続して、言語モデルに提供される入力コンテキストを補完するという点が、RAGとLLMの違いの核心です。

追加情報を取得するか、パラメトリック知識のみに頼るかの判断は、オーケストレーターのレベル(通常はルールベースのロジックを使用)で行うことも、LLM自身が行うこともできます。

RAGとMCPの違いとは?

RAGとModel Context Protocol(MCP)は、互いに補完し合う技術として捉えるのが最適です。MCPは、AIツールが単一のエンドポイントを使って外部の機能、リソース、プロンプトにアクセスできるアーキテクチャを構築するためのオープン標準です。

AIツールがMCPサーバーに接続すると、サーバーはクライアントがアクセス権限を持つすべてのプリミティブ(MCPツール、リソース、プロンプト)を公開します。クライアントとは、クライアント側のオーケストレーターとサーバーとの間の接続を確立するコンポーネントです。データベースや情報源を公開する場合もあり、その場合、MCPはRAGパイプラインの検索レイヤーにおける仲介役として機能します。

RAGとAPIの違いとは?

APIは、2つのアプリケーションが互いにリクエストを送信するために使用できる定義済みのインターフェースです。RAGは、LLMが外部情報にアクセスして出力を改善・拡張するためのプロセスです。

RAGでは、情報の取得にAPI呼び出しがよく使われます。たとえばWeb検索による情報検索では、オーケストレーターがユーザーのプロンプトに基づいて、該当する検索エンジンへのAPIリクエストを作成します。

RAGが重要な理由と今後の進化

RAGが重要なのは、LLMが本質的に学習データによって制約されているからです。時事問題から企業の非公開ナレッジまで、LLMがアクセスできない情報は膨大にあります。RAGは、法外なリソースを必要とせずにこの課題に対処します。

しかし、情報検索だけでは十分ではなく、だからこそRAGは今後も進化を続けます。RAGは現在のAI研究の大きな部分を占めており、幅広い形式にわたって適切な情報を返し、それを効果的に判断して優先順位を付けられるよう、システムの改善に重点が置かれています。

RAGが強力になるにつれて、重要な一般消費者向けおよびエンタープライズ向けアプリケーションにおけるAIシステムの有用性も高まります。これには、カスタマーサポート、Web検索、コーディング、パーソナルアシスタント、専門的な研究などが含まれます。