一言でいうと 外部情報を検索し、その結果を参照材料として生成AIの回答を作る設計手法。
RAGとは
RAGはRetrieval-Augmented Generationの略で、日本語では検索拡張生成と呼ばれます。質問に対して外部の文書やデータを検索し、見つけた情報を文脈として生成モデルへ渡して回答を作る設計です。モデル内部の学習済み知識だけに頼らず、組織固有の資料や更新される情報を参照できる点が特徴です。
検索から回答までの流れ
一般には、文書を検索しやすい単位へ分けて索引化し、質問に近い情報を取り出し、その抜粋と質問をモデルへ渡します。検索にはキーワード、ベクトル表現、両者の組み合わせなどがあります。検索結果を渡せば正答が保証されるわけではなく、取得の失敗、古い資料、文脈の切断、生成時の読み違いが起こり得ます。
メディアでの使われ方
記事アーカイブを使った社内検索、過去報道の要約、取材資料の整理、読者向けQ&Aなどに利用できます。自社記事を参照対象にすれば、一般的なAIより媒体固有の蓄積へ答えを寄せやすくなります。一方、速報や調査報道では、参照した資料と公開可能な情報の境界を保ち、人が原典を確認する工程が欠かせません。
関連する指標と技術
評価では、必要な文書を検索できたか、上位結果が質問に合うか、回答が参照情報に支えられているかを分けて見ます。検索精度、再現率、ランキング、埋め込み、ベクトル検索、引用表示、更新頻度などが関係します。MCPは検索先への接続手段になり得ますが、RAGと同義ではありません。
実務上の注意点
回答の自然さだけで品質を判断せず、参照元、更新日時、アクセス権、引用範囲を追跡できるようにします。非公開資料を索引へ混ぜる場合は、利用者ごとの閲覧権限を検索結果にも適用する必要があります。誤りが重大な用途では、出典リンクを示し、人が原文を確認してから利用します。著作権や契約上、検索・生成への利用が許される資料かも確認します。
関連用語
参照情報
＊このコンテンツは生成AIを用いて作成し運営者の確認を経て配信しています。＊
