RAGとは何か
RAGは「検索して、その結果を使って回答する」仕組みです。
RAGという名前の意味
RAG（検索拡張生成）は、LLMが回答を生成する前に外部のデータソースから関連情報を検索し、その情報を文脈としてプロンプトに付与してから回答を生成する手法です。「検索」と「生成」を組み合わせることで、LLM単体の2つの大きな弱点を補います。
なぜRAGが必要なのか
LLM単体には「知識のカットオフ（最新情報を知らない）」と「ハルシネーション（存在しない情報を作り出す）」という限界があります。RAGはLLMが回答する前に「実際のドキュメントから関連情報を取得して渡す」ことでこれらを解決します。「私の会社の就業規則を教えて」という質問に対し、LLM単体では答えられませんが、RAGを使えば社内ドキュメントから正確な回答が得られます。
RAGと従来の検索の違い
キーワード検索は入力した単語と完全一致・部分一致する文書を探します。RAGが使うベクトル検索は意味的な近さで文書を探します。「有給休暇の申請方法」と入力すると「年次有給休暇の取得手続き」という表現の文書もヒットします。意味が近ければ表現が違っても検索できる点が従来の全文検索との大きな違いです。
RAGの処理フロー
RAGは「インデックス作成フェーズ」と「検索・生成フェーズ」の2段階で動作します。
インデックス作成（事前準備）
RAGを機能させるには、まずドキュメントをベクトルデータベースに登録します。処理の流れは次の通りです。①ドキュメントをチャンク（小さな断片、例：200〜500字）に分割する。②各チャンクをエンベディングモデルでベクトル（数値配列）に変換する。③ベクトルをベクトルデータベースに保存する。この事前処理により、後続の検索を高速に実行できます。
検索フェーズ（クエリ処理）
ユーザーが質問すると、まずその質問文もエンベディングモデルでベクトルに変換されます。次に、ベクトルデータベース内で質問ベクトルと類似度が高いチャンクを上位N件（例：3〜5件）取得します。このベクトル類似度による検索をセマンティック検索と呼びます。キーワードではなく「意味の近さ」で文書を探すため、表現が違っても関連性の高いドキュメントを取得できます。
生成フェーズ（回答生成）
取得した関連チャンクをプロンプトの文脈として付与し、LLMに回答を生成させます。プロンプトの構造は「以下の文書を参照して質問に答えてください。文書：{取得した内容}。質問：{ユーザーの質問}」という形になります。LLMは提供された文書の範囲内で回答するため、ハルシネーションが大幅に抑制されます。
RAGの主要コンポーネント
RAGを構成する技術要素を把握しておくと、ツール選定や品質改善の議論ができます。
エンベディングモデル
テキストをベクトルに変換するモデルです。OpenAIのtext-embedding-3-small/large、Google のtext-embedding-004、オープンソースのmultilingual-e5などが代表例です。日本語テキストには多言語対応モデルの選択が重要で、モデルによって日本語の検索精度が大きく異なります。
ベクトルデータベース
ベクトルを高速に検索するための専用データベースです。クラウドサービスとして利用できるPinecone、オープンソースのChroma・Qdrant・Weaviate、PostgreSQLの拡張機能pgvectorなどが主要な選択肢です。データ量・更新頻度・既存システムとの統合要件に応じて選定します。
チャンク戦略の重要性
ドキュメントをどのサイズに分割するか（チャンク戦略）は検索精度に大きく影響します。チャンクが小さすぎると文脈が不足し、大きすぎると関係ない情報が混入します。一般的には200〜500トークンが目安ですが、文書の種類（マニュアル・FAQ・契約書など）に応じた調整が必要です。
ビジネス活用と実装の注意点
社内ドキュメントのRAG活用は現実的な取り組みです。
代表的な活用例
| 活用例 | データソース | 期待効果 |
|---|---|---|
| 社内FAQ bot | 就業規則・社内規程・マニュアル | 問い合わせ対応時間を削減 |
| 営業支援 | 製品仕様書・事例集・提案書 | 顧客質問への即時回答 |
| 契約書レビュー支援 | 過去の契約書・法的ドキュメント | 確認作業の効率化 |
| カスタマーサポート | 製品マニュアル・Q＆Aデータ | 一次対応の自動化 |
精度向上のためのポイント
- データの品質：古い・矛盾した情報が入っていると誤回答の原因になる。定期的なメンテナンスが必要
- チャンク設計：文書の種類に合わせたチャンクサイズと分割方法の調整
- ハイブリッド検索：ベクトル検索とキーワード検索を組み合わせることで精度が向上するケースがある
- 評価指標の設定：正答率・回答カバレッジ・ユーザー満足度などで継続的に品質を計測する
まとめ
この記事では、RAGの仕組みをインデックス作成・セマンティック検索・文脈付き生成という3フェーズで解説しました。
- RAGはLLMの「知識カットオフ」と「ハルシネーション」という2大弱点を、外部検索で補う手法
- インデックス作成（ベクトル化・DB保存）→セマンティック検索→文脈付き生成の3段階で動作する
- エンベディングモデルとベクトルDBの選定、チャンク戦略が検索精度の鍵を握る
- 社内FAQ・営業支援・契約書レビューなど、自社ドキュメントを活用した多様な業務への応用が可能
これらを理解することで、RAGを使った社内AI活用の可能性を評価し、導入に向けた具体的なステップを計画できるようになります。
コメント