RAG

一言で言うと

AIが回答する前に、外部のデータベースから関連情報を検索して参照する仕組み。AIの回答精度を上げる技術。

もう少し詳しく

RAGは「Retrieval-Augmented Generation（検索拡張生成）」の略です。LLMは学習データに含まれない最新情報や社内の独自情報を知りません。RAGはこの弱点を補う技術です。

試験に例えると、LLMだけだと「暗記した知識だけで回答する」状態です。RAGを使うと「教科書やノートを参照しながら回答できる」状態になります。回答の正確性が格段に上がりますよね。

具体的には「質問を受ける → 関連する文書をデータベースから検索 → 検索結果をAIに渡す → AIが検索結果を参照しながら回答する」という流れです。社内FAQチャットボットや、ドキュメント検索AIなどでよく使われています。

実務でどう使うか

コードで見てみよう

# RAGの概念的な流れ
# 1. ユーザーの質問
question = "返品ポリシーについて教えてください"
# 2. 関連するドキュメントを検索（Retrieval）
relevant_docs = vector_db.search(question, top_k=3)
# → ["返品は購入後30日以内...", "送料はお客様負担...", ...]
# 3. 検索結果をAIに渡して回答を生成（Augmented Generation）
response = llm.generate(
    prompt=f"""以下の情報を参照して質問に答えてください。
参考情報: {relevant_docs}
質問: {question}"""
)
# → 「当社の返品ポリシーでは、購入後30日以内であれば...」