II-B5 RAGの仕組みを理解する

ここまでのII-B2〜B4で、AIにはトークンという処理単位の制約があり（II-B2参照）、学習データカットオフという締め切りがあり（II-B3参照）、ハルシネーションという間違いも起こり得る（II-B4参照）ことを見てきました。この弱点を補うために生まれた仕組みがRAG（検索拡張生成）です。RAGの基本的な仕組みを、図（表）で人に説明できる状態を目指します。

RAGとは何か

RAG（Retrieval-Augmented Generation、検索拡張生成）とは、LLMが答えを生成する前に外部の情報源を検索し、その結果を根拠に回答を組み立てる手法のことです。何も見ずに記憶だけで即答するのではなく、質問を受けてから関連資料を調べ、その資料をもとに回答を組み立てるイメージに近い仕組みです（出典: note, 2026年7月確認）。モデルの再学習なしに、「最新情報に弱い」「社内データを参照できない」という学習データカットオフ由来の弱点を補える点が特徴です（出典: Pinecone, 2026年7月確認）。ChatGPT検索・Google AI Mode・Perplexityといった「AI検索」は、広い意味でこのRAGの一種にあたります。

RAGパイプラインの5段階

RAGは、大きく5つの工程で動きます（出典: Pinecone, 2026年7月確認／Databricks, 2026年7月確認）。

4の検索段階が実際に取得する情報は、イメージとして次のような形になります。

{
  "query": "AIOとは何ですか",
  "retrieved_chunks": [
    {"source": "own-site/article-012", "similarity": 0.91},
    {"source": "own-site/faq-003", "similarity": 0.86}
  ]
}

各工程の詳細はこの先で一つずつ掘り下げます。1のチャンキングはII-B7、4で使うエンベディングとベクトル検索は次のII-B6で扱います。

検索の精度を上げるハイブリッド検索

4の検索段階では、意味の近さで探すベクトル検索だけでなく、キーワードの完全一致に強い検索(BM25など)を組み合わせるハイブリッド検索が実務では広く使われています（出典: フレクト, 2026年7月確認）。意味検索は言い換えや同義語に強い一方、型番や専門用語のような「表記の完全一致」が重要な場面では弱くなることがあるため、両方を組み合わせて補い合う発想です。

エージェント型RAGという発展形

近年は、このRAGの流れをAIエージェントが反復的に指揮し、検索クエリを立て直したり、取得結果の正しさを自己評価したりする「エージェント型RAG」への発展も進んでいます（出典: Databricks, 2026年7月確認）。単発の検索で終わらず、必要なら検索をやり直すという、より粘り強い探し方に進化しているということです。

実践ステップ

1. 1
   自社の主要記事が、質問に対して「1つの明確な答え」を提供できる構成になっているか棚卸しする
2. 2
   型番・製品名・専門用語など、完全一致が重要な語句を自社コンテンツ内で洗い出す
3. 3
   意味は近いが表記が異なる言い換え（同義語）についても、本文中でカバーできているか確認する
4. 4
   記事同士を内部リンクでつなぎ、孤立したページ（どこからもリンクされていないページ）がないか確認する
5. 5
   RAGパイプラインの5段階を、自社サイトの構造に当てはめて図式化してみる

このレッスンはテキストとスライドで学べます。スライドは上のビューアからご覧ください。