RAGとは
RAG（Retrieval-Augmented Generation：検索拡張生成）とは、大規模言語モデル（LLM）に外部知識の検索機能を組み合わせた技術フレームワークです。質問や指示に応じて関連する情報を外部データソースから検索し、その情報を基にLLMが回答を生成します。2020年にMeta AIのPatrick Lewisらが提案しました。
RAGの仕組み
RAGは大きく3つのステップで動作します。まず、ユーザーの質問を埋め込みベクトルに変換し、ベクトルデータベースから類似した文書チャンクを検索します（Retrieval）。次に、検索された文書をプロンプトに追加します（Augmentation）。最後に、LLMが元の質問と検索された文書の情報を基に回答を生成します（Generation）。
RAGの利点
LLM単体では学習データに含まれない最新情報や専門知識に基づく回答が困難ですが、RAGにより外部の最新データを参照できます。また、回答の根拠となる文書を提示できるため、透明性と信頼性が向上します。ハルシネーション（事実と異なる回答の生成）の軽減にも効果があります。
RAGの課題と発展
検索精度がRAG全体の性能のボトルネックとなることがあります。チャンクサイズの最適化、ハイブリッド検索（キーワード＋ベクトル検索）、リランキング、マルチホップ検索などの技術で改善が図られています。