RAGとは？
要約
RAG（ラグ）とは、生成AIが回答を作る際に、外部の情報源を検索して関連情報を取り込み、それをもとに回答を生成する仕組みのことです。日本語では「検索拡張生成」と訳されます。回答の生成前に外部のデータベースやWebから関連情報を検索し、その内容を踏まえて回答します。ChatGPTやPerplexity、AI OverviewsがWeb情報を参照して回答する背景にある考え方です。
さらに詳しい内容をご覧になりたい方は下記も併せてお読みください。
RAG（ラグ／Retrieval-Augmented Generation）とは、生成AIが回答を作る際に、外部の情報源を検索して関連する情報を取り込み、それをもとに回答を生成する仕組みのことです。日本語では「検索拡張生成」と訳されます。生成AIは本来、学習した時点までの知識をもとに回答しますが、RAGを用いると、回答の生成前に外部のデータベースやWebから関連情報を検索（Retrieval）し、その内容を踏まえて回答を生成（Generation）します。ChatGPTやPerplexity、Google AI Overviewsなどでは、Web情報を参照して回答を生成する際に、RAGに近い考え方が採用されていると考えられています。
RAGの仕組み
RAGは、大きく分けて「検索（Retrieval）」と「生成（Generation）」の二つの段階で動作します。一般的な流れは、次のようになります。
- 検索（Retrieval）：利用者の質問を受け取り、外部のデータベースやWebから、関連性の高い情報を検索して取得する
- 拡張（Augmentation）：取得した情報を、質問とあわせてAIへの入力（プロンプト）に組み込む
- 生成（Generation）：質問と取得情報の両方をもとに、AIが回答を生成する
この仕組みの背景には、ベクトル検索と呼ばれる技術がよく使われます。埋め込み（embedding）とは、文章の意味を数値として表現したデータです。文章を埋め込みに変換することで、意味的に近い情報を探せるようになります。キーワードの一致だけでなく、意味の近さで関連情報を見つけられる点が、従来の検索との違いです。検索対象となる文書は、あらかじめ適度な長さの小さな単位（チャンク）に分割され、それぞれが埋め込み（ベクトル）に変換されて保存されることが一般的です。
なぜRAGが使われるのか
生成AIには、学習した時点以降の新しい情報を持っていない、事実と異なる内容を作り出してしまう（ハルシネーション）といった課題があります。RAGは、回答の生成前に最新かつ関連性の高い情報を取り込むことで、これらの課題を軽減することを目的としています。
具体的には、次のような利点があると考えられています。
- 最新情報への対応：学習時点以降の情報も、外部から取得して回答に反映できる
- 根拠の提示：どの情報源を参照したかを示しやすく、出典のあるかたちで回答できる
- 専門領域への適応：特定の文書群を検索対象にすることで、専門的な内容にも対応しやすい
- 独自情報の活用：社内マニュアルや製品情報など、学習データに含まれない情報も回答に利用できる
AI検索とRAG
ChatGPTやPerplexity、Google AI Overviewsなどが、Web上の情報を参照しながら回答し、参照元を示すことがあるのは、RAGの考え方が背景にあると考えられています。AIは、多くの場合、質問に応じてWeb情報や各種データソースから関連情報を取得し、それらをもとに回答を組み立てていると考えられています。
この観点からは、自社の情報が、AIの検索段階で「関連性が高い情報」として見つけられ、取得されるかどうかが、AI検索で参照されるための一つのポイントになると考えられます。内容が分かりやすく整理され、質問との関連性を判断しやすい形になっていることが、検索段階で取得されやすさにつながる可能性があります。
ENVY DESIGNの視点と観察
ENVY DESIGNでは、ChatGPTやPerplexity、Google AI Overviewsなどを継続的に観察するなかで、自社サイトの情報が参照・引用されるケースを確認しています。AIが回答を生成する際にRAGに近い考え方を取り入れているのであれば、まず自社の情報が検索段階で関連情報として取得されることが、参照されるための前提になると考えられます。
その観察を踏まえて意識しているのは、質問と答えが明確で、一次情報や具体的な内容を含み、機械が理解しやすい形に整えられたページをつくることです。RAGそのものを最適化することはできませんが、AIが検索・取得しやすい情報を地道に整えていくことが、AI検索への対応の土台になると考えています。
よくある誤解と関連用語
RAGについて、「AIが賢くなる仕組み」とまとめて理解されることがありますが、より正確には、AIそのものの能力を変えるのではなく、回答の前に外部情報を取り込むことで、回答の正確さや最新性を補う仕組みです。AIの内部の知識を書き換えるわけではなく、外部から情報を補って回答する、という点が特徴です。
この概念の初出は、Lewisらによる2020年の原論文（arXiv）です。
AIに会社やサービスを認識してもらう考え方についてはエンティティとは？AI検索に「あなたの会社」を覚えてもらう5つの方法、AIに情報を伝える仕組みについては構造化データとは？もご参照ください。AI検索最適化（AIO・GEO）の進め方やサービス内容についてはAIO・GEO対策（AI検索最適化）のページもご覧ください。AI検索への対応についてのご相談は、お問い合わせフォームからお気軽にどうぞ。