RAG（検索拡張生成）とは？
RAG（検索拡張生成）とは、AIモデルが解答を生成する前に、まずソース文書から関連する箇所を検索して取り出し、その箇所に基づいて答える方式のことです。
通常の大規模言語モデルは学習データから答えるため、学習時点に固定された知識しか持たず、ハルシネーションを起こしがちです。RAGはここに検索ステップを足して問題を緩和します。ユーザーから質問が来ると、システムはコーパス（書籍、PDF、ナレッジベース）から最も関連性の高い箇所を探し出し、それをコンテキストとしてモデルに渡し、そのうえで初めて答えるよう指示します。
要約と利用可能なソースコンテキストでチャット
RAGの品質は三つに依存します——ソースをどう刻むか（段落・節・文）、刻んだ断片を類似検索のためにどう埋め込むか、そしてモデルに取得済みコンテキストの使い方をどう指示するか。どこか一つでも弱いと、形のうえでは出典に紐づいていても実質的には誤った答えが出ます。
要約と利用可能なソースコンテキストでチャット
Summioについてもっと読むよくある質問
RAGはファインチューニングとどう違いますか？
ファインチューニングは新しい知識をモデルの重みに焼き付けます——遅く、高価で、再学習しないと更新できません。RAGはモデルを凍結したまま、クエリごとに取り出すコンテキストを変えます。知識を更新するには文書を再インデックスするだけで、モデルの再学習は不要です。
RAGはハルシネーションを根絶しますか？
検索によって回答を出典に結び付けやすくなりますが、ハルシネーションをなくすことはできません。モデルが一節を読み違えたり無視したり、正しい情報を誤って組み合わせたりする可能性があるため、重要な点は原文で確認してください。
RAGはどこで使われていますか？
AI検索エンジン（Perplexity、ChatGPT search、ウェブアクセス付きのClaude）、社内ドキュメントとのチャット、ヘルプセンター上のサポートボット、そしてSummioのような読書アプリ。回答が具体的な出典に結びついている必要がある場所すべてで使われています。