RAG（Retrieval-Augmented Generation / 検索拡張生成）は、生成AI に答えさせる前に 関連する資料を検索し、その内容を一緒に渡して回答させる 手法です。
大規模言語モデル（LLM） は物知りですが、限界もあります。学習した時点より後の最新情報や、社内文書のような非公開の知識は知りません。また、知らないことをもっともらしく答える ハルシネーション も起こします。RAGは、これらを補います。
flowchart LR Q[質問] --> R[関連資料を検索] R --> C["資料＋質問をまとめる"] C --> LLM[生成AIが回答] LLM --> A["根拠に基づく答え"]
流れは、こうです。
- 質問に関連する資料を、データベース や文書から検索する。
- その資料を、質問と一緒にAIへ渡す。
- AIは、渡された資料を根拠に回答する。
この手法の利点は、モデルを作り直さずに、最新情報や独自知識に対応できる ことと、根拠を示せる ことです。検索の精度を上げるため、意味の近さで探せる 埋め込み（ベクトル検索）がよく使われます。企業がAIを社内文書に対応させる、定番の方法です。RAGコース で学べます。