RAGとは？

期末テストで「記憶頼み」に答えるのと、オープンブックで資料を引い「本を探す→読む→答える」流れをAIがやる

質問をもらったら、まず本棚から関連した本を何冊か引っ張り出し、その中身を読みながら答える先生。RAG（Retrieval-Augmented Generation）は、この「探す→読む→答える」をAIで実現する仕組みです。つまり、知識を事前にモデルに叩き込むのではなく、質問そのたびに外部の文書を検索し、その内容を頼りに生成AIが回答を作る技術です。

「うちのマニュアル、AIが自分で引いて答えてくれる」

あなたが「経費精算の上限っていくつ？」とチャットに打った瞬間、AIは社内の経費規定PDFから該当ページを自動で探し、その数値をもとに「上限は5,000円です」と答える。これがRAGです。
医療現場で、医師が患者の症状をAIに入力すると、RAGが最新ガイドラインから関連セクションを引き出し、治療方針の候補を提示する。共通点は、AIが”暗記”しているのではなく、その場で”調べる”ということです。

図にすると、こういう流れです

「覚えさせる」のと「見せる」のは別の話

ファインチューニング（モデルの重みを追加訓練して知識を焼き込む手法）はAIの「脳」自体を鍛える作業ですが、RAGはAIに「参考書を持たせる」作業（モデルは変えず、外部文書をリアルタイムで参照させる）です。
一言で言えば：ファインチューニングは”記憶”、RAGは”調べる”。しかもRAGは文書を更新すれば即反映されますが、ファインチューニングは再訓練が必要です。この「変えない」設計が、RAGが社内規定や最新情報を扱う場面で重宝される理由です。

比較するとこんなイメージです

G検定・データサイエンティスト検定で「使い分け」を聞かれる

G検定では「生成AIの活用手法」としてRAGとファインチューニングの使い分けが、データサイエンティスト検定では「外部知識の統合方法」として出題されやすい角度です。
確認方法は1つ：「RAGはモデルを変えずに〜」と、”何を変えて、何を変えていないか”を自分の言葉で言えるかどうか。これが言えれば、試験本番でも慌てません。

まとめ

RAGの本質は「探す→読む→答える」。モデルを鍛えるのではなく、文書を”見せる”技術でした。

今週出来ること：よく聞く社内文書を3つRAGに登録し、生成AIに「この文書をもとに答えて」と指示してみてください。これがRAGの最小体験です。

試験で出たときの3語の要点：外部文書・リアルタイム参照・モデル不変。

RAGの「知識の取得→生成への注入」が、本をロボが引き出してガラス球へ注ぐ一連の動きで明快に表現されています。金色の粒子と青基調の対比が目を引きますが、左側の書棚がやや画面を占め、中央の球への視誘導が少し弱いです。

評価項目	点数	コメント
概念の正確さ	4	取得→生成のフローを正確に捉えています
比喩の明快さ	4	本から球へ注ぐ一動作で一目瞭然です
立体感・奥行き	4	手前ボケと影で奥行きがしっかり出ます
映え度（SNS寄与）	4	青×金の高コントラストが目を引きます
色調の用語相性	4	青＝知識・金＝生成で意味が合っています
合計	20 / 25	総合判定: 良好

評価基準: 1（不合格）〜5（優秀）AI Judge による自動評価

note ご指定のページが見つかりません

note.com