RAGとは【図解でわかりやすく】

最終更新日：2026年7月15日

30秒でわかる結論

RAG（Retrieval-Augmented Generation＝検索拡張生成）はAIが回答する前に外部データベースや社内文書を検索し、見つけた情報をもとに生成する仕組みです。ハルシネーションの削減・最新情報への対応・根拠の明示という3つのメリットから、企業の生成AI活用で最も注目される技術です。技術的には「単語埋め込み（ベクトル化）による意味検索」が核心で、キーワードが一致しなくても意味的に近い文書を見つけられます。

RAG＝回答の前に外部データを検索し、その情報をもとに生成。「資料を調べてから答えるAI」。

RAGは生成AIパスポートの改訂シラバスで追加された頻出項目です。「検索して生成」の2段階の流れを図解で押さえましょう。

図解

解説

メリットは2つ：(1)AIが学習していない最新情報や社内情報に基づいて回答できる、(2)根拠が明確になりハルシネーションを減らせる。企業の生成AI活用で最も注目される技術の一つで、生成AIパスポートのシラバス改訂でも正式に追加された重要項目です。

具体例

社内FAQ Botの構築例：従来の検索は「出張精算」というキーワードが文書に含まれているかで検索しましたが、RAGは「旅費を返してもらうにはどうすれば？」という質問を意味的にベクトル化し、「出張旅費精算規程.pdf」を自動で見つけて引用しながら回答します。キーワードが違っても意味が近ければヒットするため、社員が「どのフォルダに規程があるか」を知らなくても使えます。

間違えやすい類似用語

ハルシネーション：ハルシネーションは生成AIが事実と異なる情報をもっともらしく生成する現象。RAGはその対策として「外部の正確な文書を根拠にして回答する」仕組みを提供する。完全には防げないが、根拠つき回答により発生率を大幅に下げられる。
ファインチューニング：どちらも生成AIに特定の知識を持たせる手段。ファインチューニングはモデル自体を再学習して知識を焼き込む→更新コスト大。RAGは外部データベースを差し替えるだけで知識を更新できる→情報更新が容易。「知識をモデルに焼く＝ファインチューニング、外部から補う＝RAG」と対比で覚える。

覚え方

RAG＝暗記で答えず、資料を調べてから答える

試験での問われ方

生成AIパスポートでは「RAGの仕組み（検索→情報を渡す→生成）」「メリット（最新情報対応・ハルシネーション削減・根拠の明示）」「ファインチューニングとの対比（モデル変更の有無）」が頻出です。「検索（Retrieval）」「拡張（Augmented）」「生成（Generation）」の各単語の意味を英語と照らし合わせて覚えましょう。

確認問題

生成AIが回答する前に外部のデータベースや社内文書などを検索し、見つけた情報をもとに回答を生成する仕組みを何と呼ぶでしょう？

A. RLHF
B. ファインチューニング
C. RAG（検索拡張生成）
D. プロンプトエンジニアリング

正解：C. RAG（検索拡張生成）

RAG（Retrieval-Augmented Generation＝検索拡張生成）は「暗記で答えず、資料を調べてから答えるAI」。メリットは(1)最新情報・社内情報に基づいた回答、(2)ハルシネーションの削減。ファインチューニングはモデル自体の追加学習で、RAGとは情報を持たせるアプローチが異なります。

RAGの問題を解いてみる →