RAGの仕組みを図解で理解する

近年、生成AI（LLM）を活用したアプリケーションで注目されているのが RAG（Retrieval-Augmented Generation） という仕組みです。

RAGは、大規模言語モデル（LLM）に「外部知識」を組み合わせることで、より正確で信頼性の高い回答を生成できるようにする方法です。

今回は、その全体像をわかりやすく図解で整理しました。

RAGの全体像

👤 ユーザー（画面中央左）

• チャットシステムを通じて質問やリクエストを送る存在。
• 例：「最新の経費精算ルールを教えてください」など。

💬 チャットシステム（画面中央真ん中）

• ユーザーとLLM（大規模言語モデル）をつなぐ役割を持つインターフェース。
• ユーザーの質問を受け取り、検索や回答生成の流れを制御する。
• 最終的に、LLMが生成した答えをユーザーに返す。

🧠 LLM（大規模言語モデル）（画面中央上）

• ユーザーの質問と、検索で取得した関連情報をもとに自然な回答を生成するAI。
• ChatGPT、Claude、Geminiなど、さまざまなモデルを利用可能。

📜 テキスト化されたデータ群（画面右上）

• 企業のマニュアル、FAQ、技術ドキュメント、ナレッジベースなど。
• RAGの基盤となる「外部知識」として格納される情報源。
• PDFやWord、Webページなどをテキスト化して利用。

🔗 Embeddingモデル（画面右下）

• テキストを数値ベクトルに変換（＝ベクトル化）するAIモデル。
• 文章の「意味的な特徴」を数値で表すため、検索時に「キーワード一致」ではなく「意味の近さ」で関連情報を探せるようになる。
• 例：OpenAIの text-embedding-3-small、Googleの Gemini Embedding など。

📊 ベクトルストア（画面真ん中下）

• ベクトル化されたテキストを保存・検索するデータベース。
• ユーザーの質問をベクトル化し、ここに照合して「意味的に近い文書」を見つけ出す。
• 代表的な技術：Pinecone、Weaviate、Milvus、Postgres(pgvector) など。

RAGを用いた処理フローの流れ

① 質問に入力

ユーザーがアプリケーションに質問を入力します。
例：「経費精算の手順を教えてください」

② 質問に関する情報検索結果を取得

アプリケーションは外部情報（RAG用のナレッジベース）から、質問に関連する情報を検索します。

• 例：よくある質問集やマニュアルPDFなどを参照
• Embeddingを利用して「意味的に近い文書」を取得

③ 質問 + 検索結果を入力してテキスト作成

アプリケーションは、ユーザーの質問と検索で得られた関連文書を LLM（大規模言語モデル）に渡します。

• LLMはその情報をもとに、自然で文脈に沿った回答を生成します。

④ 回答出力

アプリケーションがLLMの生成結果をユーザーに返します。
例：「経費精算は、領収書をシステムにアップロードし、承認者に提出してください」

なぜRAGが重要なのか？

LLMは強力ですが、学習済みデータに基づいて回答を生成するため、情報が古かったり不正確なことがあります。
RAGを導入することで以下のメリットがあります。

• 最新の情報を参照可能（マニュアルやドキュメントを取り込み可能）
• 正確性の向上（事実に基づいた回答ができる）
• 社内専用の知識活用（独自データを組み込んだチャットボットの構築が可能）

まとめ

RAGは「LLM × 外部知識検索」の組み合わせであり、生成AIを業務やサービスに活かす上で欠かせない技術です。

今後、RAGを使った社内チャットボットやFAQシステムはますます広がっていくでしょう。