RAG（Retrieval-Augmented Generation：検索拡張生成）は、AIが回答を生成する際に外部のデータベースやWebページを検索・参照する技術です。従来のLLMは学習時のデータのみで回答していましたが、RAGにより最新情報や専門的な情報も回答に反映できるようになりました。
RAGの仕組み【3ステップ】
1
検索（Retrieval）
ユーザーの質問に関連する情報を外部データベースやWebから検索
2
拡張（Augmented）
検索結果をLLMに追加情報（コンテキスト）として渡す
3
生成（Generation）
追加情報を基にLLMが回答を生成し、出典も提示
RAGが解決する3つの課題
| 課題 | 従来のLLM | RAG搭載AI |
|---|---|---|
| 最新情報 | 学習時点で止まる | リアルタイム反映 |
| ハルシネーション | 発生しやすい | 出典ありで軽減 |
| 専門知識 | 一般的な情報のみ | 専門DBも参照可能 |
RAGを採用している主要AI検索
Perplexity AI
Web検索+LLMの代表格。出典リンクを明示
Google AI Overview
検索結果を基にAIが要約を生成
Bing Copilot
Bing検索とGPT-4を組み合わせ
ChatGPT（Browse）
Web検索機能で最新情報を取得
RAG時代のコンテンツ対策
1
引用されやすい構造を作る
見出し、箇条書き、表を使って情報を整理
2
専門性・独自性を高める
一次情報、実体験、データを含め差別化
3
最新情報を維持する
定期的な更新でRAGの参照対象に選ばれ続ける
よくある質問
RAGとファインチューニングの違いは？▼
ファインチューニングはモデル自体を再学習しますが、RAGは学習せず外部情報を参照するだけです。RAGの方が低コストで最新情報に対応できます。
自社サイトをRAGに引用させるには？▼
構造化データの実装、クローラーのアクセス許可、高品質で専門性のあるコンテンツ作成が重要です。SEO対策とAIO対策を両立させましょう。