RAGとは?仕組みの3段階とベクトル検索、作り方の5手順

この記事の要点

  1. RAG(検索拡張生成)とは、生成AIが答える前に社内の文書などを検索し、見つけた内容をもとに答える仕組みです。仕組みは、文書を分けてベクトルにして保存しておく事前の準備と、質問を受けるたびに行う「検索」「拡張」「生成」の3段階です。
  2. ベクトル検索では、文章の意味を数値の並びに変えるエンベディングを使い、意味の近い断片をベクトルデータベースから探します。架空の社内規程で試すと、「自宅のネット代」の質問に、その語を含まない「通信費と光熱費の補助」の条文がいちばん近いと判定されました。
  3. RAGの作り方は、「質問と資料を決める」「資料を整える」「索引を作る」「検索と生成をつなぐ」「試して直す」の5手順です。ChatGPTやGeminiに資料を渡す方法から、AWSやAzureのRAGの機能、LangChain、Ollamaでローカルに組む方法まであります。
  4. ファインチューニングがモデルの振る舞いを変えるのに対し、RAGはAIに渡す知識を足します。2つは組み合わせて使えます。
  5. 記事の最後では、RAGの仕組みを社員に説明する社内勉強会の動画をNoLangで作った作例を、テンプレートとともに紹介しています。
SHARE

RAG(ラグ)とは、生成AIが答える前に、社内の文書やデータベースなどから質問に関係する情報を検索し、見つけた内容をもとに答えを作る仕組みです。 ChatGPTのような生成AIは、学習した文章をもとに答えるので、社内の規程や学習した後に出た情報は知りません。 RAGは、そうした情報を質問のたびに探してAIに渡すことで、手元の資料に沿った答えと、その出典を返せるようにします。

この記事では、RAGの意味と生まれた経緯、事前の準備と「検索」「拡張」「生成」の3段階の仕組み、それを支えるエンベディングとベクトルデータベースを説明します。 架空の社内規程を使って、検索から回答までを実際に動かした結果も載せています。 続けて、メリットと課題、ファインチューニングとの違い、Graph RAGとAgentic RAG、RAGを作る5つの手順と、ChatGPT・Gemini・Copilot・AWS・LangChain・Ollamaでの作り方をまとめます。 最後に、RAGの仕組みを社員に説明する社内勉強会の動画を、NoLangで作った作例を紹介します。

RAGとは

RAGは、Retrieval-Augmented Generationの頭文字をとった言葉で、日本語では「検索拡張生成」と訳されます。 3つの語は、次の意味です。

  • Retrieval(検索):質問に関係する情報を、文書やデータベースから探すこと
  • Augmented(拡張された):探した情報を、AIへの指示(プロンプト)に足して補うこと
  • Generation(生成):AIが、補われた指示をもとに答えの文章を作ること

RAGという名前は、2020年に発表された論文「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」で使われました。 著者は、Facebook AI Research、ユニバーシティ・カレッジ・ロンドン、ニューヨーク大学の研究者です。 論文では、学習によってモデルの中に覚えた知識と、Wikipediaの文章を検索できる索引を組み合わせて答えを作るモデルを提案しました。 比較したモデル(BART)より、事実に合った文章を作ることが多かったと報告し、索引を入れ替えれば、モデルを学習し直さなくても答えに使う知識を新しくできることも示しています。

LLMだけで答えるときとの違い

ChatGPT、Gemini、Copilotなどの生成AIの中で文章を作っているのは、LLM(大規模言語モデル)と呼ばれるAIです。 LLMは、学習したときに読んだ大量の文章をもとに答えます。 RAGは、LLMに答えさせる前に検索を1段はさみ、答えのもとにする資料を毎回渡します。

LLMだけで答える場合とRAGで答える場合
比べる点LLMだけで答えるRAGで答える
答えのもと学習した文章検索した資料と学習した知識
社内の情報知らない資料にあれば答えられる
学習の後に出た情報知らない資料にあれば答えられる
答えの根拠示しにくい使った資料を示せる
知識を新しくする方法モデルを学習し直す検索する資料を差し替える

後で紹介する例では、「来月結婚するのですが、休みは何日もらえますか?」という同じ質問に、LLMだけでは「会社の就業規則や制度によって違います」と一般的な答えを返し、RAGでは規程の条文に沿って「5日の特別休暇をもらえます」と答えました。

RAGの仕組み

RAGの処理は、前もって資料を検索できる形にしておく「事前の準備」と、質問を受けるたびに行う「検索」「拡張」「生成」の3段階に分かれます。

事前の準備:文書を分けて、ベクトルにして保存する

検索の対象にする文書は、質問を受ける前に、次の順で検索できる形にしておきます。 この準備をインデックス(索引)の作成と呼びます。

  1. 社内の規程、マニュアル、FAQ、Webページなどの文書を集め、文字を取り出します。
  2. 長い文書を、数百トークンほどの短い断片(チャンク)に分けます。トークンは、AIが文章を区切って数える単位です。
  3. 埋め込みモデルを使って、断片ごとに文章の意味を数値の並び(ベクトル)に変えます。この処理をエンベディング(埋め込み)と呼びます。
  4. ベクトルを、断片の文章や出典の情報(文書の名前、ページ、更新日など)と一緒に、ベクトルデータベースに保存します。

断片の大きさは、サービスごとに既定の値があります。 たとえば、OpenAIのAPIのファイル検索は800トークンごとに、前後の断片と400トークンずつ重ねて分けます。 Amazon Bedrockのナレッジベースの既定は、文の切れ目を保った約300トークンです。

1. 検索(Retrieval)

質問を受けたら、質問の文章も、準備で使ったものと同じ埋め込みモデルでベクトルに変えます。 そのベクトルとの類似度で、ベクトルデータベースから意味の近い断片を探し、類似度の高い順に数件を取り出します。

2. 拡張(Augmentation)

取り出した断片を、質問と一緒にLLMへの指示(プロンプト)に入れます。 「次の参考資料だけをもとに答えてください」のような指示を添えるのが一般的です。 次は、後で紹介する例で、実際にLLMに渡したプロンプトです。

あなたは社内規程の問い合わせに答えるアシスタントです。
次の参考資料だけをもとに、質問に答えてください。
参考資料に答えがないときは「規程に記載がありません」と答えてください。
答えの最後に、使った資料の名前を書いてください。

# 参考資料
[1] 特別休暇規程 第2条:社員本人が結婚するときは、5日の特別休暇を与える。
[2] 出張旅費規程 第5条:国内出張の日当は1日2,000円、海外出張の日当は1日5,000円とする。

# 質問
来月結婚するのですが、休みは何日もらえますか?

3. 生成(Generation)

LLMは、渡された参考資料を読んで答えの文章を作ります。 答えに使った資料の名前を添えるように指示しておくと、読む人がもとの資料を開いて確かめられます。 上のプロンプトに対する答えは、次のとおりでした。

5日の特別休暇をもらえます。
使った資料:特別休暇規程 第2条

実際に試した例:架空の社内規程で検索から回答までを動かす

RAGの検索がどう動くかを確かめるため、架空の会社の規程の断片6件と質問2件で、検索と回答の生成を実際に動かしました(2026年11月16日)。 埋め込みはOpenAIのtext-embedding-3-small(1つの文章を1,536個の数値に変える)、回答の生成はgpt-5.4-miniを使い、質問と各断片のベクトルの近さをコサイン類似度(1に近いほど向きが近い)で測りました。 類似度が高い上位2件を参考資料としてプロンプトに入れています。

検索の対象にした断片は、次の6件です。

  • 在宅勤務規程 第4条:在宅勤務を行う社員には、通信費と光熱費の補助として、月額3,000円を給与と合わせて支給する。
  • 情報セキュリティ規程 第6条:社内ネットワークに、私物のパソコンやスマートフォンを接続してはならない。
  • 出張旅費規程 第5条:国内出張の日当は1日2,000円、海外出張の日当は1日5,000円とする。
  • 経費精算規程 第3条:経費は、発生した月の翌月10日までに、領収書を添えて経費精算システムで申請する。
  • 特別休暇規程 第2条:社員本人が結婚するときは、5日の特別休暇を与える。
  • 情報セキュリティ規程 第8条:社外に持ち出すノートパソコンは、ディスクを暗号化し、5分で画面がロックされるように設定する。

質問は、次の2つです。

  • 質問1:自宅のネット代は会社が出してくれますか?
  • 質問2:来月結婚するのですが、休みは何日もらえますか?
質問と各断片のコサイン類似度(太字は各質問の上位2件)
断片質問1質問2
在宅勤務規程 第4条0.53050.2753
情報セキュリティ規程 第6条0.44850.1277
出張旅費規程 第5条0.30290.3554
経費精算規程 第3条0.27940.3101
特別休暇規程 第2条0.29350.6126
情報セキュリティ規程 第8条0.24140.1291

質問1の「ネット代」という語は、どの断片にも入っていません。 それでも、意味の近い「通信費と光熱費の補助」の条文が、いちばん高い類似度になりました。 2番目は「社内ネットワーク」の条文で、質問とは別の話題でも、近い語を含む断片が上位に入ることがあると分かります。 質問2は、結婚の特別休暇の条文が0.6126で、ほかの断片を大きく引き離しました。

質問1の答えは、次のとおりでした。

規程に記載がありません。
在宅勤務規程では、通信費と光熱費の補助として月額3,000円を支給するとありますが、自宅のネット代を個別に会社が負担するとは書かれていません。

使用した資料:在宅勤務規程 第4条、情報セキュリティ規程 第6条

検索では正しい条文を見つけ、答えにも補助の金額が書かれていますが、1行目は「規程に記載がありません」でした。 条文に「ネット代」という語がないため、プロンプトの「参考資料に答えがないときは『規程に記載がありません』と答えてください」という指示を当てはめたと読めます。 同じ質問をLLMだけにすると、「会社によります」と答えたうえで、一般的な補助の例を挙げ、就業規則を確かめるよう案内する内容でした。 RAGの答えは、資料にないことを足さない代わりに、指示の書き方と資料の書き方で表現が変わります。 出典を開いて確かめる使い方と組み合わせると、答えの正しさを判断しやすくなります。

類似度の値は、使う埋め込みモデルと文章で変わります。 上の値は、この例での比べ方を示すもので、検索に使う基準の値ではありません。

エンベディングとベクトルデータベース

RAGの検索の中心になるのが、文章を数値に変えるエンベディングと、その数値を保存して探すベクトルデータベースです。

エンベディング(埋め込み)とは

エンベディングは、文章の意味を、数百から数千個の数値の並び(ベクトル)で表すことです。 意味が近い文章ほど、ベクトルの向きが近くなるように作られています。 OpenAIの埋め込みモデルでは、text-embedding-3-smallが1,536個、text-embedding-3-largeが3,072個の数値に変えます。 OpenAIは、ベクトルの近さを測る方法として、コサイン類似度を勧めています。

文書を埋め込むモデルと、質問を埋め込むモデルは、同じものを使います。 Ollamaの公式の説明も、索引づくりと質問に同じ埋め込みモデルを使うよう書いています。

ベクトルデータベースとは

ベクトルデータベースは、ベクトルを保存し、指定したベクトルに近いものを速く探せるデータベースです。 RAGでは、断片の文章、ベクトル、出典などの情報(メタデータ)を一緒に保存し、検索の結果から出典をたどれるようにします。

ベクトルの検索に使われる主なデータベース
名前公式の説明提供の形
pgvectorPostgreSQLで使うベクトルの類似検索オープンソース
ChromaAIのためのデータ基盤オープンソース
Qdrantベクトル検索エンジンオープンソース
Weaviateデータとベクトルを保存して索引にするオープンソース
Milvus埋め込みをメタデータと一緒に検索するオープンソース
PineconeAIエージェントとアプリの検索エンジンクラウドのサービス

PostgreSQLを使っている会社なら、pgvectorで今のデータベースにベクトル検索の機能を足せます。 クラウドのRAGの機能(後で紹介するAmazon Bedrockのナレッジベースなど)を使うと、ベクトルデータベースの用意も含めて任せられます。

検索の方式:ベクトル検索・キーワード検索・ハイブリッド検索

RAGの検索には、主に次の方式があります。

  • ベクトル検索:意味の近さで探します。上の例の「ネット代」と「通信費」のように、言い回しが違っても関係する断片を拾えます。
  • キーワード検索:語句の一致で探します。型番、社内の略語、条番号のように、その文字列そのものを探したいときに拾いやすい方式です。
  • ハイブリッド検索:ベクトル検索とキーワード検索を組み合わせ、両方の結果をまとめます。

検索で集めた候補を、別のモデルで質問との関係の強さを測り直して並べ替えることもあり、これをリランキングと呼びます。 MicrosoftのAzure AI Searchは、ハイブリッド検索と、意味で並べ替え直すセマンティックランキングを使えます。 Amazon Bedrockのナレッジベースも、ハイブリッド検索(対応するベクトルストアのとき)とリランキングのモデルを設定で使えます。

RAGのメリット

RAGを使うと、生成AIを仕事で使うときの困りごとが、次のように変わります。

  • モデルを学習し直さなくても、社内の情報や新しい情報を答えに使えます。規程が変わったら、検索する資料を差し替えれば次の答えから反映されます。
  • 答えのもとになった資料を示せます。読む人が出典を開いて確かめられるので、答えをうのみにせずに使えます。
  • 答えに使う資料を選べます。部署や役職ごとに検索できる資料を絞れば、見てよい資料だけをもとに答えさせられます。

RAGの課題と、精度を上げる見直し

RAGを使っても、答えがいつも正しくなるわけではありません。 Microsoftの公式の文書は、検索した内容をもとにしても、モデルが不正確な答えを返すことがあると書き、出典を示すことと、検索した内容に沿って答えるよう指示することを勧めています。 また、検索が関係のない断片や足りない断片しか返さなければ、答えも不完全か不正確になるとしています。

おもな課題は、次のとおりです。

  • 検索で正しい断片を拾えないと、性能の高いLLMでも正しく答えられません。
  • 文書の分け方で、検索の結果が変わります。1つの断片に話題が混ざると拾われにくく、短すぎると前後の文脈が切れます。
  • 古い版の文書が残っていると、古い内容で答えます。
  • 資料の中に指示のような文章があると、AIがそれに従ってしまうおそれがあります(プロンプトインジェクション)。Microsoftは、検索した内容を信用できない入力として扱うよう勧めています。
  • 検索と、長くなったプロンプトの分だけ、費用と答えるまでの時間が増えます。
起きることと、見直す所
起きること見直す所
関係のない断片が選ばれる断片の大きさと重なり、埋め込みモデル、リランキング
型番や略語で聞くと外れるキーワード検索を組み合わせる
古い内容で答える古い版を消す、更新日で絞る
見てはいけない資料が出る検索の時点で権限で絞る
資料にないことを答える資料にないときの答え方を指示する、出典を示す

見直しの効果を確かめるには、よく聞かれる質問と正しい答えの組を用意し、検索で正しい断片を拾えたかと、答えが資料に沿っているかを分けて調べます。 Microsoftの設計の手引きも、各段階を別々に評価して直し、最後は使う人が受け取る答えで確かめるよう勧めています。

生成AIの答えを仕事で使う前の確かめ方は、生成AIの選び方と使い方でも説明しています。

RAGとファインチューニングの違い

社内の情報をもとに生成AIに答えさせる方法には、RAGのほかに、モデルに追加で学習させるファインチューニングがあります。 2つは、変えるものが違います。

RAGとファインチューニングの違い
比べる点RAGファインチューニング
変えるものAIに渡す知識モデルの振る舞い
向く目的社内の資料やよく変わる情報で答える決まった形式や口調で答える
情報の更新資料を差し替える学習し直す
出典示せる示しにくい

Microsoftは、社内の情報やよく変わる情報で答えるならRAG、新しい知識を足すのではなくモデルの振る舞いや文体、特定の作業をこなす性能を変えたいならファインチューニングを使う、と使い分けを示しています。 OpenAIは、2つの方法は組み合わせて使えるもので、どちらか一方を選ぶものではないと説明しています。

資料が数件なら、ファイルを添付してそのまま読ませる方法でも足ります。 資料が多いとき、よく変わるとき、人によって見てよい資料が違うときに、RAGで必要な部分だけを探して渡します。

RAGの種類:Graph RAGとAgentic RAG

基本のRAGは、質問のたびに1回検索してから答えます。 これを発展させた方式として、Graph RAG(グラフRAG)とAgentic RAG(エージェンティックRAG)があります。

RAGのおもな方式
方式検索のしかた向く質問気をつけること
基本のRAG質問のたびに1回検索する答えが資料の一部にある資料全体を問う質問
Graph RAG知識グラフとまとまりの要約を使う資料全体のテーマ索引づくりの費用
Agentic RAGAIが検索を判断して繰り返す資料を突き合わせる時間と費用

Graph RAGは、Microsoft Researchが2024年2月に発表した方式で、GraphRAGとも書きます。 LLMを使って文書から人や組織などの関係を取り出して知識グラフを作り、関係の近いまとまりごとに要約を前もって作っておきます。 Microsoft Researchは、基本のRAGは意味の近い文章を探すため、「データの中のおもなテーマを5つ挙げて」のように資料全体を問う質問が苦手で、Graph RAGはこうした質問に答えられると説明しています。 一方で、公式のGitHubは、索引を作る処理は費用が高くなりうるので、小さく始めるよう注意しています。

Agentic RAGは、AIエージェントが検索を道具として使う方式です。 エージェントが、検索するかどうか、どの索引を探すか、何回繰り返すかを自分で決め、途中の結果を見て足りなければ探し直します。 Microsoftの文書は、エージェントが考える段階ごとに、答えるまでの時間、使うトークン、仕組みの複雑さが増えるので、1つの索引を1回探せば済む質問には基本のRAGが向くと書いています。

RAGの作り方

RAGは、プログラミングをせずにAIのサービスで使う方法から、クラウドやフレームワークで自社のシステムに組み込む方法まであります。 どの方法でも、決めることの順番は同じです。

RAGを作る5つの手順

  1. 答えさせたい質問と資料を決める:誰が、どんな質問をするかを先に書き出し、その答えが載っている資料を選びます。
  2. 資料を整える:古い版や重複を消し、表やスキャンした資料の文字が取り出せるかを確かめます。見てよい人が限られる資料には、その情報を付けます。
  3. 索引を作る:断片の大きさ、埋め込みモデル、ベクトルデータベースを決め、資料を分けて埋め込み、保存します。
  4. 検索と生成をつなぐ:何件の断片を渡すか、プロンプトの指示、出典の示し方を決めます。
  5. 試して直す:よくある質問と正しい答えの組で試し、外れた質問ごとに、分け方、検索の方式、指示を見直します。

作り方の選び方

RAGの作り方
作り方例向く場面
AIのサービスに資料を渡すChatGPTのプロジェクト、Gemini Notebook、Microsoft 365 Copilot手元の資料で質問したい
ノーコードでエージェントを作るCopilot Studio社内向けのチャットを作りたい
クラウドのRAGの機能を使うAmazon Bedrock、Azure AI Search、Gemini API自社のシステムに組み込みたい
フレームワークで組むLangChain、LlamaIndex細かな処理を自分で決めたい
ローカルで組むOllama資料を外に送らずに試したい

ChatGPT・Gemini・CopilotでRAGを使う

ChatGPTでは、プロジェクトにファイルを追加すると、そのプロジェクトの会話で、追加した内容をもとに答えてもらえます。 自社のアプリから使うときは、OpenAIのAPIのファイル検索(File Search)で、アップロードしたファイルを分割して索引にし、意味とキーワードの両方で検索できます。

Googleでは、Gemini Notebook(以前の名前はNotebookLM)のノートブックにPDFやWebサイトなどのソースを入れると、チャットでソースに基づいた答えを、引用つきで返します。 開発者向けには、Gemini APIのFile Searchの機能でRAGを使えます。 ファイルを取り込むと、自動で分割、埋め込み、索引づくりまでを行います。

Microsoft 365 Copilot(Premium)は、Microsoft Graphを通して、メール、ファイル、会議、予定表などの組織のデータに基づいて答え、使える範囲は使う人の権限で決まります。 社内向けのチャットのエージェントを作るなら、Copilot Studioで、公開のWebサイト、SharePoint、アップロードした文書、Dataverseなどを知識のソース(ナレッジ)として登録できます。

AWS・Google Cloud・AzureでRAGを作る

Amazon Bedrockのナレッジベースは、Amazon S3、SharePoint、Confluenceなどのデータを取り込み、分割、埋め込み、ベクトルストアへの書き込みまでを行います。 答えに出典を付けて、もとのデータを確かめられるようにできます。 ベクトルストアは、Amazon OpenSearch Serverless、Amazon Aurora、Pinecone、Redis Enterprise Cloud、MongoDB Atlas、Amazon S3 Vectorsなどから選べます。

Google Cloudでは、Gemini Enterprise Agent Platformの機能の1つであるRAG Engineで、RAGのアプリを作れます。 MicrosoftのAzureでは、Azure AI Searchが、ハイブリッド検索とセマンティックランキングを使う従来のRAGと、LLMが検索の計画を立てるエージェント型の検索(agentic retrieval)の2つの方式を用意しています。

LangChain・LlamaIndexでRAGを組む

LangChainとLlamaIndexは、RAGの部品(文書の読み込み、分割、埋め込み、ベクトルデータベース、LLM)をつなぐためのPythonなどのライブラリです。 LangChainの公式の文書は、文書を読み込んで分割し、埋め込んでベクトルストアに入れる流れを示し、RAGを次の3つの型に分けています。

  • 2-Step RAG:いつも検索してから生成する。単純で動きを予測しやすい
  • Agentic RAG:LLMのエージェントが、考えながら、いつどう検索するかを決める
  • Hybrid RAG:質問の前処理、検索結果の確かめ、生成した後の確かめを足す

LlamaIndexの公式の文書は、RAGを、読み込み(Loading)、索引づくり(Indexing)、保存(Storing)、問い合わせ(Querying)、評価(Evaluation)の5つの段階で説明しています。

OllamaでローカルにRAGを組む

Ollamaは、公開されているLLM(オープンモデル)を手元のパソコンで動かせるソフトです。 埋め込みモデル(mxbai-embed-large、nomic-embed-textなど)も動かせるので、資料を外のサービスに送らずにRAGを試せます。 Ollamaの公式のブログでは、Chromaと組み合わせて、文書を埋め込んで保存し、質問に近い文書を探してLLMに答えさせる例を紹介しています。

RAGの活用例

RAGは、社内や社外の資料を調べてから答える仕事に使われます。

RAGの活用例
場面検索する資料変わること
社内の問い合わせ規程、手順書、FAQ同じ質問に人が答える回数が減る
お客さまの問い合わせ製品マニュアル、過去の回答回答の下書きを早く作れる
営業の準備提案書、製品資料過去の資料を探す時間が減る
技術の調べもの報告書、設計書似た事例を出典つきで探せる

作例:RAGの仕組みを社内勉強会の動画にする

社内でRAGを使い始めるときは、使う人に「答えが作られる仕組み」と「出典を確かめる大切さ」を伝えておくと、答えをそのまま信じる使い方を防げます。 勉強会のスライドを動画にしておくと、勉強会に出られなかった人や、後から入った人にも見てもらえます。

社内勉強会のスライド(PowerPoint 8枚、ノートに説明の原稿つき)をもとに、NoLangで作った動画です。 ナレーションと字幕が付いていて、長さは約3分40秒です。

このテンプレートで作る

動画は、在宅勤務中の社員が「自宅のネット代って、会社が出してくれるの?」とAIのチャットに聞き、根拠の分からない一般的な答えが返ってくる場面から始まります。 続けて、生成AIだけで答えるときの困りごと、RAGの意味、事前の準備、質問のたびの3ステップを、カードと矢印の図で順に説明します。 例の章では、冒頭と同じ質問に、在宅勤務規程の条文を見つけて出典つきで答える流れを見せ、最後に使うときの3つのポイントとまとめで締めます。

「このテンプレートで作る」を押すと、この動画をお手本に選んだ状態で、NoLangのホームが開きます。 自分の勉強会の資料や説明したい内容を入力すると、この動画の構成をもとに動画を作れます。

社内の手順書をAIで作り、動画のマニュアルにするやり方は、AIでマニュアルを作る方法で紹介しています。

社内でRAGや生成AIを導入するときの説明会や研修の資料を、NoLangで解説の動画にすれば、部署や拠点が違っても、同じ説明を届けられます。 研修の動画を会社で作る例は研修動画の作成で紹介しています。 会社での使い方をまとめた法人向けの資料は、下のボタンからダウンロードできます。 社内の研修や説明会での使い方を相談したいときは、お問い合わせのページを使ってください。

資料をダウンロード

よくある質問

RAGを使うと、社内の資料をAIに学習させたことになりますか?
なりません。RAGはモデルを学習させず、質問のたびに資料の一部を探してプロンプトに入れるだけです。資料を消したり差し替えたりすれば、次の答えからは使われなくなります。入力した内容がサービスの側でモデルの改善に使われるかどうかは、RAGとは別に、使うサービスの設定と規約で決まります。
RAGとベクトル検索(セマンティック検索)は、何が違いますか?
ベクトル検索は、意味の近い文書を探して、検索の結果として返す仕組みです。RAGは、その検索の結果をLLMに渡し、答えの文章を作らせるところまでを含みます。ベクトル検索は、RAGの「検索」の段階で使われる方式の1つです。
RAGの費用は、どこにかかりますか?
文書を埋め込む処理、ベクトルの保存、質問のたびの検索、長くなったプロンプトをLLMが読む分にかかります。かかり方はサービスで違い、たとえばGemini APIのFile Searchは、索引を作るときの埋め込みに料金がかかり、保存と質問の埋め込みは無料で、取り出した文書はLLMの入力のトークンとして数えられます。OpenAIのAPIのファイル検索は、ベクトルの保存が全体で1GBまで無料で、超えた分は1GBあたり1日0.10ドルです(どちらも2026年11月時点の公式の説明)。
画像や表を含む資料も、RAGで使えますか?
使えます。たとえばAmazon Bedrockのナレッジベースは、PDF、PowerPoint、Word、画像を含む文書、スキャンした文書などを、種類に合わせて読み取ります。ただし、表やスキャンした文書の文字が正しく取り出せないと、検索で拾えません。取り込んだ後に、表の中の数字などを質問して、答えが合っているかを確かめます。
SHARE
NoLang サービスご紹介資料
資料ダウンロード

NoLangの導入を
ご検討中の方

NoLangを
ご利用中の方

\無料ですぐ試せる/ AIで動画を作ってみる