RAGとは｜仕組みとモバイル2級で問われる点

RAG は、LLM が回答を作る前に、質問に関係する資料を検索して手元に置き、その資料を読ませたうえで回答させる仕組みです。試験にたとえると、記憶だけで答える「持ち込み不可」の受験から、指定された資料を見ながら答える「持ち込み可」の受験に変えるイメージです。

名前の由来は、2020年に Lewis らが発表した論文「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」（NeurIPS 2020）です。この論文は、事前学習済みの生成モデルが重みの中に持つ知識を「パラメトリックな記憶」、Wikipedia を密なベクトルの索引にした外部の知識を「ノンパラメトリックな記憶」と呼び、両者を組み合わせることで、より具体的で事実に沿った生成ができたと報告しています。

LLM は学習した時点までの知識しか持たず、社内規程や自社製品のマニュアルのような非公開の情報も知りません。RAG は、こうした最新の情報や組織の中の情報を、モデルを作り直さずに回答へ使うための方法として広く検討されています。総務省・経済産業省の「AI事業者ガイドライン（第1.2版）」も、推論の際にプロンプトなどに加えて RAG で参照する情報を使う場合があることに触れています。

RAG は「事前の準備」と「質問が来たときの処理」の2段に分かれます。代表的な構成を、当サイトの整理で順に追います（実装によって細部は異なります）。

1. 1【準備】社内規程やマニュアルなどの文書を、検索しやすい大きさの断片（チャンク）に分ける
2. 2【準備】各断片を、意味の近さを数値で比べられるベクトル（埋め込み）に変換し、ベクトルデータベースなどに保存する
3. 3【質問時】利用者の質問も同じ方法でベクトルに変換する
4. 4【検索】質問のベクトルに近い断片を、上位からいくつか取り出す（キーワード検索と組み合わせることもある）
5. 5【追加】取り出した断片を「参考資料」として、質問と一緒にプロンプトへ入れる
6. 6【生成】LLM が、参考資料をもとに回答を作る。参照した文書名や箇所を添えて返す

当サイトの説明用の例で考えます。社員がスマホのチャットで「出張の日当はいくら？」と聞くと、RAG は旅費規程の該当箇所を検索し、その条文をプロンプトに入れてから LLM に答えさせます。回答には「旅費規程 第○条による」と出典を添えられるので、社員は元の規程で確かめられます。LLM が規程を「覚えている」わけではなく、その場で読ませている点がポイントです。

LLM に新しい知識や振る舞いを持たせる方法として、RAG とよく比べられるのがファインチューニングです。AI事業者ガイドラインは、ファインチューニングを、事前学習したモデルのパラメータを特定の業務に合う性能を得るために調整する「事後学習」の例として挙げています。

どちらか一方が常に優れているわけではありません。「頻繁に変わる事実を答えさせたい」なら RAG、「答え方の型や専門分野の言い回しを身に付けさせたい」ならファインチューニング、というように目的で選び、組み合わせることもあります。

AI事業者ガイドラインは、RAG の利用によってハルシネーション（事実と異なる内容の生成）の抑制や、出力の過程と根拠の透明性の向上が期待されると述べています。ただし「期待される」であって、なくなるわけではありません。検索で関係のない資料を拾えば、それをもとに誤った回答が作られます。

同ガイドラインは、RAG によって回答が似通ったものに収束しやすくなる可能性があり、多様さや独自性が求められる作業には向かない場合がある、という注意も挙げています。導入時に押さえたい点を、当サイトの整理で並べます。

• ✓検索の精度：関係する文書を取りこぼしたり、古い版を拾ったりしないよう、文書の管理と更新を続ける
• ✓アクセス権：閲覧権限のない人の質問に、権限が必要な文書の内容が混ざらないようにする
• ✓資料に紛れた指示文：検索した文書の中に、LLM への指示のような文章が仕込まれる攻撃（プロンプトインジェクション）に備える
• ✓ベクトルと埋め込みの弱点：OWASP の LLM アプリケーション向けリスク一覧（2025年版）は「Vector and Embedding Weaknesses」を独立した項目にしている
• ✓出典の確認：回答に添えた出典が、本当にその内容を述べているかを人が確かめられるようにする

生成AIと LLM そのものの仕組みは生成AIとLLMとは、LLM の土台になっている注意機構はTransformerとはで確認できます。

RAG は、モバイル2級の出題カテゴリ「生成AI、IoTシステム及び主要アプリケーションの種類とその概要」（公式ページの図で23%、2026年9月27日確認）に当たるテーマです。MCPC の公式テキストのページでは、第11版の改版の要点として RAG や生成AIのソフトウェア開発手法が挙げられています。当サイトの推定では、『モバイルシステム技術テキスト 第11版』の第10章「生成AIとAI活用」の範囲に入ります（章とカテゴリの対応は当サイトの推定で、参照しているのは目次の章名だけです）。

4択の形式に当てはめると、次のような観点で知識を確かめられる可能性があります。当サイトの整理であり、出題頻度を示すものではありません（出題頻度は公表されていません）。

• ✓RAG の正式名称と、「検索してから生成する」という順序
• ✓ファインチューニングとの違い（知識の置き場所、更新の手間）
• ✓埋め込み（ベクトル化）とベクトル検索の役割
• ✓RAG の利点（最新情報・組織内の情報の活用、根拠の提示）と限界
• ✓導入時の注意（検索精度、アクセス権、プロンプトインジェクション）

作業を自律的に進めるAIエージェントは、RAG の検索を「道具の1つ」として使うことがあります。試験全体の形式はモバイルシステム技術検定2級とはをご覧ください。