RAG
「再生」でRAGの流れを見る
質問 → 検索 → 関連情報取得 → 情報を使って回答生成。
"R" の検索、"A" の強化、"G" の生成
RAGは Retrieval（検索）・Augmented（強化）・Generation（生成）の頭文字。 AIは学習済みの知識だけで答えるのではなく、質問に関連する資料をまず検索し、その内容を見ながら答える。 これにより、学習していない社内資料・最新ニュース・独自データをAIが扱えるようになります。 「ナレッジを渡す」という普段の作業は、実は手動版のRAGです。
身近な例えで理解する
例① 図書館で調べ物をする人
知らないことを聞かれたとき、図書館で関連書籍を探して、必要な箇所だけ読んで答える。 この「調べてから答える」プロセスがRAG。 一方、頭の中の知識だけで答えるのが普通のLLMです。
例② 専属秘書が資料を持ってくる
社長室に居る社長が、秘書に「先月の売上資料持ってきて」と頼んで、資料を見ながら意思決定する。 RAGの"Retrieval" は秘書の役割で、LLMが社長。 秘書（検索）が有能なほど、社長（回答）の質が上がります。
RAGは「AIに最新・独自情報を使わせる仕組み」。 普段「関連資料を貼り付けて質問する」のも、広義のRAG。 業務や発信でAIを使うなら、「何を検索させるか」の設計が品質を決めます。