← 概念解説に戻る

Concept Fable

検索拡張生成

先に結論:検索拡張生成(Retrieval-Augmented Generation, RAG)は、回答を生成する前に、外部の知識ベース、文書庫、データベース、検索システムから関連資料を検索し、それらの資料をコンテキストとしてモデルに渡して回答を生成させる。それが解決するのは、モデルに「もっと覚えさせる」ことではなく、回答時に最新で、私有で、引用可能な知識を使えるようにすることである。RAG の鍵は単にベクトルストアをつなぐことではなく、何を検索するか、どれだけ召回するか、関連しているか、どう引用するか、回答が証拠に忠実かである。

Retrieval-Augmented Generation (RAG) · Knowledge access

まず物語を読む。ここでは急いで定義を示さず、まず問題そのものを立ち上がらせる。

寓話

公文書館はまず巻宗を机に並べることを学ぶ

町に古い公文書館があった。館長は若い頃から記憶力がよく、どの通りがいつ修理されたか、どの店に税金の滞納がないか、どの船が先月寄港したかを、ほとんど答えられた。皆は彼を生きた帳簿のようだと思っていた。

後に城は大きくなった。新しい街区が次々と現れ、隊商が毎日出入りし、条例は一季ごとに変わる。館長は依然として多くの旧事を語れたが、細部で誤り始めた:去年の橋税を今年と言い、旧埠頭の船名を新埠頭に当てた。

ある人はもっと暗記するよう勧めました。館長はそこで毎晩新しい巻宗を暗記しました。短期的には役立つように見えましたが、二か月目にまた新しい条例が来て、三か月目にまた新しい地契が来ました。暗記が増えるほど、ますます乱れました。

もう一つの方法は、抄録員にすべての文書ファイルを彼の書斎に詰め込ませることだった。結果はもっと悪かった。誰かが質問するたび、館長の前には部屋いっぱいの紙卷が積まれ、重点が見つからず、回答はかえって遅くなった。

ある日、若い写字生がやり方を変えた。誰かが「東橋の商店は今年、日除けを建てられるか」と聞きに来ると、彼はもはや公文書館全体を持ち出すことも、館長が記憶で答えることもせず、まず三種類の巻宗を探した。今年の市場条例、東橋の地券、直近の都市管理の裁定である。

彼はその数ページを館長の机に広げて言った。「まずこれを見てから答えてください」。館長は読み終えてから言った。「東橋の北側は建てられない。南側は仮設できるが、市の日は避けなければならない」。質問に来た人はさらに尋ねた。「なぜですか」。館長はもう『覚えている』とは言わず、指し示した。ここが今年の新しい規則、ここが地券の境界、ここが先月の同じ案件の処理結果である。

その後、文書館は新しい規則を定めた。変わりやすく、細かく、責任が絡む問題は、館長の頭の中にある古い知識だけに頼ってはならない。まず関連する証拠を見つけて机の上に並べ、それから館長が理解できる言葉にまとめる。写本係はさらに、各回答に注釈を残した。答えが古い条例に基づく場合は「旧」と明記し、新しい巻宗が互いに矛盾する場合は、耳に心地よい一文を無理に作らず、まず矛盾を説明する。証拠は回答を助けるだけでなく、回答を拘束する。文書館はまた、証拠が見つからないときは見つからないと答えるよう定めた。空白は捏造よりも誠実であり、その後の補完の方向も示してくれる。

城の人々はそこで気づいた。館長の最も優れた点はすべての紙を覚えることではなく、正しい紙が目の前に置かれた後、散在する証拠を一つの信頼できる答えへつなぐことだった。

明らかにする

この物語が語るのは:検索拡張生成

検索拡張生成(Retrieval-Augmented Generation, RAG)は、回答を生成する前に、外部の知識ベース、文書庫、データベース、検索システムから関連資料を検索し、それらの資料をコンテキストとしてモデルに渡して回答を生成させる。それが解決するのは、モデルに「もっと覚えさせる」ことではなく、回答時に最新で、私有で、引用可能な知識を使えるようにすることである。RAG の鍵は単にベクトルストアをつなぐことではなく、何を検索するか、どれだけ召回するか、関連しているか、どう引用するか、回答が証拠に忠実かである。

重要なのは、それが単なる用語ではなく、実際のAI/Agentシステムで繰り返し現れる構造的な問題だという点だ。これを理解して初めて、いつモデルを足すべきか、いつプロセスを変えるべきか、いつガバナンスを補うべきかを判断できる。

メタファーのマッピング

  • 老館長:大規模言語モデルそのもので、言語の組織化と推論が得意だが、記憶は古くなったり不完全だったりする可能性がある
  • 絶えず変わる条例、地券、裁決:企業の私有知識、リアルタイムデータ、頻繁に更新される業務ルール
  • 館長に多く背負わせる:再トレーニングや微調整だけで知識を補うのはコストが高く更新が遅い
  • すべての巻宗を書斎に詰め込む:無関係なコンテキストをすべてモデルに詰め込み、ノイズ、コスト、遅延を増大させる
  • 若い抄録員はまず三種類の巻宗を探す:検索器が質問に応じて関連文書やデータ断片を見つける
  • 数ページの証拠を机に広げる:検索結果をコンテキストとしてモデルに提供する
  • 館長が理解可能な回答に組織する:生成モデルが証拠に基づいて自然言語の回答を生成する
  • 問い合わせてきた人に出典を示すこと:引用・溯源・grounding により、証拠で回答を制約する
  • 古い知識だけに頼ることはできない。RAG の核心的価値は、モデルの能力と外部知識を結びつけることにあり、知識を一度にモデルのパラメータに詰め込むことではない

Andy(任旭)判断

この概念の実戦的価値は、「賢く見えるAI機能」を納品可能、検収可能、ガバナンス可能な作業単位に分解する手助けをすることです。

memorycontext engineeringベクトルデータベースknowledge basegrounding
京ICP备2026014272号