用語比較
RAGとファインチューニングの違い
RAGとファインチューニングは、どちらも生成AIの回答を改善する文脈で出ますが、やっていることは違います。RAGは外部情報を検索・参照して回答に使う方法で、ファインチューニングは学習済みモデルに追加学習を行ってモデル側を調整する方法です。
試験では、モデルの重みを更新する話か、外部文書やデータベースを参照する話かを先に見ます。最新情報や社内文書を参照させるならRAG、特定タスクの出力傾向を調整するならファインチューニング、と切り分けます。
このページは、どちらも「モデルへ知識を足す方法」とまとめて覚えてしまった人を対象にしています。設問の処理を、検索して文脈へ加える流れと、追加データでモデルを調整する流れに分解し、チャンク、ベクトルデータベース、プレトレーニング、プロンプトとの違いまで一続きで判断します。
公式情報の確認
試験日、料金、申込条件、試験方式など変動する情報は、公式情報を最終確認してください。 当サイトの一次情報確認日: 2026-06-27。
RAGとファインチューニングの定義・試験上の区別は公式範囲と照合しています。外部知識を参照するか、モデルの振る舞いを調整するかという選択手順は編集部の学習上の整理です。
結論
RAG
外部情報を検索して、回答生成時の根拠として使う。モデル自体を再学習するとは限らない。
ファインチューニング
既存モデルに追加学習を行い、特定タスクや表現へモデルを調整する。
違いを表で確認
| 比較軸 | 左側の概念 | 右側の概念 |
|---|---|---|
| 変える対象 | 参照する情報や検索結果 | モデルのパラメータや出力傾向 |
| 向いている場面 | 最新情報、社内文書、根拠参照 | 専門タスク、文体、分類・応答パターンの調整 |
| 試験で見る語 | 検索、外部知識、文書DB、根拠 | 追加学習、再学習、重み、調整 |
| 処理の中心 | 関連文書を取得し、文脈へ加えて生成する | 追加データを使って学習済みモデルを調整する |
| 一緒に出やすい語 | チャンク、ベクトルデータベース、検索結果 | プレトレーニング、データセット、パラメータ |
どこで迷っているかを切り分ける
RAGを再学習の一種だと思っている初学者
RAGは、参照したい文書をチャンクへ分割し、ベクトルデータベースなどから関連情報を検索して、回答時の文脈へ加える流れとして捉えます。追加データでモデル側を調整するファインチューニングとは、処理する場所も設問に現れる語も異なります。
社内文書と専門タスクの例で迷う人
「社内向けだからRAG」と用途名だけで決めません。質問のたびに固有文書を検索して根拠として使うならRAG、学習済みモデルを追加学習して特定用途へ調整するならファインチューニングです。入力、処理、出力のうち何を変える話かを確認します。
ハルシネーション対策を一つに決めつける再受験者
RAGで実在文書を参照しやすくしても、検索結果や回答生成が常に正しいとは限らず、ハルシネーションは完全にはなくなりません。設問が求めるのが外部根拠の参照なのか、モデルの追加学習なのかを切り分け、対策名だけで即答しないようにします。
具体例で使い分ける
例 1
社内マニュアルを検索して回答の根拠に使う
質問に応じて社内マニュアルの関連箇所を探し、その内容を文脈へ加えて回答させる場面です。
- 1.回答前に外部文書を検索することが、処理の中心になっています。
- 2.文書を小さな単位であるチャンクに分け、ベクトルデータベースへ格納し、質問に関連する部分を取得する流れが手掛かりです。
- 3.モデルを追加データで再学習することは要件に含まれていないため、ファインチューニングの説明とは分けます。
結論: 外部の固有文書を検索・参照して生成するので、RAGを選びます。
例 2
学習済みモデルを特定用途へ調整する
用意した追加データを使い、学習済みモデルを特定のタスクや表現へ合わせて調整する場面です。
- 1.設問の中心語は、外部検索ではなく追加学習とモデル側の調整です。
- 2.大量データで汎用的に学習するプレトレーニングの後に、特定用途へ追加学習する工程として区別します。
- 3.質問時に例を示すFew-Shotプロンプティングや、指示文を工夫するプロンプトエンジニアリングとも混同しません。
結論: 追加学習でモデル自体を特定用途へ調整するので、ファインチューニングを選びます。
例 3
ハルシネーションを抑え、参照元も確認したい
実在する外部文書を回答の根拠として使い、生成結果と参照元を照合しやすくする場面です。
- 1.外部知識から関連情報を検索し、その結果を回答の文脈へ加える点はRAGの処理です。
- 2.根拠を参照しやすくなることと、生成結果が常に正しいことは同じではありません。
- 3.検索対象の文書、取得したチャンク、最終回答をそれぞれ確認する前提で、ハルシネーションが完全にゼロになるという選択肢を除外します。
結論: 外部根拠の検索・参照にはRAGが対応しますが、出力確認は引き続き必要です。
問題文から答えを選ぶ手順
1. 外部検索の有無を見る
文書、データベース、チャンク、検索結果を回答時の文脈へ加えるならRAGを疑います。外部情報という語だけでなく、取得してから生成する順序を確認します。
2. モデル側を更新するかを見る
追加データ、追加学習、再学習、パラメータ、特定用途への調整が中心ならファインチューニングを疑います。検索用文書の更新とは区別します。
3. 隣接概念を除外する
事前の汎用学習はプレトレーニング、入力指示の工夫はプロンプトエンジニアリング、例を示す指示はFew-Shotです。追加学習か回答時の検索かに戻って候補を切ります。
4. 効果の断定を検査する
RAGなら誤りがなくなる、ファインチューニングなら最新情報へ常に対応できる、といった断定を避けます。何を変える手法なのかという定義に照らして判断します。
試験での見分け方
- 外部文書を検索して回答に使うならRAG。
- 学習済みモデルを追加データで調整するならファインチューニング。
- 最新情報への対応を問うなら、まずRAGを疑う。
- RAGでも回答の正確性は保証されないため、参照元の品質確認が必要。
- チャンクやベクトルデータベースはRAG、追加学習やパラメータの調整はファインチューニングの手掛かり。
- プロンプトへ例を示すことと、モデルを追加学習することを分ける。
誤答しやすい選択肢
RAGをモデル再学習と覚える
修正: RAGは検索・参照の仕組みとして捉え、モデル自体を更新するとは限らないと押さえます。
ファインチューニングで最新情報を常に解決できると思う
修正: 追加学習後も情報は古くなります。最新文書の参照はRAGの文脈で考えます。
RAGならハルシネーションが完全になくなると考える
修正: 外部文書を根拠にしやすくなっても、検索結果と生成結果の誤りは残り得ます。参照元と回答を確認します。
Few-Shotをファインチューニングと呼ぶ
修正: Few-Shotはプロンプト内で例を示す方法です。追加データで学習済みモデルを調整する工程とは分けます。
確認問題
Q1.外部文書をチャンクへ分割し、関連箇所を検索して回答の文脈へ加える手法は？
答え: RAG
チャンク、ベクトルデータベース、検索、文脈への追加という処理はRAGの流れです。モデルの追加学習を説明しているわけではありません。
Q2.学習済みモデルへ追加データを使って特定用途向けに調整する手法は？
答え: ファインチューニング
モデル側を追加学習で調整する点が判断根拠です。回答時に外部文書を検索するRAGや、事前学習であるプレトレーニングとは異なります。
Q3.RAGを導入すればハルシネーションは完全になくなる？
答え: なくならない
外部の実在文書を参照しやすくなっても、取得する情報や生成する回答の誤りは残り得ます。参照元と最終出力の確認が必要です。
到達チェック
- ✓RAGを検索・参照、ファインチューニングを追加学習として説明できる
- ✓チャンクとベクトルデータベースがRAGの処理で果たす位置を言える
- ✓プレトレーニング、Few-Shot、プロンプトエンジニアリングを区別できる
- ✓社内文書の参照と特定タスクへのモデル調整を、処理の違いで選べる
- ✓RAGでもハルシネーションが完全にはなくならないと説明できる
関連ページで確認する
よくある質問
RAGとファインチューニングはどちらがよい？
目的次第です。外部情報の参照や最新情報ならRAG、出力傾向や特定タスクへの調整ならファインチューニングを検討します。
RAGならハルシネーションはなくなる？
なくなりません。根拠を参照しやすくなりますが、検索結果や回答生成の誤りは残るため確認が必要です。
RAGではモデルを再学習する？
外部文書を検索し、その結果を文脈へ加えて回答することが中心で、モデルの再学習を行うとは限りません。追加学習でモデル側を調整する説明はファインチューニングです。
試験ではどの語で見分ける？
チャンク、ベクトルデータベース、外部文書、検索ならRAG、追加学習、再学習、パラメータ、特定用途への調整ならファインチューニングを疑います。
執筆: ミナト編集部（運営者情報を見る）