生成AIパスポート 用語解説
RAG（検索拡張生成）とは
外部の知識（ベクトルデータベース等）を検索し、その結果を文脈に加えて回答精度を高める手法。モデルの再学習はしない。
まず押さえる結論
RAG（検索拡張生成）は、生成AIパスポートの「第3章 現在の生成AI（ジェネレーティブAI）の動向」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-06-27。
公式シラバス（PDF）（公式）比較記事でさらに確認する
具体例から判断の境界を固める
モデルを追加学習する手法ではなく、外部の知識を検索して回答時の文脈に加える手法として捉える
社内マニュアルや最新情報のように、モデルの学習時には存在しなかった情報をもとに回答させたい場面があります。RAGでは、そうした文書をあらかじめチャンクと呼ばれる単位に分割してベクトルデータベースに格納しておき、質問が来るたびに関連する部分を検索し、その検索結果を文脈に加えたうえで生成AIに回答させます。ここで行っているのはモデルの重みを書き換える学習ではなく、回答の材料を外部から補う処理です。
- 問題文で見る箇所
- 「外部の知識を検索する」「ベクトルデータベース」「文脈に加える」という語があればRAGを候補にします。モデルの重みを追加データで調整するという記述であれば、RAGではなくファインチューニングを候補にします。
- 隣接概念との境界
- ファインチューニングは、事前学習済みモデルへ追加データを与えて重みそのものを調整する方法です。RAGはモデルの重みを変えず、回答時に外部の知識を検索して文脈に加える方法なので、モデルの再学習はしません。どちらも回答の精度や最新性を高める目的で使われますが、変更する対象がモデルの内部か、回答時に参照する情報かで区別します。
誤答しやすい選択肢
- RAGを、事前学習済みモデルへ追加データを与えて重みを調整する手法として扱う。それはファインチューニングの説明で、RAGはモデルの再学習をしません。
- RAGを使えば必ず最新かつ正確な回答が得られると断定する。RAGは検索結果を文脈に加える手法であり、検索対象の情報が古い・誤っていれば回答も影響を受けます。
- チャンクやベクトルデータベースという語をファインチューニングの説明として扱う。これらはRAGが外部知識を検索する仕組みに関する語です。
4段階の判断手順
- 01設問が回答時に外部情報を検索する処理か、モデル自体を追加学習する処理かを先に分ける。
- 02ベクトルデータベースやチャンクという語があるかを確認する。
- 03モデルの重みを変えない、という条件が書かれているかを確認する。
- 04RAGを使っても情報源の正確さ次第で誤りが残る可能性を選択肢で確認する。
到達条件: RAGを外部知識の検索と文脈への追加として説明し、モデルを再学習するファインチューニングとの違いを言える。
試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×RAGとファインチューニングの混同。RAGは外部知識（ベクトルデータベース）を検索して文脈に加える手法で、モデルの再学習はしない。ファインチューニングは追加学習。
×ディープフェイクと偽情報（ディスインフォメーション）の区別。前者は人物の映像・音声を本物のように偽造する技術、後者は意図的に作られ拡散される偽情報そのもの。
×生成物の種類の取り違え。Soraは動画、Image Generationは画像、音声生成AIは音声。名前ではなく生成する対象で見分ける。
関連する確認問題
第3章 現在の生成AI（ジェネレーティブAI）の動向 / RAG（Retrieval Augmented Generation、検索拡張生成）
RAG（検索拡張生成）で外部の文書を回答に活用するときの処理の流れとして、最も適切なものはどれか。
正解は「文書を小さな単位（チャンク）に分割してベクトルデータベースに格納し、質問に関連する部分を検索して文脈に加え、その内容をもとに回答を生成する」である。RAGでは、参照したい文書をあらかじめ小さな単位（チャンク）に分割してベクトルデータベースに格納しておき、質問が来るとそれに関連する部分を検索して文脈に加え、その内容をもとに回答を生成する。先に回答を生成してから保存し検索を行わないとする流れは順序が誤りで、外部文書を使わずモデル内部の知識だけで答えるとする説明はRAGの前提に反する。パラメータを追加学習で更新するのはファインチューニングであり、検索の土台となるベクトルデータベースを削除するという流れも誤りである。 RAGは準備段階で文書をチャンク化・ベクトル化して格納し、質問時に関連チャンクを検索し、その内容をプロンプトの文脈へ加えて回答を生成する。回答後に保存する流れや、外部文書を使わない流れ、追加学習後に検索基盤を削除する流れではない。
第3章 現在の生成AI（ジェネレーティブAI）の動向 / RAG（Retrieval Augmented Generation、検索拡張生成）
生成AIに自社の最新情報を反映した回答をさせたい。モデル自体の再学習を行わずに、外部の知識を検索して文脈に加えることで実現する手法はどれか。
正解は「RAG（検索拡張生成）」である。RAG（Retrieval-Augmented Generation）は、外部の知識源（ベクトルデータベース等）から関連情報を検索して文脈に加える手法で、モデル自体の再学習は行わない。ファインチューニングは追加データでモデルのパラメータ自体を再学習させる手法、プレトレーニングは大量データによる事前学習の段階であり、いずれもモデル側を作る・変更する工程である点で『再学習を行わない』という設問の条件と矛盾する。ドロップアウトは学習時に一部のノードを無効化して過学習を防ぐ学習テクニックであり、外部知識を検索して文脈に加える処理とは無関係。
第3章 現在の生成AI（ジェネレーティブAI）の動向 / RAG（Retrieval Augmented Generation、検索拡張生成）
RAG（検索拡張生成）の導入によって期待できる効果として、最も適切なものはどれか。
正解は「回答の根拠となる検索結果を示せるため、事実と異なるもっともらしい出力（ハルシネーション）を抑えやすくなる」である。RAGは検索で取得した実在の文書を根拠として回答を生成するため、出典を確認しやすく、事実と異なるもっともらしい出力（ハルシネーション）を抑えやすくなる。モデルのパラメータ数や学習の電力消費はRAGでは変わらない。また、計算の正確性は検索で補える性質の課題ではないため、RAGを導入しても解決しにくい。設問が聞くのは検索結果を文脈に加えることの直接的な効果である。モデル自体の規模、学習工程の電力、計算能力を変える説明は、検索して根拠を補うRAGの処理から外れる。
同じ章で確認したい用語
到達チェック
- RAG（検索拡張生成）を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、RAG（検索拡張生成）に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）