質問をベクトル化してベクトル DB（G-17）から類似文書を取り出し、プロンプトに添えます。社内規定など学習データ外の知識を根拠にした回答を作りやすくなります。
バイブ特有
450
RAG
アールエージー
体験区分：少しだけ触った
推奨読者レベル：Level 3-4
何をしてくれるか
どこで出会うか
社内 FAQ ボットや製品マニュアル Q&A を組む場面で登場します。「Fine-tuning より手早く試せて根拠文書も示せる」と紹介され、ドキュメントやスライドで名前を見かけます。
構造図
2026.04·ready
「社内 FAQ は RAG で組んだら、Fine-tuning より手早く動きました。」
RAGの見方
451
この用語の見どころ
1
役割
外部文書を検索して LLM の文脈に注入する仕組みです。
2
うれしさ
モデルを再学習せずに最新情報や社内知識を回答に反映できます。
3
注意点
検索精度が低いと的外れな文書が注入され、回答品質が下がることがあります。
4
どこで役立つか
社内 FAQ・ドキュメント Q&A・専門領域の問い合わせ対応で効果が出やすいです。
5
はじめに
「質問 → 検索 → 文脈注入 → 回答」の 4 ステップが RAG の基本形です。
6
深掘り先
Embedding（G-16）、ベクトル DB（G-17）、Fine-tuning（J-16）
非エンジニアのつまずき
- 2〜3 年前に流行ったが、RAG を「固有の技術」として持ち上げるのが微妙になってきました。
- 飛びついて構築しても、モデルが高性能化するにつれ昔のチューニングが陳腐化していきます。
- 実践しやすい反面、「これが本質か？
私のコメント
- 第一印象:すごい、チャットボットも簡単に作れそうと感じました。
- 良い点:実際にチャットボットはそこそこのものができました。
- ダメな点:全部入れると劣化する。エキスパートシステムとのハイブリッドにしないと使いづらいです。
- 誰向けか:AI レガシーシステムの代表になりつつある印象です。
開発フローでの位置
文書準備
Embedding 変換
質問受付
類似検索
LLM 回答
関連用語
G-15·term_llm
バイブコーディング図鑑