Figmaタイタニック号からの脱出：Part2 — 「UXデザイナーのための魔法のRAGガイド」
RAGとUXの組み合わせを学ぶことができます。RAGはプログラマーでなくても生成することができます。Part１・Part２・Part３・Part４
原文：https://www.uxforai.com/p/escape-from-the-figma-titanic-part-2-uxer-s-guide-to-magic-rag
RAG（検索拡張生成）は、必要なタイミングでコンテンツを提供する手法であり、大規模言語モデル（LLM）やAIエージェントが、ユーザーの質問に答えたり、自律的なタスクを遂行する際に活用されます。
最近のRAGの進化は、ユーザー中心のUXデザインを追求するデザイナーにとってまさに理想的な「魔法のじゅうたん」です（英語のrugにかけた表現）。UXデザイナーは、単なるピクセルの配置作業に終始していた過去の時代から脱却し、より革新的で価値ある体験を創造する新たなステージへと進もうとしています。
この記事では、RAGファイルの作成手順をゼロから詳しく解説し、データサイエンティストとの連携を通じて、すぐに実践可能な方法で優れたUX価値を創出するための効果的な手法をご提案します。
著者：Greg Nudelman（グレッグ・ヌーデルマン）
2025年7月10日
RAGとは何なのか？
RAGとは「Retrieval-Augmented Generation」（検索拡張生成）の略です。
LLM が特定の質問に答えたり、AI エージェントがカスタムの特殊なタスクを実行したりできるように、カスタム コンテンツを組み込む手法です。これは、システムが AI に何かを実行する方法に関する具体的な詳細を提供し、より関連性が高く、正確で、最新の応答が得られるということを言い換えたものです。
例えば、ブログ記事を書いたばかりで、LLMを使ってFAQを作成したいとします。ブログ記事のテキストをプロンプトの一部として提供するのは理にかなっていると思いませんか？そのブログ記事はRAGファイルと見なすことができます。
同様に、LLMを使って顧客のアカウントのトラブルシューティングを行いたい場合、AIモデルにユーザーのアカウント詳細や最近の購入履歴など、最新の情報を提供するのが理にかなっています。質問をする前に、これらの情報をすべてモデルに入力する手法はRAGと呼ばれます。
私の好きな SF 作家の一人、ロバート・シェクリーは短編小説「Ask a Foolish Question」の中でこう書いています。
“To ask a question
you must already know most of the answer”
質問をするためには、すでにその答えの核心部分を理解している必要がある。引用：ロバート・シェクリイ（Robert Sheckley）『Ask a Foolish Question』より
なぜRAGが必要なのか？
簡単に言えば、LLMはすでに世界のデータのほとんどを取り込んでいます。残っているのは、貴社の独自データと顧客データです。
RAGは、これらのデータをLLMに安全に取り込む方法であり、貴社の強み、つまり「秘伝のソース」に特化した回答を提供します。
「ファインチューニングじゃダメなの？」という疑問
良い質問です。
データサイエンティストがモデルを自社データで訓練させる「ファインチューニング」も最近までAIモデルにカスタムデータを取り込む方法として推奨されていました。
ただし、RAGには次のような大きな利点があります：
１）ジャストインタイムのデータ読み込み
RAG により、カスタム LLM モデルの作成、トレーニング、ホスティング、管理が不要になり、コストを削減できます。主要なモデルであればどれでも使用可能で、質問の直前にプロンプトに必要なデータだけを読み込むだけです。
２）動的更新が可能
RAGは、ミリ秒単位のリアルタイムデータを読み込むことができます。ファインチューニングされたモデルでは、数時間経たないと更新できません。その間にデータは陳腐化します。
RAG を使用することで、最小限のレイテンシでデータを読み込むことができ、わずか 1 ミリ秒前の最新の購入履歴を含むすべての顧客購入履歴を読み込むことができます。（対照的に、Fine-Tuned モデルは最大でも数時間おきにしか更新できないため、動的データはすぐに古くなります。）
３）最小限のデータで動作
RAGでは、最小限のデータのみを取得・ロードする必要があるため、高速かつ効率的です。これは、RAGファイルの各チャンクをエンコードし、タスクに基づいて取得するデータを決定する特別なベクトルデータベース（Vector DB）によって実現されます（この記事では扱いません）。
４）エージェントに優しい柔軟性
RAGの「無駄がなく、その場で最適化できる自己指向型の仕組み」は、エージェント型AIアプリケーションに特に向いています。
エージェントは自律的に行動するため、必要なデータを事前にすべて予測することはできません。実行中に「あるデータを取得しようとしたが行き詰まる → 方向を変えて別のデータを取りに行く」といった試行錯誤を繰り返すことがあります。その際、エージェントは状況に応じて異なるRAGファイルセットを呼び出し、動作を柔軟に切り替えていきます。
なぜ今、UX が RAG を“編み上げる”プロセスに参加すべきなのか？
さあ、ここが本題です！
以前は、RAGコンテンツはデータサイエンティストやAIエンジニアだけが扱っていました。ファイルは雑然としていて、大量のユースケースを詰め込んだ文書は脆く、順番に依存する指示でいっぱいでした。ほんの少し変更するだけで、AIが「幻覚」（事実に基づかない出力）を起こすリスクもありました。エンジニアたちは、まるで「賢者の石」を探す錬金術師のように、秘密裏にRAGファイルを扱っていたのです。
しかし今では状況が静かに改善されています。OpenAI、Anthropic、AWS、Google、DeepSeek など主要なLLMプロバイダーの多くが、ずっと明確で安定したベストプラクティスを導入するようになってきました。
「1つのRAGファイル = 1つのユースケース」
その結果、RAGファイルの作成ははるかにシンプルになり、より民主的になりました。なぜなら、ユースケースについて最も詳しいのは誰だと思いますか？
UX担当者（そしてプロジェクトマネージャー）です。
つまり、これからご紹介する方法を使えば、顧客に関する知識を今日からすぐに活用し、社内のLLMが事前学習済みデータだけに頼るよりも、より関連性の高い、正確で最新の回答を提供できるように支援できるのです。
それでは、RAGファイルを作成してみましょう。UXforAI.comでご紹介している多くのUX手法と同様に、RAGファイルの作成は複雑ではありませんが、非常に高度な作業になる場合があります。
RAGファイルを作ってみよう！
ここが重要ですが、秘密はありません。
データ サイエンティストと LLM 向けのコンテンツを作成するには、データ サイエンティストと LLM と連携する必要があります。
具体例：RAGファイルを作るには？
では、具体的にどうやってRAGファイルを作るのでしょう？
例として、ChatGPTを使ってみましょう。
では、仮にあなたが「Life Clock（ライフ・クロック）」というライフスタイルアプリのデザインに取り組んでいるとしましょう。このアプリには、自社オリジナルのタイ料理の健康レシピが含まれており、その中の「トムヤムクン」のレシピをユーザーに提供するという状況です。
ChatGPTへのプロンプト例：
以下のプロンプトをChatGPTに入力してください：
Create an individual RAG file from the recipe on this page. Make this RAG text, not JSON. IMPORTANT: make sure it’s a downloadable complete text RAG file you can use to create this recipe. Include file headers, id, title, description, ingredients, the works! https://hot-thai-kitchen.com/tom-yum-goong/
すると、以下のようなRAGファイルが生成されるはずです：
RAGファイル例：
（alt: タイのスープ「トムヤムクン」のレシピを記述したRAGファイル）
（caption: LLMが参照可能な形式で整備されたレシピRAGファイルの例）
# RAG DOCUMENT
id: tom-yum-goong-creamy
title: Creamy Tom Yum Goong（ต้มยำกุ้งน้ำข้น）
description: 海老、きのこ、香り高いハーブを使ったクラシックなトムヤムスープの濃厚クリーミー版。
tags: タイ料理, スープ, 辛い, クリーミー, シーフード
## 材料
- 水 5カップ
- 海老（10〜12尾、皮をむいて背ワタを取る）
- レモングラス 2本（下部のみ、叩いて5cmにカット）
- ガランガル 約25g（薄切り10枚）
- カフィアライムの葉 10枚
- きのこ（オイスターマッシュルーム推奨、約200g）
- 唐辛子（乾燥または生、適量）
- ナンプラー 大さじ3
- グラニュー糖 小さじ2〜3
- シャロット 2個（半分に切る）
- ※オプション：タマリンドペースト、ココナッツミルク、ナムプリックパオ
- 仕上げ用：ライムジュース、香菜、青ねぎなど
## 分量と栄養
- 4人分
- カロリー表示なし
- レシピ作者：Pailin Chongchitnant（パイリン・チョンチットナント）
## 作り方
1. 鍋に水を沸騰させる。
2. シャロット、ナンプラー、砂糖を加え、味をなじませる。
3. レモングラス、ガランガル、ライムの葉、唐辛子を加えて煮込む。
4. きのこを入れてさらに5分煮る。
5. 海老を加えて、火が通るまで加熱する。
6. （クリーミー版）タマリンドペーストやココナッツミルクを加えて軽く温める。
7. 火を止め、ライムジュースで味を調整。
8. ナンプラー、砂糖、水などで最終調整。
9. 盛り付け直前に香菜・青ねぎを加える。
10. ジャスミンライスと一緒に提供。
## メモ
- ハーブ類は冷凍保存してそのまま使える。
- 本格的な辛さを求めるならタイ唐辛子を。
- クリーミーな仕上がりにはココナッツまたはエバミルクを使用。
次に：RAGファイルを使って質問してみよう
生成されたRAGファイルをChatGPTにアップロードし、以下のような質問をしてみてください：
make me a Thai soup
すると、RAGファイルに基づいてトムヤムクンのレシピが出力されるはずです。
さらに、タイスープに関連する質問であれば、LLMはこのRAGファイルを参照して回答しようとします。
補足：ここで注目すべきこと
- プロンプトには「魔法」はありません
いくつかの単語（例：recipie, complate）をわざとスペルミスしても、LLMは柔軟に理解して処理してくれます。 - RAG作成は反復的なプロセス
UXデザイナーであれば、反復を恐れないはずです。まずは「これでRAGファイルを作って」と指示し、出力を確認、修正しながら調整してください。 - データサイエンティストに聞こう
RAGファイルの理想形がわからないときは、チームに聞いてください。JSON形式が必要？特定のセクション？例も？ 何が必要かを聞いて、作って、直していくのです。 - 公開ページでも練習可能
ここでの例は公開HTMLページを使っていますが、本来は自社の機密・動的・ユースケース特化型のデータで実施します。
「ロボットと協力して、ロボットのための指示書を作っている…？」
その通りです。
問題を作った存在こそが、解決にも一番適しているということです。
私の最もよく使うプロンプトは、次のようなものです：
“Hey LLM, you keep screwing up X. Whenever I ask A you say B and I want you to say C. What do I put in a RAG file to fix this?”
「ねぇLLM、君はXをいつも間違えるよね。Aって聞くとBって答えるけど、Cって言ってほしい。どうRAGファイルを作れば直るの？」
では、あなたの価値はどこにあるのか？
RAGファイルの作成は、言ってみれば「テキストベースの基本的なプログラム作成」に近い作業です。
LLMが自らの指示書を解説し、学習してくれるため、単純作業はすべてLLMに任せることが可能です。
最終的に「出力が正しいかどうか」を決定するのは、あなた自身の人間の判断です。
その判断を正しく下せるのは誰か？
- 顧客をよく知っている
- 競合環境を分析している
- 顧客のニーズと企業の機能や収益とを橋渡しできる
そんな人。つまり、あなたです。
結論：RAGには魔法なんてない。でも、UXerには魔法がある
RAGの作成は、ちょっとしたプログラミングに似ています。でも、UXデザイナーやPMにとっては、ずっと取り組みやすい世界です。
LLMもデータサイエンティストもあなたを助けてくれます。あなたの最初の一歩を踏み出しましょう。
次回予告
次回は「RAGレジストリ」の作り方を紹介します。
これは、一般的な手法やエラー、バリエーションに関する情報を集めて保存するための共有リポジトリのようなものです。
参考リンク
- UX for AI – 書籍紹介ページ（英語、Amazon）
（日本語版は未刊） - Hot Thai Kitchen – トムヤムクンレシピページ
（RAGファイル生成に使用したソース）
P.P.S. その他のよくある質問
(注: このセクションはChatGPTを使用して作成されています)
❓RAGは安全ですか？ユーザーのプライバシーはどうですか？
回答: RAGは安全ですが、個人情報（PII）や機密データは適切に処理する必要があります。オンプレミスまたは暗号化されたベクターストアを使用し、データガバナンスのプラクティスに従ってください。つまり、ChatGPTのようなパブリックLLMに自社独自のデータをロードしないでください！テクニカルサポートにプライベートLLMインスタンスを依頼してください！(ただし、無料のChatGPTを使用してタイ料理で練習することはできます。または、パブリックドキュメントで練習することもできます。)
❓RAGファイルの作成を開始するにはどのようなツールが必要ですか？
回答: テキストエディタとChatGPTのようなLLMへのアクセスが必要です。RAGを本番環境レベルのシステムに拡張する場合は、オプションとしてベクターDB（PineconeやWeaviateなど）が必要です。
❓PDF、ドキュメント、HTMLページをRAGソースとして使用できますか？
回答: はい！ほとんどのLLMは、少しの前処理を加えるだけでPDFやWebページからテキストを抽出できます。また、手動またはプログラムで構造化されたRAGファイルに変換することもできます。
❓RAGファイルが機能しているかどうかをどのように測定できますか？
回答：プロンプトテストを使用します。RAGを読み込む前と後に質問をします。回答がより具体的で、関連性が高く、正確であれば、正しい方向に進んでいます。UX評価とユーザーからのフィードバックが重要です。
ワークショップのご案内
2025年11月15日「AIと共創する次世代プロダクトデザイン」のワークショップに参加して、RAGの内容も含めたAIプロダクトデザインを学びましょう！
＞＞2025年11月15日「AIと共創する次世代プロダクトデザイン」の特設ページでお申し込みください。
