1.0UX TIMEShttps://uxdaystokyo.com/articles大本 あかねhttps://uxdaystokyo.com/articles/author/akaneohmoto/rich600338<blockquote class="wp-embedded-content" data-secret="fJAxp72bO0"><a href="https://uxdaystokyo.com/articles/glossary/retrieval-augmented-generation/">RAG</a></blockquote><iframe sandbox="allow-scripts" security="restricted" src="https://uxdaystokyo.com/articles/glossary/retrieval-augmented-generation/embed/#?secret=fJAxp72bO0" width="600" height="338" title="“RAG” — UX TIMES" data-secret="fJAxp72bO0" frameborder="0" marginwidth="0" marginheight="0" scrolling="no" class="wp-embedded-content"></iframe><script> /*! This file is auto-generated */ !function(d,l){"use strict";l.querySelector&&d.addEventListener&&"undefined"!=typeof URL&&(d.wp=d.wp||{},d.wp.receiveEmbedMessage||(d.wp.receiveEmbedMessage=function(e){var t=e.data;if((t||t.secret||t.message||t.value)&&!/[^a-zA-Z0-9]/.test(t.secret)){for(var s,r,n,a=l.querySelectorAll('iframe[data-secret="'+t.secret+'"]'),o=l.querySelectorAll('blockquote[data-secret="'+t.secret+'"]'),c=new RegExp("^https?:$","i"),i=0;i<o.length;i++)o[i].style.display="none";for(i=0;i<a.length;i++)s=a[i],e.source===s.contentWindow&&(s.removeAttribute("style"),"height"===t.message?(1e3<(r=parseInt(t.value,10))?r=1e3:~~r<200&&(r=200),s.height=r):"link"===t.message&&(r=new URL(s.getAttribute("src")),n=new URL(t.value),c.test(n.protocol))&&n.host===r.host&&l.activeElement===s&&(d.top.location.href=t.value))}},d.addEventListener("message",d.wp.receiveEmbedMessage,!1),l.addEventListener("DOMContentLoaded",function(){for(var e,t,s=l.querySelectorAll("iframe.wp-embedded-content"),r=0;r<s.length;r++)(t=(e=s[r]).getAttribute("data-secret"))||(t=Math.random().toString(36).substring(2,12),e.src+="#?secret="+t,e.setAttribute("data-secret",t)),e.contentWindow.postMessage({message:"ready",secret:t},"*")},!1)))}(window,document); //# sourceURL=https://uxdaystokyo.com/articles/wp-includes/js/wp-embed.min.js </script> https://uxdaystokyo.com/articles/wp-content/uploads/2025/09/retrieval-augmented-generation-1.png10801080Retrieval-Augmented Generation の略語で、日本語では「検索拡張生成」と直訳される。 外部知識ベースやドキュメントから関連情報を検索（Retrieval）し、それを基に生成AI（Generation）が回答を作成する仕組みである。 大規模言語モデル（LLM）は内部に膨大なパラメータを持つが、知識の最新性や専門性には限界がある。RAGは検索と生成を組み合わせることで、正確性・信頼性・説明可能性を向上させる技術である。 提唱者 RAGは2020年に Meta AI（当時Facebook AI Research, FAIR） の研究者らによって提案された。 代表的な論文は Patrick Lewis, Ethan Perez, Aleksandra Piktus らによる “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks” である。 デザインにおける利用方法と具体的事例 活用場面 内容 FAQやヘルプデザイン ユーザーが入力した質問に対して、社内ナレッジやマニュアルから適切な情報を検索し、自然な文章で回答を提示する。 検索体験の改善 通常の検索は「文書の断片」を返すだけだが、RAGを用いれば「統合的で理解しやすい答え」を生成できる。 パーソナライズドUX 個々のユーザー履歴やドキュメントを検索対象とし、状況に即した応答を提供することで、より文脈に合った体験を実現できる。 業務支援ツール 社員がマニュアルや規程を探す時間を短縮し、自然言語で質問するだけで必要な情報を取得可能にする。 「この場面に使える」具体例 カスタマーサポートチャットボット単なる定型文回答ではなく、最新のマニュアルやナレッジベースを参照して、正確な回答を提示できる。 社内検索ポータル大企業の従業員が規程や業務マニュアルを探す際、検索結果の羅列ではなく、自然な文章で要約を返す。 ECサイトの商品検索「夏に合う軽いジャケットが欲しい」など曖昧な検索でも、商品説明やレビューを検索・統合して提案できる。 医療・金融分野の説明複雑な専門知識を含む場合でも、最新ガイドラインや法令を参照して、利用者にわかりやすく説明する。 関連用語 ディープラーニング → モデルを「最初から学習」する RAG→ モデルに「外部知識」をつなげる トランスファーラーニング → 既存の知識を「別の分野に転用」する プロンプトエンジニアリング → 「入力の工夫」で性能を引き出す インコンテキストラーニング → 「その場の例」で一時的に学ぶ ナレッジディスティレーション → 大きなモデルを「小さなモデルに縮小」する ゼロショット／ワンショット → 「少ない例で推論」する