Kurage
Kurage WikiKurageナレッジベース
Kurage.AIに聞く →
ホーム › Wiki › 概念 › RAG(検索拡張生成)
概念

RAG(検索拡張生成)

外部知識を検索してLLMに回答させるRAGの手法を、OpenKB・FessなどKurage記事群の実装例と実測から整理する概念ページ。

RAG(Retrieval-Augmented Generation、検索拡張生成)は、外部の知識ベースから関連情報を検索し、その結果をプロンプトに組み込んでLLMに回答させる手法。LLMの学習知識だけでは不足する自社データや最新情報を扱うときに有効で、回答の根拠を明示できる。

「検索」と「生成」を分離して考えるのが実務上の要点で、検索側の索引品質(全文検索・日本語の扱い・チャンク設計)と、生成側のモデル選択(クラウドAPIかlocal-llmか)を別々に評価する必要がある。

本ドキュメントでの関連事例

kurage-articles-index には、RAGを実践する記事が複数収録されている。

設計上の論点

ベクトルDBを持つか持たないか

OpenKBのPageIndexは「ベクトルDB不要」を明示的な設計方針としている。小〜中規模の社内文書なら、埋め込みベクトルの再計算・次元管理・近似検索のチューニングを省略し、全文検索+LLMによる辿りで十分という判断。一方、Fessのように全文検索エンジンを土台に据える構成は、日本語の形態素解析やPDF索引の実績を既存OSSから借りられる利点がある。

検索品質は「翻訳」では解決しない

OSSの日本語化(oss-japanese-localization)の記事群が繰り返し示すのは、UIの翻訳率が100%でも日本語での検索に穴が残るという事実(Docmost、Twenty など)。RAGの検索側でも同じ問題が起きるため、japanese-search-gap は retrieval の前提条件として扱う必要がある。

根拠をどこまで残すか

検索結果を引用するだけでは不十分で、どの文書のどの箇所に基づいたかを追跡できる形にする(evidence-traceability)。行政・法務・化学報告書のような領域では、数値や条文を生成させず与件として固定するdeterministic-core的な分担が有効。

データを外に出さない

no-external-data-egress の方針とRAGは相性が良く、ollama などのローカル推論と組み合わせれば、社内文書をクラウドに送らずに質問応答を完結できる。

特徴と利点

関連トピック

参照元

kurage-articles-index の「OpenKB」「Fess」「whisper.cpp」関連記事が主要な情報源。詳細は各記事のURLを参照のこと。

See also: kurage-lps

See also: kurage-repos

See also: kurage-products

「RAG(検索拡張生成)」についてもっと知りたいですか?
Kurage.AI に質問する