RAG（検索拡張生成）

検索拡張生成（RAG）は、外部知識を検索してLLMの回答に組み込む手法。

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。

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。

• OpenKBで自社ナレッジのAI相談窓口とWikiを作った — openkb の実装。gemma4 12bとDeepSeekを『コンパイル』と『回答』で使い分ける構成が紹介されている。
• OpenKB——ベクトルDB不要のRAG「PageIndex」でナレッジチャットAIを作る — ベクトルDBを使わない軽量RAG設計。local-llm と組み合わせてローカル完結で動作する。

特徴と利点

• 根拠付き回答: 検索結果を引用するため、回答の信頼性が上がる。
• 知識の更新が容易: モデル再学習なしにドキュメント追加だけで知識を更新できる。
• ローカル環境との相性: ollama や deepseek などlocal-llmと組み合わせ、外部APIなしで社内ナレッジを活用できる。

関連トピック

• rag — この概念ページ自体
• local-llm — ローカルで動く軽量LLMとRAGの組み合わせ（gemma、deepseek）
• ai-agent — エージェントがRAGで知識を取得して行動する構成
• kurage-platform — Kurageが提供するOSSツール群の中での位置づけ
• self-hosting — 自社ホストでナレッジAIを運用する際の基盤

参照元

kurage-articles-index の「OpenKB」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