RAG(検索拡張生成/Retrieval-Augmented Generation)とは・意味、仕組み・主なサービス

RAGとは?
RAG(検索拡張生成/Retrieval-Augmented Generation)とは、生成AIが社内の資料やWebなどの外部の情報源を検索し、見つけた情報を根拠に回答を生成する仕組みのこと。英語の retrieval-augmented generation の頭文字を取った語で、日本語では「検索拡張生成」と訳される。
総務省と経済産業省のAI事業者ガイドラインは、第1.2版の別添で「RAG(検索拡張生成)」と表記し、LLM(大規模言語モデル)による文章の生成に外部の情報の検索を組み合わせるものと説明している。別添によると、RAGは企業で社内の資料やデータベースを調べて生成AIの答えの精度を上げる用途に使われ、Webの情報をその場で調べて新しいデータで答えるためにも使われている。
デジタル庁も、政府の生成AIの環境「ガバメントAI 源内」のアプリの解説で、RAGを「検索拡張生成」と呼んでいる。同庁はRAGを、外部のデータを前もってAIに渡しておき、AIが答えるときにそのデータを使えるようにする技術と説明する。
AWS は2023年11月の発表で、基盤モデル(さまざまな作業に使える大規模なAIモデル)に最新の情報や自社だけが持つ情報を持たせるために、企業がRAGを使うとした。AWS が示すRAGは、企業のデータソースから取り出した情報をAIへの指示(プロンプト)に加え、より関連が深く正確な回答を返す手法だ。
RAGの仕組み
RAGの処理は、前もって資料の索引を作る段階と、質問ごとに検索して回答を作る段階に分かれる。
Google「File search | Gemini API」
Microsoft「Retrieval-augmented generation (RAG) in Azure AI Search」(2026年8月4日更新)
OpenAI「File search | OpenAI API」
Google「Introducing the File Search Tool in Gemini API」(2025年11月6日)
以上をもとに編集部作成
資料を小さく分けて埋め込みに変える
Google の Gemini API の File Search は、取り込んだデータを分割して索引を作る。File Search は、質問を受けると索引から関連する情報を取り出し、モデルに文脈として渡す。
AWS は2023年11月の発表で、RAGを自前で組むときの手順を挙げた。その手順はデータを埋め込みに変えて専用のベクトルデータベースに保存し、質問に関連する文章を検索して取り出す仕組みを作るというもので、AWS は手間がかかるとしている。埋め込みは一般に、文章の意味を数値の並びで表したものを指す。
意味の検索と語の検索を組み合わせて取り出す
Microsoft は検索サービス Azure AI Search の文書で、語が一致するかで探すキーワード検索とベクトルの検索を組み合わせる「ハイブリッド検索」を挙げている。ベクトルの検索は、資料と同じ語を使っていない質問でも、意味の近い内容を見つける。
OpenAI の API の File search も、あらかじめアップロードしたファイルから、意味の検索と語の検索で情報を取り出す。OpenAI は、ファイルを登録する入れ物を vector store(ベクトルストア)と呼んでいる。
取り出した文章を根拠に回答を作る
取り出した文章は、質問と一緒にモデルへ渡され、モデルはそれを根拠に回答を作る。Google の説明では、File Search で作った回答には、資料のどの部分を回答に使ったかを示す引用が付く場合がある。
RAGとファインチューニングの違い
総務省は2025年12月の「自治体におけるAI活用・導入ガイドブック」の第4版で、生成AIを自分の団体に合わせて調整する主な方法として、RAGとファインチューニングを挙げた。ファインチューニングは一般に、学習を終えたモデルに追加のデータで学習させ、特定の作業に合わせて調整する手法を指す。
ガイドブックは、2つの方法を次のように比べている。
| 観点 | RAG | ファインチューニング |
|---|---|---|
| 方法 | データベースなどにつなぎ、検索した情報で回答を補う | 今あるモデルを調整し、特定の作業に合わせる |
| データ | 資料やデータベースにある既存の知識 | 質問と回答の組などの教師データ |
| 利点 | 新しい情報に基づいて回答でき、学習の費用が低い | 特定の作業で精度が高く、指示の書き方を工夫する手間が少ない |
| 弱点 | 参照するデータの質で、回答の正確さが左右される | 教師データを用意する必要があり、学習の費用が高い |
RAGの主なサービスと提供状況
AIやクラウドの大手各社は、利用者が登録した資料をAIに検索させる仕組みを、開発者向けのAPIやチャットのサービスで提供している。
| 提供元 | サービス | 仕組みの特徴 | 料金・条件 |
|---|---|---|---|
| OpenAI | API の File search | Responses API の道具。ベクトルストアに登録したファイルから、意味と語の検索で関連する情報を取り出す | 保存は1GBあたり1日0.10ドルで、1GBまでは無料。呼び出しは1,000回あたり2.50ドル |
| Gemini API の File Search | ファイルの保存、分割、埋め込みの作成、回答への差し込みを自動で行い、回答には資料のどの部分を使ったかを示す引用が付く場合がある。2026年5月には、画像を扱う機能やページ単位の引用などが加わった | ファイルの保存と、質問のときの埋め込みの作成は無料。索引を作るときの埋め込みと、取り出した文書を含むモデルの入出力に料金がかかる | |
| Microsoft | Azure AI Search | 1回の検索の結果をモデルに渡す従来のRAGと、AIが検索を計画する agentic retrieval(計画の機能はプレビュー)の2つの方式がある | 保存できる容量が50MBまでの無料のプランがある |
| Anthropic | Claude のプロジェクトのRAG | 登録した資料の量がコンテキストウィンドウ(AIが一度に読める範囲)の上限の近くまで増えると、RAGの方式に自動で切り替わる。プロジェクトに保存できる量は、コンテキストウィンドウで上限が決まっていた従来と比べて最大で10倍になる | Pro・Max・Ultra・Team・Enterprise の有料プランで使える。Pro は月払いで月20ドル |
| AWS | Amazon Bedrock マネージド型ナレッジベース | Amazon S3、SharePoint、Confluence など6つのデータソースとつなぎ、ハイブリッド検索や文書の並べ替えを行う。東京リージョンでも使える | 索引の保存は元のデータ1GBあたり月5ドル、標準の検索(Retrieve API)は1,000回の呼び出しあたり1ドル |
※2026年11月時点
Microsoft は、これから新しくRAGを作るときは agentic retrieval から始めるよう勧めている。AIが検索の進め方を自分で決め、結果を確かめながら回答を作る方式は、一般にエージェンティックRAGと呼ばれる。
総務省のガイドブックは、一般的なクラウドのサービスではRAGが低い料金で提供されている例があるとしている。そのうえで同省は、自治体がRAGを調達するときは複数の事業者から見積もりを取り、価格やサービスの内容を比べることが重要だとしている。
RAGの由来と広まった背景
RAGという語は、Patrick Lewis 氏らが2020年5月に arXiv で公開した論文で、学習済みのモデルが持つ記憶と検索で引く記憶を組み合わせて文章を生成するモデルの名前として使われた。
同じ年の9月、Facebook AI は、RAGを Hugging Face の Transformers のライブラリの部品として公開した。同社は、学習済みの言語モデルが知っている内容を変えるにはモデル全体を学習し直す必要があるのに対し、RAGでは検索に使う文書を入れ替えるだけで済むと説明した。
その後、クラウドの各社は、RAGを組む手間を引き受けるサービスを出した。AWS は2023年11月、データの取り込みからベクトルデータベースへの保存までを自動で行う Knowledge Bases for Amazon Bedrock の一般提供を始めた。
AI事業者ガイドライン第1.2版の別添は、RAGの活用が広がっているとし、期待されている点を挙げている。外部の情報を検索して答えることでハルシネーションを抑えられること、回答に参照元を示せて根拠が分かりやすくなること、モデルを学習し直さなくても参照するデータを足せるため費用を抑えられることなどだ。
RAGに関する主な出来事・ニュース
- 2020年5月22日 Patrick Lewis 氏ら「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」を公開:Lewis 氏らは、学習済みのモデルの記憶と検索で引く記憶を組み合わせて文章を生成する retrieval-augmented generation(RAG)のモデルを示した論文を arXiv で公開した。
- 2020年9月28日 Facebook AI、RAG を Hugging Face の Transformers で公開:Facebook AI は、RAG を Hugging Face の Transformers のライブラリの部品として公開したと発表した。
- 2023年11月28日 AWS「Knowledge Bases for Amazon Bedrock is now generally available」:AWS は、基盤モデルを社内のデータソースとつないでRAGで回答を作る Knowledge Bases for Amazon Bedrock の一般提供を始めた。
- 2025年11月6日 Google「Introducing the File Search Tool in Gemini API」を発表:Google は、Gemini API に組み込んだ完全マネージドのRAGの仕組みとして、File Search Tool の提供を始めた。
- 2026年6月17日 AWS「Amazon Bedrock マネージド型ナレッジベースの一般提供が開始」:AWS は、フルマネージド型のRAGのサービス Amazon Bedrock マネージド型ナレッジベースの一般提供を始めた。
RAGに関する事例・調査
自治体が生成AIをカスタマイズする方法はRAGが最も多い
総務省は2026年4月24日、全国の1,788の都道府県・市区町村に生成AIの導入状況を聞いた令和7年度の調査の結果を、「自治体における生成AI導入状況」として公表した。調査の時点は2025年10月31日で、すべての団体が回答した。
導入済み・実証中・導入予定と答えた団体の複数回答をまとめると、導入している生成AIをカスタマイズしている件数は390件、していない件数は1,353件だった。カスタマイズしている団体に方法を複数回答で聞くと、モデルはそのままで業務の知識を外部の情報源として参照させるRAGが329件で最も多かった。
RAG以外のカスタマイズの方法では、APIで特定の行政分野に対応した生成AIの環境を作って使っているのが24件、ファインチューニングで同じように作って使っているのが19件、その他が14件だった。
総務省のガイドブックは、必要なセキュリティ対策をとったうえで自治体がためてきた業務のデータを生成AIに参照させれば、回答の精度を高められるという指摘を紹介している。
横浜市は選挙の業務でRAGの実証を行った
ガイドブックが紹介する横浜市の例では、市が民間企業とともに2024年11月から2025年3月まで選挙の業務でRAGの環境を作り、生成AIの出力を業務に使えるかを確かめた。市は法令集や選挙に関する書籍など、PDFで約4,500ページ分の内容を、機械で読み取りやすいデータに整えた。調整を続けた結果、回答の精度は約9割に達した。
デジタル庁は業務の文書を参照するRAGのアプリを開発
デジタル庁は、マニュアルや規程などの業務の文書を登録した「行政実務用RAG」のアプリを源内で作っている。その1つの「EASY質問応答-RAG」には、行政文書を電子的に管理するシステム EASY の操作の手引きや、よくある質問をまとめた資料などが登録されている。このアプリは、EASY の操作や手続きについての質問に答える。回答と一緒に、参照したファイルの名前とページ番号が示される。
また、デジタル庁は府省庁などの希望に応じて行政実務用RAGのアプリを開発する事業を進めている。対象は複数の府省庁などで使う見込みのあるアプリで、開発したアプリは原則として源内で公開する。
RAGの英語での言い方
| 英語表記 | 意味 | 使用主体 |
|---|---|---|
| retrieval-augmented generation(RAG) | 検索で取り出した情報を使って文章を生成する手法 | Lewis 氏ら、AWS、Microsoft など |
| grounding | 生成AIの回答を、利用者の資料などの根拠に基づかせること | Microsoft、Google |
| knowledge base | RAGで検索する対象として登録した資料の集まり | AWS、OpenAI |
| file search | アップロードしたファイルを検索して回答に使う道具 | OpenAI、Google |
| agentic retrieval | AIが検索を計画し、複数の検索を組み合わせる方式 | Microsoft |
RAGの限界と情報漏えい・改ざんのリスク
回答の正確さは参照する資料の質に左右される
総務省のガイドブックによると、RAGは知識のもとになるデータに頼るため、回答の正確さもそのデータの質に左右される。
デジタル庁は「EASY質問応答-RAG」の使い方の解説で、AIの回答に誤りや抜けが含まれることがあるとし、最終的な確認は利用者が自分で行うよう求めている。同庁は特に日付や文書番号、数値を、引用元の資料で確かめるよう案内している。
生成AIを社内外のデータとつなぐと情報が漏れるおそれ
AI事業者ガイドライン第1.2版の別添は、RAGのように外部のサービスやデータとつなぐ場合は、個人情報や機密情報などの重要な情報が意図しない範囲に漏れることに特に注意が必要だとしている。
Microsoft も、社外に出せない資料をLLMに使わせるには、細かなアクセスの制御が必要だとしている。利用者やAIエージェントが、見る権限のある資料だけを取り出せるようにすることが求められる。
検索の対象のデータを狙う攻撃と対策
AI事業者ガイドラインの別添は、間接プロンプトインジェクション(資料などに紛れ込ませた指示でAIを操る攻撃)などにより、RAGが悪用されるリスクを挙げている。別添は、RAGで検索するデータが不正に書き換えられていないかを早く見つけるため、データの管理と監査を定期的に行うことの検討も挙げている。
セキュリティの国際団体 OWASP の GenAI Security Project は、2026年8月に公開したLLMのアプリの最も重大なセキュリティのリスクの一覧(2026年版)で、ベクトルと埋め込みの弱点を「LLM09」に挙げた。同プロジェクトは、RAGをこの弱点の最もよく知られた例としている。
同プロジェクトが挙げるリスクには、検索の対象に細工した文書を加えて回答を操る攻撃や、保存した埋め込みから元の文章を復元される攻撃などがある。複数の顧客が同じ索引を使う環境では、ほかの顧客の文書の有無や話題などを推し量られるおそれもある。
対策として同プロジェクトは、検索の結果をあとで絞り込むのではなく、索引に問い合わせる段階で検索の対象をその顧客の文書に絞ることを挙げている。同プロジェクトは、社外から集めたデータと社内の機密の資料を同じ索引に格納するなら厳密に隔てることを求め、索引そのものを分ける方法を勧めている。
RAGに関連する用語
- エージェンティックRAG:AIエージェントが検索の進め方を自分で決め、結果を確かめながら回答を作るRAGの仕組み。
- ハルシネーション:生成AIが事実と異なる内容や実在しない情報を、正しいかのようにもっともらしい文章で出力する現象。
- コンテキストエンジニアリング:AIモデルが答えを作るときに読む情報の全体を、作業の段階ごとに選んで整える技術。
- Context Rot(コンテキストロット):AIモデルに渡す情報が長くなるほど、答えの質が落ちる現象。
- ファインチューニング:事前学習を終えたAIモデルに特定の用途のデータで追加の学習をさせ、モデルの重みを調整して目的の作業に適応させる手法のこと。
- 大規模言語モデル(LLM):大量の文章のデータで学習し、文章の生成や翻訳、要約といった言語にかかわる作業を行うAIモデルのこと。
RAGに関する出典
総務省・経済産業省「AI事業者ガイドライン(第1.2版)別添(付属資料)」(2026年3月31日)
デジタル庁「【ガバメントAI 源内アプリ解説】行政実務用RAG」
AWS「Knowledge Bases for Amazon Bedrock is now generally available」(2023年11月28日)
Google「File search | Gemini API」
Microsoft「Retrieval-augmented generation (RAG) in Azure AI Search」(2026年8月4日更新)
OpenAI「File search | OpenAI API」
Google「Introducing the File Search Tool in Gemini API」(2025年11月6日)
総務省「自治体におけるAI活用・導入ガイドブック<導入手順編>(第4版)」(2025年12月)
Anthropic「Retrieval augmented generation (RAG) for projects」
OpenAI「Pricing」
Google「Gemini API File Search is now multimodal: build efficient, verifiable RAG」(2026年5月5日)
Microsoft「Foundry IQ pricing」
Anthropic「Pricing」
AWS「Amazon Bedrock マネージド型ナレッジベースの一般提供が開始」(2026年6月17日)
AWS「Amazon Bedrock pricing」
Patrick Lewis ほか「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」(2020年5月22日、2021年4月12日改訂、arXiv)
Meta「Retrieval Augmented Generation: Streamlining the creation of intelligent natural language processing models」(2020年9月28日)
総務省「自治体における生成AI導入状況(令和7年度)」(2026年4月24日)
OWASP GenAI Security Project「OWASP GenAI LLM Top 10 2026」(2026年8月3日)
OWASP GenAI Security Project「LLM09:2026 Vector and Embedding Weaknesses」
経済産業省「AI事業者ガイドライン」




