RAG完全ガイド──仕組み・実装・2026年最新のAgentic RAGまで徹底解説

RAGとは何か

RAGは2020年にMeta AI（当時Facebook AI Research）の研究者Patrick Lewisらが発表した手法だ。LLMの知識は学習データに依存するため、最新情報や社内固有の情報には対応できない。RAGはこの制約を「検索」で補う。

RAGの基本フロー

  ユーザーの質問
       │
       ▼
  [1] 検索（Retrieval）
       質問をベクトル化し、類似ドキュメントを検索
       │
       ▼
  [2] 拡張（Augmentation）
       検索結果をプロンプトに注入
       │
       ▼
  [3] 生成（Generation）
       LLMが検索結果を根拠に回答を生成
       │
       ▼
  回答（ソース付き）

手法	最新情報	社内データ	ハルシネーション	コスト
LLM単体	学習データまで	対応不可	高い	低い
ファインチューニング	追加学習データまで	対応可能	中程度	高い（再学習コスト）
RAG	リアルタイム対応	対応可能	低い（ソース付き）	中程度（検索コスト）

RAGの実装：5つのステップ

RAGシステムの構築は、以下の5つのステップで構成される。

Step 1: ドキュメントの準備とチャンキング

まず、検索対象のドキュメントを適切なサイズのチャンク（断片）に分割する。チャンクのサイズは検索精度と生成品質に直結する。

from langchain.text_splitter import RecursiveCharacterTextSplitter

splitter = RecursiveCharacterTextSplitter(
    chunk_size=512,      # 1チャンクのトークン数
    chunk_overlap=50,    # チャンク間の重複
    separators=["

", "
", "。", ".", " "]
)

chunks = splitter.split_documents(documents)

チャンクサイズ	検索精度	文脈の豊かさ	適した用途
128トークン	高い	低い	FAQ、定義の検索
256トークン	高い	中程度	一般的な質問応答
512トークン	中程度	高い	技術文書、論文
1024トークン	低い	非常に高い	複雑な推論が必要な場合

Step 2: エンベディング（ベクトル化）

チャンクをベクトル（数値の配列）に変換する。意味的に近い文章は、ベクトル空間上でも近い位置に配置される。

from openai import OpenAI

client = OpenAI()

def embed(text: str) -> list[float]:
    response = client.embeddings.create(
        model="text-embedding-3-large",
        input=text
    )
    return response.data[0].embedding

# 全チャンクをベクトル化
vectors = [embed(chunk.page_content) for chunk in chunks]

Step 3: ベクトルDBへの格納

ベクトルをベクトルデータベースに格納する。類似検索に最適化されたインデックスが構築される。

from supabase import create_client

supabase = create_client(url, key)

for chunk, vector in zip(chunks, vectors):
    supabase.table("documents").insert({
        "content": chunk.page_content,
        "metadata": chunk.metadata,
        "embedding": vector
    }).execute()

主要なベクトルDBの比較は以下の通りだ。

ベクトルDB	種類	特徴
Supabase (pgvector)	拡張機能	PostgreSQLに統合。既存DBに追加可能
Pinecone	マネージド	サーバーレス。スケーラビリティが高い
Weaviate	オープンソース	マルチモーダル対応
Qdrant	オープンソース	Rust製。高速
Chroma	オープンソース	Python特化。プロトタイプに最適

Step 4: 検索（リトリーバル）

ユーザーの質問をベクトル化し、ベクトルDB内の類似チャンクを検索する。

-- Supabase (pgvector) での類似検索
SELECT content, metadata,
       1 - (embedding <=> query_embedding) AS similarity
FROM documents
WHERE 1 - (embedding <=> query_embedding) > 0.7
ORDER BY embedding <=> query_embedding
LIMIT 5;

Step 5: プロンプト構築と生成

検索結果をプロンプトに注入し、LLMに回答を生成させる。

def generate_answer(query: str, contexts: list[str]) -> str:
    context_text = "
---
".join(contexts)

    response = client.chat.completions.create(
        model="gpt-5.4",
        messages=[
            {
                "role": "system",
                "content": f"""以下のコンテキストに基づいて質問に回答してください。
コンテキストに含まれない情報は「情報がありません」と回答してください。

コンテキスト:
{context_text}"""
            },
            {"role": "user", "content": query}
        ]
    )
    return response.choices[0].message.content

RAGの評価指標

RAGシステムの品質を測定するための主要な評価指標を整理する。

指標	測定対象	説明
Context Precision	検索	検索結果のうち、質問に関連するものの割合
Context Recall	検索	正解に必要な情報のうち、検索できた割合
Faithfulness	生成	回答がコンテキストの情報に忠実かどうか
Answer Relevancy	生成	回答が質問に対して的確かどうか
Answer Correctness	全体	回答が事実として正しいかどうか

これらの指標はRAGAS（Retrieval Augmented Generation Assessment）フレームワークで自動的に測定できる。

from ragas import evaluate
from ragas.metrics import (
    context_precision,
    context_recall,
    faithfulness,
    answer_relevancy
)

result = evaluate(
    dataset=eval_dataset,
    metrics=[
        context_precision,
        context_recall,
        faithfulness,
        answer_relevancy
    ]
)
print(result)

Advanced RAG：検索精度を高める技法

基本的なRAGでは不十分な場合、以下のAdvanced RAGテクニックで検索精度を向上できる。

ハイブリッド検索

ベクトル検索（意味的類似性）とキーワード検索（BM25）を組み合わせる。固有名詞や専門用語の検索精度が向上する。

ハイブリッド検索の仕組み

  ユーザーの質問
       │
       ├── ベクトル検索（意味的類似性）
       │     結果: [Doc A: 0.92, Doc C: 0.87, Doc E: 0.81]
       │
       └── キーワード検索（BM25）
             結果: [Doc B: 12.5, Doc A: 10.2, Doc D: 8.7]
       │
       ▼
  Reciprocal Rank Fusion（スコア統合）
       結果: [Doc A: 0.95, Doc B: 0.82, Doc C: 0.78]

リランキング

初回検索の結果を、より高精度なモデルで再評価し、順位を並び替える。Cohere Rerank、Jina Rerankなどの専用モデルが利用可能だ。

クエリ変換

ユーザーの質問を検索に最適化された形式に変換する。あいまいな質問を複数の具体的なサブクエリに分解するHyDE（Hypothetical Document Embeddings）などの手法がある。

Agentic RAG：2026年の最前線

2026年に入り、RAGは「エージェント化」という新たな進化段階を迎えている。Agentic RAGでは、AIエージェントが検索・判断・実行を自律的に行う。

Basic RAG vs Agentic RAG

Basic RAG:
  質問 → 検索 → 生成 → 回答
  （一方通行、1回の検索で完結）

Agentic RAG:
  質問 → エージェントが計画
       → 必要な情報源を判断
       → 複数DBを横断検索
       → 検索結果を評価
       → 不足があれば追加検索
       → 複数の情報を統合
       → 回答を生成
       → 回答の品質を自己評価
       → 必要なら修正して再生成

観点	Basic RAG	Agentic RAG
検索回数	1回	必要に応じて複数回
情報源	1つのベクトルDB	複数DB + API + Web検索
判断力	なし（機械的に検索）	あり（何を検索すべきか判断）
自己修正	なし	あり（回答品質を自己評価）
適した用途	単純なQ&A	複雑な調査・分析

Agentic RAGは、LangGraphやCrewAIなどのエージェントフレームワークと組み合わせて実装されることが多い。

まとめ：RAGはAIシステムの「知識基盤」

RAGは、LLMを実用的なシステムに変えるための最も重要な技術の一つだ。ハルシネーションの抑制、最新情報への対応、社内データの活用──これらすべてをRAGが可能にする。

2026年のAI開発において、RAGの理解と実装力は、エンジニアの必須スキルとなっている。まずは小さなドキュメントセットでBasic RAGを実装し、精度と使い勝手を体感することから始めてほしい。

出典・参考

• Lewis et al.「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」(2020, Meta AI)
• LangChain Documentation「RAG」
• Supabase Documentation「AI & Vectors」
• RAGAS Framework Documentation
• Anthropic「RAG best practices for Claude」