RAG（検索拡張生成）

RAG（検索拡張生成）とは

RAG（Retrieval-Augmented Generation）は、AIが回答を生成する前に外部の資料を検索し、その内容を踏まえて回答させる手法です。「検索（Retrieval）」で取り出した情報を「生成（Generation）」に組み合わせることからこう呼ばれます。

ChatGPT等のLLMは学習済みの知識しか持たず、最新の法改正や自事務所の独自情報には対応できません。RAGを使うと、こうした LLMが知らない情報をその場で渡して回答させる ことができます。

仕組み

RAGの処理は大きく2ステップで動きます。

1. 検索: ユーザーの質問に関連する資料を、社内ドキュメントや法令データベースから取り出す（多くはベクトル検索を使う）
2. 生成: 取り出した資料をプロンプトに添えてLLMに渡し、回答を作らせる

この仕組みにより、LLMは「手元に渡された資料に基づいて答える」形になり、知らないことをもっともらしく作るハルシネーションを抑えられます。

士業の実務での活用例

• 税理士: 過去の税務相談事例や、最新の通達・Q&Aを検索対象にし、類似ケースを踏まえた一次回答を生成
• 弁護士: 判例集や事務所内の参考書面を参照し、論点整理のたたき台を作る
• 社労士: 就業規則・厚労省の最新ガイドラインを検索させ、顧問先向けの説明資料を準備
• 行政書士: 自治体ごとに異なる許認可要件を検索対象にし、申請要件の確認補助に利用

共通して「最新性 × 専門性 × 自事務所の知識」が求められる士業業務と、RAGの特徴はよく噛み合います。

注意点

• RAGの品質は検索の精度に強く依存します。資料の整理・タグ付け・チャンク分割の設計が回答品質を左右します。
• 正しい根拠が必ず引用されるとは限らないため、実務での最終判断は士業本人が行う前提で運用すべきです。
• 機密性の高い資料を扱う場合、検索・生成時にデータがどこへ送信されるかを事前に確認してください。