RAG 2025 - 外部知識との連携で実現する高精度AI

RAGとは

RAG（Retrieval-Augmented Generation）は、LLMに外部知識を与えることでハルシネーション（幻覚）を減らし、最新情報に基づいた回答を生成する技術です。

2025年現在、本番AIアプリケーションの60%がRAGを採用しています。

RAGの基本アーキテクチャ

graph LR
    Query["ユーザークエリ"] --> Retriever["Retriever<br/>検索"]
    Retriever --> LLM["LLM<br/>生成"]
    VectorDB["ベクトルDB<br/>知識ベース"] --> Retriever

2025年の主要RAG手法

1. Basic RAG

シンプルな検索 + 生成パイプライン。

from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_community.vectorstores import Chroma
from langchain.chains import RetrievalQA

# ベクトルストアを作成
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(documents, embeddings)

# RAGチェーンを構築
qa_chain = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(model="gpt-4"),
    retriever=vectorstore.as_retriever(search_kwargs={"k": 5}),
    return_source_documents=True
)

result = qa_chain.invoke({"query": "RAGのベストプラクティスは？"})

2. GraphRAG

知識グラフを活用して文脈と論理を検索に組み込む手法。**検索精度99%**を実現。

from langchain_community.graphs import Neo4jGraph
from langchain_experimental.graph_transformers import LLMGraphTransformer

# ドキュメントからグラフを構築
graph = Neo4jGraph()
transformer = LLMGraphTransformer(llm=llm)
graph_documents = transformer.convert_to_graph_documents(documents)

# グラフベースの検索
graph.query("""
    MATCH (entity)-[r]->(related)
    WHERE entity.name CONTAINS $query
    RETURN entity, r, related
    LIMIT 10
""", params={"query": user_query})

3. Self-RAG

自己反省メカニズムで検索の妥当性を評価。ハルシネーションを52%削減。

class SelfRAG:
    def __init__(self, llm, retriever):
        self.llm = llm
        self.retriever = retriever

    def generate_with_reflection(self, query: str):
        # 1. 検索が必要か判断
        if self.needs_retrieval(query):
            docs = self.retriever.get_relevant_documents(query)

            # 2. 各ドキュメントの関連性を評価
            relevant_docs = [
                doc for doc in docs
                if self.is_relevant(doc, query)  # ISREL トークン
            ]

            # 3. 生成と批評
            response = self.llm.generate(query, relevant_docs)
            critique = self.critique_response(response, query)

            if not critique.is_supported:
                return self.regenerate(query, critique.feedback)

        return response

4. Agentic RAG

複雑な推論やツール使用が必要な場合に使用。

from langchain.agents import create_react_agent

# ツールを定義
tools = [
    retrieval_tool,      # ベクトル検索
    sql_tool,            # データベースクエリ
    calculator_tool,     # 計算
    web_search_tool      # ウェブ検索
]

# エージェントRAG
agent = create_react_agent(
    llm=ChatOpenAI(model="gpt-4"),
    tools=tools,
    prompt=react_prompt
)

チャンキング戦略

セマンティックチャンキング

意味的なまとまりでテキストを分割。

from langchain.text_splitter import RecursiveCharacterTextSplitter

# 基本的なチャンキング
splitter = RecursiveCharacterTextSplitter(
    chunk_size=512,
    chunk_overlap=50,
    separators=["\n\n", "\n", "。", "、", " "]
)

# セマンティックチャンキング
from langchain_experimental.text_splitter import SemanticChunker

semantic_splitter = SemanticChunker(
    embeddings=OpenAIEmbeddings(),
    breakpoint_threshold_type="percentile"
)

チャンクサイズの目安:

クエリ拡張

曖昧なクエリを改善して検索精度を向上。

def expand_query(query: str, llm) -> list[str]:
    """クエリを複数のバリエーションに拡張"""
    prompt = f"""
    以下のクエリを、同じ意図を持つ3つの異なる表現に言い換えてください：
    クエリ: {query}
    """
    expanded = llm.invoke(prompt)
    return [query] + parse_variations(expanded)

# HyDE (Hypothetical Document Embeddings)
def hyde_expand(query: str, llm):
    """仮想的な回答ドキュメントを生成して検索"""
    hypothetical_doc = llm.invoke(
        f"以下の質問に対する詳細な回答を書いてください: {query}"
    )
    return hypothetical_doc

評価指標

from ragas import evaluate
from ragas.metrics import (
    faithfulness,      # 生成がソースに忠実か
    answer_relevancy,  # 回答の関連性
    context_precision, # 検索精度
    context_recall     # 検索網羅性
)

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

ベストプラクティス

1. 段階的に複雑化

Basic RAG → Query Rewriting → Self-RAG → Agentic RAG

2. モジュラー設計

class ModularRAG:
    def __init__(self):
        self.retriever = None  # 後から交換可能
        self.reranker = None
        self.generator = None

    def swap_retriever(self, new_retriever):
        self.retriever = new_retriever

3. 継続的な改善

• ユーザーフィードバックの収集
• 検索結果の品質モニタリング
• A/Bテストによる最適化

参考: EdenAI - The 2025 Guide to RAG

まとめ

2025年のRAGは、単純な検索+生成から、グラフベース、自己反省型、エージェント型へと進化しています。用途に応じた手法選択と、継続的な評価・改善が成功の鍵です。