RAGRetrieval-Augmented Generation

LLM 単体は学習時点の知識しか持たないため、最新情報や社内情報には答えられません。RAG はこの問題を解決するため、(1) ユーザー質問を Embedding ベクトルに変換、(2) ベクトルDB から類似度の高い社内ドキュメントを検索、(3) 検索結果を LLM のプロンプトに注入、(4) LLM が外部知識を踏まえた回答を生成、というパイプラインを取ります。実装には LangChain・LlamaIndex・Haystack 等のフレームワーク、ベクトルDB には Pinecone・Weaviate・Qdrant・Supabase pgvector 等が使われます。マーケティング用途では (1) 社内事例集を RAG 化して営業提案を高速生成、(2) 商品マニュアルを RAG 化してカスタマーサポート自動化、等で活用されます。