タグ

RAG

23件 · 10週間分

2026年 7月20日（月） 〜 7月26日（日） 2件
7/22（水）
Zenn LLM

「RAG評価フレームワークは自作評価に勝てるのか？」RAGAS・DeepEval・TruLensをゴールデンセットで比較検証

RAG（Retrieval-Augmented Generation）システムの評価において、市販のRAG評価フレームワーク（RAGAS、DeepEval、TruLens）が、自作評価と比較してどの程度有効かを検証した結果、誤答検出では自作評価が優れる一方、原因診断では市販フレームワークが強みを発揮することが判明しました。

LLMRAG評価
取得日：7/22
7/19（日）
Qiita AI

ハイブリッド検索とリランキング：RAGシステムにおける情報取得の最適化

RAG（Retrieval-Augmented Generation）システムにおいて、ベクトル検索だけでは固有名詞や製品コードといったキーワード一致が重要なクエリで情報を取りこぼす問題があります。これを解決するために、キーワード検索とベクトル検索を組み合わせた「ハイブリッド検索」と、その結果をLLMで再評価する「リランキング」が不可欠です。これらの技術は、検索結果の精度を向上させ、LLMの応答品質を高める上で極めて重要です。

LLM研究実践
取得日：7/20
2026年 7月13日（月） 〜 7月19日（日） 4件
7/19（日）
ArXiv AI TOP 85

階層構造を持つ知識グラフのためのRAGシステム「HG-RAG」

従来のRAGシステムが苦手としていた階層的・関係性推論が必要な構造化知識グラフからの情報取得を改善する「HG-RAG」が提案されました。これは、グラフトラバーサルにより関連コンテキストを効率的に抽出し、LLMの出力品質を向上させる新しいフレームワークです。

LLM研究RAG
取得日：7/19
7/17（金）
Zenn LLM TOP 85

RAGの精度評価で見つかった「ものさし」のバグ：埋め込みモデル変更による効果

RAG（検索拡張生成）システムの精度評価を行った際、当初はモデルの差が問題と思われたが、実際には評価に使用していた「ものさし」である埋め込みモデルに問題があったことが判明しました。text-embedding-ada-002からtext-embedding-3-smallへの変更で、同一条件でも評価結果が大幅に改善することが示されました。

LLMRAG実践
取得日：7/18
7/17（金）
VentureBeat AI HOT 80

企業AI組織の「コンテキストギャップ」：信頼性不足が課題、RAGの利用とセマンティックレイヤー構築の動向

VentureBeatの調査によると、企業AI組織はAIエージェントに供給するビジネスコンテキストの信頼性に課題を抱えています。半数以上の企業が、欠落または矛盾するコンテキストに起因するAIエージェントの間違った回答を経験しており、この「コンテキストギャップ」を解決するため、多くの企業が統治されたセマンティックレイヤーの構築を進めています。

エージェントRAG実践
取得日：7/18
7/17（金）
ArXiv AI HOT 70

階層型知識グラフのためのHierarchy-Guided RAG（HG-RAG）：構造化知識の効率的な取得

RAG（検索拡張生成）システムは、大規模言語モデル（LLM）の出力品質を向上させる上で有効ですが、階層的または関係的推論が必要な構造化知識の扱いに課題があります。本論文は、階層型知識グラフをトラバースして構造化されたコンテキストをLLMに提供する「HG-RAG」フレームワークを提案しています。

LLMRAG研究
取得日：7/18
2026年 6月15日（月） 〜 6月21日（日） 3件
6/19（金）
dev.to AI TOP 90

Amazon Bedrock AgentCore Web Search：リアルタイム情報でAIエージェントの信頼性を向上

Amazon Bedrock AgentCore Web Searchは、AIエージェントがリアルタイムのWebコンテンツにアクセスできるマネージドサービスを提供します。これにより、従来のRAGパイプラインにおける静的データによる情報鮮度の問題を解決し、エージェントの推論精度と信頼性を劇的に向上させます。

エージェントRAGAWS
取得日：6/20
6/19（金）
ロボスタ

物理AI時代のロボット技術：ウフルがAR・VLM・マルチモーダルRAGを組み合わせた製造支援システムを導入

ウフルは、人とロボットが協働する「フィジカルAI」時代を見据え、AR、VLM（Vision Language Model）、マルチモーダルRAGを統合した「AI製造オペレーション支援システム」をベトナムの楽器製造工場に導入しました。これにより、製造現場におけるAI活用の新たな道を開きます。

ロボティクスマルチモーダルVLM
取得日：6/20
6/18（木）
ArXiv NLP

SproutRAG: 長文RAGのためのアテンションガイド付きツリー探索と漸進的埋め込み

SproutRAGは、RAGシステムにおける情報粒度と文脈的コヒーレンスのトレードオフを解決する階層型RAGフレームワークです。学習された文間アテンションを用いて文レベルのチャンクを意味的に一貫した単位に構築し、長文コンテンツの検索精度を向上させます。

RAGLLM研究
取得日：6/19
2026年 6月8日（月） 〜 6月14日（日） 2件
6/11（木）
Zenn LLM TOP 88

LLMの長文処理能力を再考する「Lost in the Middle」問題とRAG設計

LLMが長文入力中の情報を均等に扱えず、特に中間部分の情報を忘れがちになる「Lost in the Middle」問題が、RAG（Retrieval-Augmented Generation）設計において重要な考慮事項です。本記事は、この現象を理解し、検索結果の量ではなく、情報配置とモデルの注意メカニズムを考慮したRAG設計の重要性を説いています。

LLMRAG研究
取得日：6/14
6/12（金）
Zenn LLM

構造化パースがdense検索を強化：日本語文書で2倍の差

RAG（Retrieval-Augmented Generation）における文書検索の精度は、BM25のような伝統的な疎（sparse）検索よりも、ベクトル埋め込みを用いた密（dense）検索が注目されています。特に、中国オープンソースのRAGFlowのDeepDocパーサーを用いた日本語文書での計測では、構造化パースがdense検索の性能を最大2倍に向上させることが示され、検索精度の新たな方向性を示しています。

LLMRAG研究
取得日：6/14
2026年 6月1日（月） 〜 6月7日（日） 1件
6/2（火）
Zenn LLM

RAG（検索拡張生成）入門：AIに「自分だけの知識」を持たせる実践ガイド

RAG（検索拡張生成）は、LLMの学習済み知識を補完し、外部データベースから最新情報や社内独自情報を検索して回答に含める技術です。ファインチューニングよりも手軽に、AIを「あなた専用のエキスパート」に変える実践的なガイドが公開されました。

LLMRAG実践
取得日：6/3
2026年 5月18日（月） 〜 5月24日（日） 1件
5/22（金）
Zenn LLM HOT 78

製造業RAGの本番運用設計：Evals、Observability、Prompt Versioning、Fallback

製造業向けRAG（検索拡張生成）システムを本番環境で運用するための設計ガイドが提示されました。このガイドは、回答品質の測定（Evals）、システムの監視（Observability）、プロンプトのバージョン管理、そしてフォールバック戦略といった重要な運用設計要素をコード付きで解説しています。

LLMRAG実践
取得日：5/22
2026年 5月4日（月） 〜 5月10日（日） 3件
5/2（土）
ArXiv AI

ClinicBot：信頼できる臨床サポートのためのガイドライン準拠型チャットボット

大規模言語モデル（LLM）のハルシネーション問題に対応するため、公式ガイドラインに厳密に準拠し、優先順位付けされたエビデンスRAGと検証可能な引用機能を備えた臨床チャットボット「ClinicBot」が開発されました。高リスクな医療現場での正確性と信頼性を確保します。

LLM研究事例
取得日：5/7
5/5（火）
YouTube HOT 75

GoogleのAI検索「Perplexity」がMAU1億人を突破：2026年にまだGoogleで調べているのか？

AI検索エンジンPerplexityが月間アクティブユーザー数（MAU）1億人を突破し、従来のGoogle検索に代わる存在感を増しています。これは、AIが生成する直接的な回答と引用元提示の利便性がユーザーに評価されている証拠です。

LLM事例検索
取得日：5/6
4/27（月）
Zenn AI HOT 83

源内（デジタル庁ガバメントAI）OSS版を技術解剖 — AWS/Azure/GCP 3クラウド対応の行政RAG基盤

デジタル庁が政府職員向け生成AI基盤「源内（Genai）」のOSS版を公開しました。これはAWS、Azure、GCPの主要3クラウドに対応し、MITライセンスの下で商用利用も可能なRAG（Retrieval-Augmented Generation）基盤です。18万人規模での実証を予定しており、行政におけるAI活用を推進する技術的・政策的意義は極めて大きいと言えます。

LLMRAGオープンソース
取得日：5/4
2026年 4月20日（月） 〜 4月26日（日） 1件
4/25（土）
Zenn LLM HOT 70

RAG（Retrieval-Augmented Generation）とは？仕組みと実装パターンをエンジニア向けに解説

RAGは、LLMに外部知識を参照させることで、最新情報や社内データに基づいた高精度な回答を生成させるアーキテクチャです。本記事は、その仕組みからインデックス構築・推論フェーズの詳細、さらには多様な実装パターンと選択肢を技術者向けに解説し、エンタープライズAI活用の中核技術としてのRAGの重要性を浮き彫りにします。

LLMRAG研究
取得日：4/26
2026年 4月13日（月） 〜 4月19日（日） 3件
4/12（日）
Zenn AI HOT 83

SRE+DevOps×AIで運用改善：RAGとAlert-to-Actionの安全設計

AI SREにおけるRAGシステムとAlert-to-Actionの運用改善に関するZennの記事は、危険な知識の排除と実行より停止を優先する安全設計の重要性を強調。RAGの検索精度向上と、AI運用における信頼性確保のための具体的なアプローチを提示しています。

RAGLLM事例
取得日：4/13
4/12（日）
Zenn LLM HOT 78

LLMの2大カテゴリ：質疑応答モデルとEmbeddingモデルの違い

LLMには「人が読める答えを作る」質疑応答モデルと「意味の近い情報を探しやすくする」Embeddingモデルの2大カテゴリが存在することを解説。両者の違いを理解することは、RAGシステム構築や効率的なAI活用において不可欠であると強調しています。

LLMRAG研究
取得日：4/13
4/10（金）
Zenn LLM HOT 70

CloudflareでブラウザゲームのNaive RAGシステムを構築

Cloudflare WorkersとVector Databaseを活用し、ブラウザゲームにRAG（Retrieval Augmented Generation）システムを実装する方法がZennで解説されています。LLMが外部情報を参照して回答を生成するNaive RAGを、低コストかつ高速に実現する手法として注目されます。

LLMRAG事例
取得日：4/13
2026年 3月30日（月） 〜 4月5日（日） 3件
4/4（土）
Zenn LLM

非構造化データからAIエージェントの知識を構築：GraphRAGと記憶の仕組み

従来のベクトル検索によるRAGの「なぜ問題」を解決するため、非構造化データから知識グラフを構築し、根拠追跡可能な推論を可能にするGraphRAGエンジンがRustで開発された。AIエージェントが長期記憶を持ち、より賢く自律的に進化するためには、単なるテキスト類似度を超えた構造的な知識表現とフィードバックループが不可欠である。

LLMエージェント研究
取得日：4/5
3/29（日）
Zenn AI HOT 80

LLMを「嘘つき」から「専門家」に変える技術：Context Engineering 実践入門

AIの回答品質を根本から改善する「Context Engineering」は、プロンプトだけでなく、AIに与えるコンテキスト（背景情報）の設計が重要であることを実証しています。独自ベンチマーク実験では、コンテキストの与え方で回答品質が最大4.6倍向上し、小規模モデルとRAGの組み合わせが大規模モデル単体よりも優れる結果を示しました。

LLMRAGプロンプト
取得日：3/30
3/30（月）
dev.to ML

LLMエージェントのための長期記憶システム：ベクトルデータベースの活用

AIエージェントが真に「記憶」を持ち、文脈を理解した上で機能するためには、ベクトルデータベースを活用した永続的な記憶システムが不可欠です。LLMの短期的なコンテキストウィンドウの限界を克服し、高度なAIアプリケーションを構築します。

AIエージェントLLM
取得日：3/30