タグ

RAG

10件 · 4週間分

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