2027年試験新シラバス対応・3-2

RAG（検索拡張生成）の一問一答

生成AIパスポート試験「AIエージェント」から、RAG（検索拡張生成）に関する4択問題を10問。「答えと解説を見る」を開くと、正解とその理由がその場で読めます。会員登録は不要です。

この分野の演習

全10問／解説つき・基本無料

アプリ形式で解く（全410問） AIエージェントの要点解説を読む

問題

上から順に解いてみてください。答えは各問の下で確認できます。本試験は四肢択一式（一部複数選択を含む）で出題されます。ここでは全て4択（正解は1つ）で出題しています。

問13-2

RAG（検索拡張生成）の仕組みとして、最も適切なものを1つ選びなさい。

①LLMのパラメータを社内のデータで追加学習させ、知識をモデルそのものに覚えさせておく。
②質問に関係する情報を外部の文書などから検索し、その情報をもとにLLMに回答させる。
③利用者の質問をそのまま検索エンジンに送り、検索結果の一覧だけを画面に表示させる。
④LLMに何度も同じ質問を繰り返し、最も多く出た回答を正しい答えとして採用させる。

答えと解説を見る

正解 ②質問に関係する情報を外部の文書などから検索し、その情報をもとにLLMに回答させる。

解説
RAG（Retrieval-Augmented Generation：検索拡張生成）は、利用者の質問に関係する情報を、社内文書やデータベースなどの外部の情報源から検索（Retrieval）し、その情報をプロンプトに加えてLLMに渡し、回答を生成（Generation）させる仕組みです。
LLMが学習していない最新の情報や社内の情報に基づいて回答でき、回答の根拠となった文書を示しやすくなります。モデルのパラメータは変えずに使える点が、ファインチューニングとの大きな違いです。

他の選択肢が不適切な理由
・社内データで追加学習させる：ファインチューニングの説明です。RAGはモデルを変えずに、検索した情報を渡して回答させます。
・検索結果の一覧だけを表示する：検索エンジンの使い方で、LLMによる回答の生成がありません。
・何度も同じ質問をして多数決をとる：複数の回答から多数決で答えを選ぶ「自己整合性（Self-Consistency）」と呼ばれる別の工夫に近い考え方で、外部の情報を検索して渡すRAGの仕組みではありません。

覚え方のポイント
RAG＝「カンニングOKの試験」。答える前に資料を調べて、その資料をもとに答えます。

問23-2

RAGが必要とされる理由として、適切でないものを1つ選びなさい。

①社内の規程や手順書など、公開されていない情報に基づいて回答させられるため。
②LLMが学習していない最新の情報に基づいて回答させることができるため。
③RAGを使えば、社内文書の内容がLLMのパラメータに記憶されていくため。
④回答の根拠となった文書を示しやすくなり、内容を確認しやすくなるため。

答えと解説を見る

正解 ③RAGを使えば、社内文書の内容がLLMのパラメータに記憶されていくため。

解説
RAGは、検索した情報を根拠として回答させるため、最新の情報や社内の情報に基づく回答ができ、根拠を示しやすくなり、ハルシネーションを抑える効果も期待できます。
ただし、RAGはモデルのパラメータを変えずに、検索した文書をその都度プロンプトに加えて渡す仕組みです。文書の内容がパラメータに記憶されていくわけではなく、モデルに覚えさせるのはファインチューニング（追加学習）の考え方です。したがって、この記述は適切ではありません。なお、RAGでも検索の誤りや読み違いによってハルシネーションは起こりうるため、根拠の文書と照らし合わせた確認が大切です。

他の選択肢（適切な記述）について
・最新の情報に基づく回答：LLMが学習した時点より後の情報も、検索で取り込めます。
・社内の非公開情報に基づく回答：社内の文書を検索対象にすれば、社内の情報で回答させられます。
・根拠の文書を示しやすい：どの文書をもとに答えたかを示せるため、確認しやすくなります。

覚え方のポイント
RAG＝「その都度調べて渡す」、ファインチューニング＝「学習してモデルに覚えさせる」。RAGでもハルシネーションはゼロになりません。

ひっかけ注意
「RAGを使うとモデルが社内文書を覚える」は誤り。覚えさせるのはファインチューニングで、RAGは回答のたびに検索して渡します。

問33-2

RAGで文書を検索できるように準備する手順に関する記述として、適切でないものを1つ選びなさい。

①変換したベクトルを、ベクトルデータベースに保存して、検索に使う。
②文書を、意味のまとまりを保った、適切な大きさのチャンクに分割しておく。
③分割した文章を、埋め込みモデルで、数値のベクトルに変換しておく。
④RAGで検索する文書は、分割せずに1つのまま保存するのが基本である。

答えと解説を見る

正解 ④RAGで検索する文書は、分割せずに1つのまま保存するのが基本である。

解説
RAGで社内文書などを検索できるようにするには、一般に、文書を適切な大きさのチャンク（かたまり）に分割し、それぞれを埋め込みモデルで数値のベクトルに変換して、ベクトルデータベースに保存します。質問が来ると、質問もベクトルに変換し、意味の近いチャンクを探し出してLLMに渡します。
長い文書を分割せずに1つのまま保存すると、質問に関係する部分をうまく探し出せず、コンテキストウィンドウにも収まりにくくなります。したがって「分割せずに1つのまま保存するのが基本」という記述は適切ではありません。チャンクは小さすぎても文脈が失われるため、意味のまとまりを保った大きさにすることが大切です。

他の選択肢（適切な記述）について
・適切な大きさのチャンクに分割する：関係する部分を探し出しやすくするための準備です。
・埋め込みモデルでベクトルに変換する：意味の近さで検索できるようにするための準備です。
・ベクトルデータベースに保存する：ベクトルの近さで高速に検索するための仕組みです。

覚え方のポイント
RAGの準備＝「分ける（チャンク）→ ベクトルにする → データベースにしまう」。

問43-2

RAGで使われる「意味的検索（セマンティック検索）」の説明として、最も適切なものを1つ選びなさい。

①言葉が完全に一致しなくても、意味が近い文書をベクトルの近さで探し出す検索
②質問の文字と完全に一致する言葉が含まれている文書だけを探し出す検索の方法
③文書の作成日が新しい順に並べて、最も新しい文書だけを1件探し出す検索の方法
④集めた候補の文書を、質問との関連度で評価し直して順位を並べ替えていく処理

答えと解説を見る

正解 ①言葉が完全に一致しなくても、意味が近い文書をベクトルの近さで探し出す検索

解説
意味的検索（セマンティック検索）は、質問と文書をそれぞれ埋め込み（Embedding）でベクトルに変換し、ベクトルどうしの近さによって、意味が近い文書を探し出す検索です。
たとえば「有給休暇の申請方法」と質問したとき、文書に「年次休暇を取得する手続き」と書かれていても、意味が近いため見つけることができます。一方、型番や固有名詞のように文字が完全に一致することが重要な場合は、キーワード検索のほうが確実なこともあり、両方を組み合わせるハイブリッド検索も使われます。

他の選択肢が不適切な理由
・完全に一致する言葉を含む文書を探す：キーワード検索の説明です。
・最も新しい文書だけを探す：新しさで並べるのは意味的検索の考え方ではありません。
・関連度で評価し直して並べ替える：リランキングの説明です。

覚え方のポイント
意味的検索＝「言葉が違っても、意味が近ければヒット」。キーワード検索＝「文字が一致すればヒット」。

問53-2

RAGの検索の工夫に関する記述として、適切でないものを1つ選びなさい。

①意味的検索は、言葉が一致しなくても、意味が近い文書を探し出すことができる。
②キーワード検索は、型番や固有名詞のように、言葉の一致が重要な検索に向いている。
③ハイブリッド検索は、社内の文書とウェブの情報を、まとめて検索する方法である。
④リランキングは、集めた候補を質問との関連度で評価し直して、順位を並べ替える。

答えと解説を見る

正解 ③ハイブリッド検索は、社内の文書とウェブの情報を、まとめて検索する方法である。

解説
ハイブリッド検索は、キーワードの一致による検索と、意味の近さによる検索（意味的検索）を組み合わせて、それぞれの長所を生かす方法です。社内の文書とウェブの情報のように、検索する情報源を組み合わせることを指す言葉ではないため、この記述は適切ではありません。
キーワード検索は、型番や固有名詞、専門用語のように言葉の一致が重要な場合に強く、意味的検索は、言い回しが違っても意味の近い文書を探し出せます。リランキングは、いったん集めた候補の文書を、質問との関連度で評価し直して並べ替える処理で、回答に使う資料の精度を高めます。

他の選択肢（適切な記述）について
・キーワード検索は言葉の一致が重要な検索に向く：型番や固有名詞の検索が得意です。
・意味的検索は意味が近い文書を探せる：言い回しの違いに強い検索です。
・リランキングは候補を評価し直して並べ替える：回答に使う資料を絞り込む処理です。

覚え方のポイント
ハイブリッド＝「キーワード」＋「意味」の検索方式の合わせ技。情報源の組合せのことではありません。

問63-2

RAGに関する次の記述a〜dのうち、適切なものの組合せを1つ選びなさい。
a．リランキングは、検索で集めた候補を、質問との関連度で評価し直して並べ替える処理である。
b．RAGを導入すると、LLMの学習データそのものが毎回自動で更新される。
c．検索の対象にする文書が古くても、RAGの回答は常に最新の内容になる。
d．回答の根拠にした文書を示すようにすると、利用者が内容を確かめやすくなる。

①a・d
②a・b
③b・c
④c・d

答えと解説を見る

正解 ①a・d

解説
aとdが適切です。
a：リランキングは、いったん検索で集めた候補の文書を、質問との関連度で評価し直して順位を並べ替える処理で、回答に使う資料の精度を高めます。
d：RAGで回答の根拠にした文書（出典）を示すようにすると、利用者が元の文書で内容を確かめやすくなり、誤りに気づきやすくなります。

誤っている記述
・b：RAGは、モデルのパラメータ（学習の結果）を変えずに、検索した情報を回答のときに渡す仕組みです。学習データそのものが更新されるわけではありません。
・c：RAGの回答は、検索の対象にした文書の内容に左右されます。文書が古ければ、回答も古い内容になるため、文書を最新の状態に保つことが大切です。

覚え方のポイント
RAGの質は「検索する文書の質」で決まる。出典を示せば確認しやすい。

問73-2

Advanced RAGで行われる「クエリの書き換え」の説明として、最も適切なものを1つ選びなさい。

①検索で集めた候補の文書を、質問との関連度で評価し直して順位を並べ替える工夫
②利用者の質問を、検索しやすい表現に言い換えたり補ったりしてから検索する工夫
③文書を、意味のまとまりを保った適切な大きさのチャンクに分けて保存しておく工夫
④キーワードの一致と意味の近さを組み合わせて、関係する文書を探し出す工夫

答えと解説を見る

正解 ②利用者の質問を、検索しやすい表現に言い換えたり補ったりしてから検索する工夫

解説
クエリの書き換えは、利用者の質問（クエリ）を、そのまま検索に使うのではなく、LLMなどを使って検索しやすい表現に言い換えたり、不足している言葉を補ったり、複数の質問に分けたりしてから検索を行う工夫です。
利用者の質問は、短すぎたり、社内の正式な用語と違う言い方だったりすることが多いため、書き換えることで目的の文書が見つかりやすくなります。基本的なRAGに検索の前後の工夫を加えたものを、Advanced RAGと呼ぶことがあります。

他の選択肢が不適切な理由
・候補の文書を関連度で評価し直して並べ替える：リランキングの説明です。検索の「後」に行う工夫で、質問そのものは書き換えません。
・文書を適切な大きさのチャンクに分けておく：チャンク分割の説明です。検索の「準備」として文書の側に行う工夫です。
・キーワードの一致と意味の近さを組み合わせる：ハイブリッド検索の説明です。検索の方式の工夫で、質問の書き換えではありません。

覚え方のポイント
クエリの書き換え＝「検索の前に、質問の側を検索向きの言葉に直す」。文書の側を整えるのはチャンク分割、検索の後に並べ替えるのはリランキング。

問83-2

Agentic RAGの説明として、最も適切なものを1つ選びなさい。

①検索は一度も行わずに、LLMが学習した知識だけで回答を作り出すことを目的に作られたRAGのこと
②人や組織などの関係を表した知識グラフを使い、情報のつながりをたどって回答に生かすRAG
③検索の前後に、クエリの書き換えやリランキングなどの工夫を加えて、精度を高めたRAG
④AIエージェントが、検索が必要かどうかや検索の方法を自ら判断し、必要なら検索を繰り返すRAG

答えと解説を見る

正解 ④AIエージェントが、検索が必要かどうかや検索の方法を自ら判断し、必要なら検索を繰り返すRAG

解説
Agentic RAG（エージェント型RAG）は、AIエージェントの考え方をRAGに取り入れたものです。質問に応じて、検索が必要かどうか、どの情報源をどのように検索するかをAIエージェントが自ら判断し、検索結果が不十分なら検索の方法を変えて繰り返すなど、複数の工程を自律的に進めて回答をまとめます。
1回の検索で答える基本的なRAGより、複雑な質問に対応しやすい一方、処理の工程が増えるため、時間や費用、誤りの連鎖などに注意が必要です。

他の選択肢が不適切な理由
・知識グラフを使ってつながりをたどる：Graph RAGの説明です。
・クエリの書き換えやリランキングの工夫を加える：Advanced RAGの説明です。
・検索を一度も行わない：検索して回答に生かすのがRAGなので、RAGとはいえません。

覚え方のポイント
Agentic RAG＝「調べるかどうか、どう調べるかまでAIが考えるRAG」。

問93-2

Graph RAGの特徴として、最も適切なものを1つ選びなさい。

①人や組織などの関係を表した知識グラフを使い、情報のつながりをたどって回答に生かす。
②AIエージェントが検索の要否や方法を自ら判断し、必要なら検索を繰り返して回答する。
③検索の前に質問を言い換え、検索の後に候補を評価し直して、回答の精度を高めていく。
④キーワードの一致と意味の近さを組み合わせて、質問に関係する文書を探し出していく。

答えと解説を見る

正解 ①人や組織などの関係を表した知識グラフを使い、情報のつながりをたどって回答に生かす。

解説
Graph RAGは、文書から人・組織・製品・出来事などの要素と、それらの関係（誰がどこに所属している、どの製品がどの部品を使っているなど）を取り出して、知識グラフ（ナレッジグラフ）として表し、その関係をたどって回答に生かすRAGです。
文書を細かいチャンクに分けて意味の近さで探す方法だけでは、複数の文書にまたがる関係や、全体を見渡した要約が難しいことがあります。Graph RAGは、情報どうしのつながりを使うことで、こうした質問に答えやすくなります。

他の選択肢が不適切な理由
・検索の要否や方法を自ら判断する：Agentic RAGの説明です。
・質問の言い換えと候補の評価し直し：Advanced RAGの説明です。
・キーワードと意味の近さを組み合わせる：ハイブリッド検索の説明です。

覚え方のポイント
Graph RAGの「グラフ」＝「点（人や物）と線（関係）のネットワーク」。図表のグラフではありません。

ひっかけ注意
「グラフ」を棒グラフや図表と取り違えないこと。知識グラフは関係のつながりを表す構造です。

問103-2

RAGに関する次の記述a〜dのうち、適切なものの組合せを1つ選びなさい。
a．データサイロとは、社内のデータが一か所にまとまり共有されている状態をいう。
b．RAGは、モデルのパラメータを変えずに、検索した情報を根拠として回答させる。
c．チャンク分割は、文書を検索しやすい適切な大きさに分けることである。
d．RAGを使えば、ハルシネーションは原理的に一切起こらなくなる。

①b・d
②b・c
③a・d
④a・c

答えと解説を見る

正解 ②b・c

解説
bとcが適切です。
b：RAGは、モデルのパラメータを変えずに、外部から検索した情報をプロンプトに加えて渡し、それを根拠として回答させる仕組みです。
c：チャンク分割は、文書を検索しやすい適切な大きさのまとまり（チャンク）に分けることで、RAGの検索の精度に大きく影響します。

誤っている記述
・a：データサイロとは、データが部署やシステムごとにばらばらに保管され、共有・活用できない状態をいいます。RAGでは、こうしたばらばらのデータを検索できるようにすることが課題の一つになります。
・d：RAGはハルシネーションを抑える効果がありますが、検索の誤りや読み違いなどによって起こることがあり、一切起こらなくなるわけではありません。

覚え方のポイント
データサイロ＝「データが部署ごとのサイロ（貯蔵庫）に閉じ込められている状態」。一か所にまとまっている状態ではありません。

「生成AIパスポート」は一般社団法人生成AI活用普及協会の登録商標です。本ページは一般社団法人生成AI活用普及協会（GUGA）とは一切関係がなく、公認・認定を受けた教材ではありません。

生成AIパスポートの対策問題（全410問）に戻る

非公式の資格試験対策サイトです。一般社団法人生成AI活用普及協会（GUGA）とは一切関係がなく、GUGAの公認・認定を受けた教材ではありません。

※本ページでは、アクセス解析（Googleアナリティクス）と、広告の配信・成果の計測（A8.net）のためにCookie等を利用し、閲覧に関する情報をGoogle LLC・株式会社ファンコミュニケーションズへ送信しています。詳しくはプライバシーポリシーをご覧ください。

※本ページの問題・解説は、生成AI（人工知能）を活用して作成しています。