RAG（検索拡張生成）の歴史は、1970年代の質問応答システムを源流に、2020年のRAG原論文で概念が確立し、HyDEやSelf-RAG、GraphRAGなどの派生手法を経て、2025年以降のエージェント型・マルチモーダルへと進化してきました。本記事では、前史から最新動向までを年月・論文名・提案組織付きの年表で整理し、各手法が「何を解決したか」をわかりやすく解説します。RAGの全体像と現在地、そして今後の展望まで一気通貫で理解できます。
- RAGの歴史を年表で俯瞰できる
- 各進化段階が解決した課題がわかる
- 最新動向と今後の展望を把握できる
RAGは1970年代の質問応答研究から2020年の原論文で確立し、派生手法を経てエージェント型へと発展してきました。
各段階はハルシネーション低減や検索精度向上など、それぞれ異なる課題への解として登場しています。
2025年以降はマルチモーダルやコンテキストエンジニアリングへと枠組みが広がっています。
RAGの歴史とは？年表で全体像を把握できる？
RAG（Retrieval-Augmented Generation＝検索拡張生成）の歴史とは、外部知識を検索してAIの生成に組み込む技術が、質問応答研究から現代のエージェント型へ発展してきた流れを指します。まずは全体像を年表でつかむと理解が早まります。
大きく分けると、1970年代からの前史、2020年の原論文による誕生、2022〜2024年の派生手法の爆発、そして2025年以降のエージェント型・マルチモーダルという4つのフェーズに整理できます。この区分を押さえると、個々の手法が「どの課題への答えか」を位置づけやすくなります。
RAGの進化はどの4段階に分けられる？
RAGの進化は前史・誕生・派生・エージェント化の4段階で捉えられます。段階ごとに解決したい課題が異なるため、年表で並べると技術の必然性が見えてきます。前史はAIに知識を持たせる試み、誕生は検索と生成の統合、派生は精度と自律性の向上、そして最新はエージェントによる制御へと重心が移っています。共起語であるベクトル検索や埋め込みも、この流れの中で役割を強めてきました。
一目でわかるRAG進化年表とは？
下表は主要な出来事を年月・提案組織・解決課題で整理したものです。RAGは2020年前後に集中して基盤が築かれ、その後わずか数年で高度化が進みました。arXivの論文番号とともに追うと、研究の連鎖が明確に読み取れます。
| 時期 | 出来事・手法 | 提案組織 | 解決課題 |
|---|---|---|---|
| 1970年代〜 | 質問応答システムの試作 | 情報検索研究者 | AIに知識を答えさせる |
| 2020年2月 | REALM | Google Research | 検索を事前学習へ統合 |
| 2020年4月 | DPR | Facebook AI | 密ベクトル検索の実現 |
| 2020年5月 | RAG原論文 | Meta・UCL・NYU | 検索と生成の統合 |
| 2023年10月 | Self-RAG | 研究チーム | 自己反省で品質向上 |
| 2024年4月 | GraphRAG | 研究チーム | 構造化検索 |
| 2025年〜 | Agentic/Multimodal RAG | 各研究機関 | 自律化と多様なデータ対応 |
この年表は情報検索技術の発展史とも重なります。より広い背景を知りたい場合は、AIの歴史をたどる解説もあわせて参照すると理解が深まります。
TechSuite株式会社の「AI検索パートナーズ」は、こうした仕様やアルゴリズムの変化を研究とデータで追従し、生成AIが引用・推薦する仕組みを技術的に捉えて施策へ落とし込んでいます。
まずは4段階と年表で全体像をつかむのが、RAG理解の近道になりますね。
RAGはなぜ生まれた？登場の背景とは？
RAGが生まれた背景には、大規模言語モデル（LLM）が抱える知識の限界があります。学習時点までの情報しか持てず、更新が難しく、事実でない内容を生成するハルシネーションが課題でした。これを外部検索で補うために登場したのがRAGです。
RAGはMetaの研究者が提案した、LLMの誤情報生成を低減する「ナレッジベースの外部化」の手法として説明されます（Zenn（Microsoft）RAG入門）。パラメータの中に知識を閉じ込めるのではなく、外部データを検索して都度参照する発想が転換点でした。
RAGの定義とはどういうもの？
RAGとは、検索（Retrieve）で外部知識を取得し、生成（Generate）でその情報を根拠に回答をつくる仕組みです。RAGは検索と生成を統合し、最新かつ根拠のある回答を可能にする技術です。埋め込み（Embedding）でテキストをベクトル化し、意味の近い文書を探し出す点が従来のキーワード検索と異なります。生成AIそのものの基礎は、生成AIの仕組みの解説でも整理しています。
LLM単体では何が足りなかった？
LLM単体は、トレーニング時点までの情報しか扱えず知識更新が難しいという弱点がありました（セゾンテクノロジー）。RAGは外部データベース検索を統合し、生成内容に根拠を添えられる点で大きく前進しました。ハルシネーションの低減や社内ナレッジの反映といった実務ニーズが、この技術を急速に普及させた原動力といえます。
背景として押さえておきたい課題を、次のチェックリストにまとめました。RAGはこれらを一度に解こうとする設計思想から生まれています。
RAG登場の動機となった主な課題です。
- 学習時点までの情報しか答えられない
- 知識の更新に再学習が必要でコストが高い
- 事実でない内容を生成するハルシネーション
- 回答の根拠を提示できない
TechSuite株式会社の「AI検索パートナーズ」は、生成AIが引用・推薦する仕組みを構造化データや意味的文脈、想定質問の分解といった観点から技術的に捉え、LLMO/GEO/AEOを一次情報設計まで踏み込んで支援しています。
知識の更新性と根拠提示という2つの弱点こそ、RAGが解こうとした核心だったのですね。
AI検索パートナーズでは、
AIに”選ばれる”ための戦略設計から実行まで支援！
RAG登場前の前史はどんな歴史だった？
RAGの前史は、少なくとも1970年代の質問応答システムにさかのぼります。情報検索の研究者が自然言語処理を使い、狭いテーマから「質問に答えるAI」を試みてきた流れが、後のRAGの土台になりました。
NVIDIAの解説によれば、RAGのルーツは1970年代初頭にあり、当時は野球のような限定的なトピックで質問応答が試作されていました（NVIDIA）。この長い前史を知ると、2020年の原論文が突然生まれたわけではないと理解できます。
1970年代の質問応答はどんなものだった？
1970年代の質問応答は、狭いトピックに限定した実験的な仕組みでした。RAGの源流は、1970年代に情報検索と自然言語処理を組み合わせた質問応答の試みにあります。当時は扱えるデータも計算資源も限られ、汎用的な回答は難しかったものの、外部知識を参照して答えるという発想はこの時代から芽生えていました。
Ask JeevesやWatsonはどう位置づく？
1990年代半ばにAsk Jeeves（現Ask.com）が質問応答を一般に広め、2011年にはIBMのWatsonがクイズ番組で人間のチャンピオンを破りました（NVIDIA）。この系譜は、大量の知識を検索して回答へつなぐという実用化の可能性を社会に示しました。RAGはこうした知識検索の系譜の延長線上に位置づけられます。
2019年までの課題は何だった？
2019年頃までのAIは、事前学習したデータに依存し新しい情報を取り込めない点が課題でした。知識を更新するたびに再学習が必要という制約が、外部検索を組み込む動機を強めました。この行き詰まりが、翌2020年の基盤技術と原論文の登場につながっていきます。
前史の主な出来事を時代順に整理すると次のとおりです。
| 時期 | 出来事 | 意義 |
|---|---|---|
| 1970年代 | 質問応答システムの試作 | 外部知識参照の発想 |
| 1990年代半ば | Ask Jeevesの普及 | 質問応答の一般化 |
| 2011年 | IBM Watsonの勝利 | 実用化の可能性提示 |
| 〜2019年 | 事前学習依存の限界 | 更新困難という課題 |
TechSuite株式会社の「AI検索パートナーズ」は、コンサルティングという性質上、業種・規模・商材・課題に合わせてすべてを顧客ごとに個別設計し、こうした技術の背景理解を踏まえた実行支援まで一貫して伴走します。
半世紀の質問応答研究があってこそ、RAGという発想が実を結んだといえるでしょう。
AI検索パートナーズでは、AIに”選ばれる”ための戦略設計から実行まで一気通貫で支援！
AI検索パートナーズでは、AI検索の専門知識と支援実績を持つ専任コンサルタントが、AIに“引用される・選ばれる”ための戦略設計からコンテンツ最適化、効果測定・改善まで一気通貫でご支援いたします。
ご興味のある方は、ぜひ資料をダウンロードして詳細をご確認ください。
RAG原論文はいつ誰が発表した？
RAGという用語を確立した原論文は、2020年5月に発表され、NeurIPS 2020で公開されました。著者はPatrick Lewisらで、Meta（Facebook AI Research）・University College London・New York Universityの共同研究です。
ただし原論文は単独で生まれたわけではなく、同年前半に発表された2つの基盤技術が下地になっています。REALMとDPRという検索技術の進展が、検索と生成を統合する構想を現実的にしました。この系譜を押さえると、RAG誕生の必然性がよく見えてきます。
基盤となったREALMとDPRとは？
REALMは2020年2月にGoogle Researchが発表し、事前学習に検索を統合して検索操作を微分可能にしました（arXiv:2002.08909）。DPRは2020年4月にFacebook AIが発表し、BERTベースの密ベクトル検索で従来手法を上回りました（arXiv:2004.04906、Algomatic）。DPRはFAISSと統合され、現代RAGの検索コンポーネントの代表として広く使われています。
原論文は何を提案した？
原論文『Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks』は、パラメトリックメモリとノンパラメトリックメモリを組み合わせるハイブリッド構成を提案しました。モデル内部の知識と外部検索の知識を併用する設計が、RAGという概念を明確に定義しました。この論文は以降、何百もの研究に引用され、分野の起点となっています。
Patrick Lewisはどんな研究者？
筆頭著者のPatrick LewisはUCLで自然言語処理の博士号を取得し、Metaのロンドンのラボに在籍していました（NVIDIA）。研究はNVIDIA GPUのクラスタ上で実行され、その後の膨大な派生研究の出発点になりました。ロンドンの研究室から生まれた着想が、世界のAI開発に波及した形です。
原論文まわりの要点を整理しました。年表を読むときの基準点として押さえておくと便利です。
RAG原論文の押さえどころです。
- 発表は2020年5月・NeurIPS 2020で公開
- Meta・UCL・NYUの共同研究
- 筆頭著者はPatrick Lewis
- 内部知識と外部検索を併用する設計
TechSuite株式会社の「AI検索パートナーズ」は、自社サイトでAI Share of Voiceが高水準にあり、支援事例でAI Overviewの引用率を改善した実績を踏まえ、一次情報にあたる姿勢で施策を設計しています。
2020年の3本の論文が、RAGという分野の礎になったと覚えておくとよいでしょう。
RAGはどう進化した？派生手法と最新動向は？
RAGは2022年以降、検索精度と自律性を高める派生手法が次々と登場し、2024年にはAdvanced/Modular RAGへ高度化しました。そして2025年からはエージェント型やマルチモーダルへと重心が移り、より広いコンテキストエンジニアリングの枠組みに位置づけられつつあります。
各手法は「前の手法の弱点を補う」形で連鎖しています。仮説文書で検索を改善するHyDEから、自己反省するSelf-RAG、検索結果を訂正するCRAG、知識グラフを使うGraphRAGへと、課題解決の焦点が段階的に移っていきました。
2022〜2023年の派生手法は何を解決した？
この時期は検索の質と生成のタイミングを改善する手法が中心でした。HyDEは仮説的文書で検索精度を高め、FLAREは生成しながら能動的に検索する手法として登場しました。さらにSelf-RAGは2023年10月に発表され、モデル自身が検索・生成・批評を行い品質を高めました（Algomatic）。単純な検索から、能動的で自己評価型の検索へ進化した段階です。
2024年のAdvanced RAGは何が違う？
2024年はRAGを構造化・モジュール化する高度な手法が集中しました。CRAGは検索結果を訂正し、Adaptive-RAGはクエリの複雑さに応じて戦略を切り替えます。加えてGraphRAGは知識グラフで構造化検索を行い、Modular RAGはRAGをLEGOのように再構成可能な枠組みへ転換しました。この年に、いわゆるNaive RAGからModular RAGへの流れが明確になりました。
2025年以降のRAGはどこへ向かう？
2025年以降は自律エージェントが検索を制御するAgentic RAGが主流化しています。テキストを超えて画像や音声を扱うMultimodal RAGや、より広いコンテキストエンジニアリングへと発展しています。関連調査が相次いで公開され、RAGは単独技術から「文脈を設計する枠組み」へと拡張されつつあります。RAGとGPT単体の違いを整理したい場合は、AI検索の仕組みの解説も参考になります。
主要な派生手法を発表年月と解決課題で一覧化しました。系譜を追う際の早見表として活用してください。
| 年月 | 手法 | 解決した課題 |
|---|---|---|
| 2022年12月 | HyDE | 仮説文書で検索改善 |
| 2023年5月 | FLARE | 生成中の能動検索 |
| 2023年10月 | Self-RAG | 自己反省で品質向上 |
| 2024年1月 | CRAG | 検索結果の訂正 |
| 2024年3月 | Adaptive-RAG | 戦略の動的切替 |
| 2024年4月 | GraphRAG | 知識グラフで構造化 |
| 2024年7月 | Modular RAG | 再構成可能な設計 |
RAGと関連技術の違いも、歴史の文脈で整理しておくと選択に役立ちます。
| 技術 | 特徴 | 向く場面 |
|---|---|---|
| RAG | 外部検索で知識を参照 | 最新情報や根拠提示 |
| Fine-Tuning／RAFT | モデル自体を再学習 | 特定タスクへの最適化 |
| CAG | キャッシュで文脈を保持 | 固定的な知識の高速参照 |
最新動向を追ううえでのチェックポイントも挙げておきます。
これからのRAGで注目したい潮流です。
- 自律エージェントによる検索制御
- 画像や音声を扱うマルチモーダル化
- 文脈設計を担うコンテキストエンジニアリング
- 動的な知識更新と評価の仕組み
TechSuite株式会社の「AI検索パートナーズ」は、AIを活用した高品質なコンテンツ制作の仕組みを「バクヤスAI記事代行」で培い、その制作エンジンとナレッジをLLMO対策に転用しており、AI検索経由の受注率は従来のSEO経由の約3倍という成果につなげています。
派生手法は前の弱点を補う連鎖で進み、いまはエージェント化が主役になっています。
よくある質問
- RAGはいつ誰が最初に提案したのですか？
RAGという用語を確立した原論文は2020年5月に発表され、NeurIPS 2020で公開されました。著者はPatrick Lewisらで、Meta・University College London・New York Universityの共同研究です。
- RAGの前史はどこまでさかのぼれますか？
NVIDIAの解説では、RAGのルーツは少なくとも1970年代初頭の質問応答システムにさかのぼるとされます。1990年代半ばのAsk Jeeves、2011年のIBM Watsonなどの系譜が土台になりました。
- 最新のRAGはどんな方向に進化していますか？
2025年以降は自律エージェントが検索を制御するAgentic RAGが主流化し、画像や音声を扱うMultimodal RAG、さらにコンテキストエンジニアリングという広い枠組みへ発展しています。
- RAWとFine-Tuningはどう違いますか？
RAGは外部検索で知識を参照し最新情報や根拠提示に強く、Fine-Tuningはモデル自体を再学習して特定タスクへ最適化します。両者を組み合わせるRAFTのような手法も登場しています。
まとめ
RAGの歴史は、1970年代の質問応答研究を源流に、2020年のREALM・DPR・原論文で基盤が築かれ、その後わずか数年で派生手法が花開いた流れとして整理できます。各段階はハルシネーション低減や検索精度向上など、異なる課題への答えとして登場しました。
2024年にはAdvanced/Modular RAGへ高度化し、2025年以降はエージェント型やマルチモーダルへと重心が移っています。年表で全体像を押さえ、自社の目的に合う手法を選ぶことが、これからのAI活用で重要になります。歴史を理解することは、次の一歩を見極める確かな手がかりになります。
参考にした情報源
