RAG（検索拡張生成）の歴史は、2020年にMeta AIのPatrick Lewis氏らが発表した原論文「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」から始まりました。その源流は1970年代の質問応答システムにさかのぼり、REALMやDPRといった基盤技術を経てRAGとして概念が確立し、HyDE・Self-RAG・GraphRAG・Agentic RAGへと進化しています。この記事では、前史から最新動向までを年表で一望し、各技術が「どの課題を解決したか」を出典付きで整理します。RAGの成り立ちと現在地を一度で把握したい方に向けた完全網羅ガイドです。
- RAGはいつ・誰が・なぜ作ったのか
- 前史から最新まで進化を追う年表
- 今どの手法を選ぶべきかの判断軸
RAGは2020年にMeta AIが提案し、外部知識を検索して生成に組み込む手法として誕生しました。
前史の質問応答システムから、誕生・改良・高度化・エージェント化までが一本の軸でつながります。
歴史を踏まえれば、用途に応じてGraphRAGやAgentic RAGなどを選び分ける判断ができます。
そもそもRAG（検索拡張生成）とは何か？
RAG（Retrieval-Augmented Generation、検索拡張生成）とは、大規模言語モデル（LLM）が回答を生成する前に外部の知識ベースを検索し、取得した情報を根拠として回答を作る仕組みです。歴史を追う前に、まずこの基本構造と、なぜ必要とされたのかを押さえましょう。
RAGはMetaの研究者が提案した、LLMのハルシネーション（誤情報生成）を低減する「ナレッジベースの外部化」手法として知られています（Microsoft Zenn）。生成AIそのものの基礎は生成AIの解説記事もあわせて確認すると理解が深まります。
RAGの定義と3ステップとは？
RAGは「Retrieve（検索）→Augment（拡張）→Generate（生成）」の3段階で動きます。RAGとは、質問に関連する情報を外部データベースから検索し、その内容をプロンプトに統合してからLLMが回答を生成する仕組みです。まずデータをチャンク分割してベクトル化し格納（Store）、次に質問を受けて関連情報を取得（Retrieve）、続いてプロンプトへ統合（Augment）し、最後に生成AIが回答します。共起語であるベクトル検索や埋め込み、リランキングもこの流れの一部です。
この一連の処理を、チェックリストで整理します。
RAGの基本フローの確認ポイントです。
- データをチャンク分割しベクトル化して格納する
- 質問に対しキーワード検索やベクトル検索で関連情報を取得する
- 取得情報をプロンプトへ統合し根拠付きで生成する
なぜRAGが必要とされたのか？
従来のLLMは学習時点の知識に依存し、新情報や専門知識を柔軟に取り込めない課題がありました。RAGは知識更新の困難とハルシネーションという根本課題への解決策として登場しました。事前学習データに強く依存する従来AIは、新しい情報や特定ドメインの知識を反映しづらく、質問応答の精度に限界がありました（Qiita）。RAGは外部検索によってこの制約を突破し、より正確で詳細な回答を実証したのです。
RAGとGPTの違いはどこにあるのか？
最大の違いは、知識更新のしやすさと根拠提示の可否です。GPTは再トレーニングなしに新情報を反映できませんが、RAGは外部検索で最新情報を取り込み出典を明示できます。GPTはトレーニング時点の知識が基盤で応答の根拠提示が難しい一方、RAGは検索した情報源を示せるため信頼性を担保しやすいという特徴があります（セゾンテクノロジー）。両者の違いを表で整理します。
| 比較項目 | 従来のLLM/GPT | RAG |
|---|---|---|
| 知識の更新 | 再トレーニングが必要 | 外部データ差し替えで容易 |
| 根拠の提示 | 困難 | 出典を明示できる |
| 専門知識 | 学習範囲に依存 | 外部ベースで補える |
| ハルシネーション | 起きやすい | 低減しやすい |
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、エンティティ認識の観点から技術的に捉え、RAGの発想に近い一次情報設計までLLMO/GEO/AEO施策を落とし込んでいます。
まずは検索と生成を結ぶRAGの土台を押さえておくと、歴史の流れがぐっとわかりやすくなりますね。
RAGの歴史と進化を年表で把握できる？
結論として、RAGの歴史は「前史→誕生→改良→高度化→拡張」の5フェーズで整理できます。各フェーズには代表技術があり、前の課題を次が解決する因果でつながっているのが特徴です。
ここでは全体像を年表で俯瞰し、各年の代表技術と解決した課題を早見表にまとめます。時系列の骨格をつかむことで、後述する個別解説が立体的に理解できます。
年表で見るRAG進化の5フェーズとは？
RAGの進化は、検索と生成をどこまで統合するかという一貫した軸で説明できます。前史の質問応答から始まり、2020年の誕生を起点に検索精度と自律性が段階的に高まってきました。共起語のREALMやDPRは前史、HyDEやSelf-RAGは改良、GraphRAGやModular RAGは高度化、Agentic RAGやMultimodal RAGは拡張フェーズに位置づきます。AI全体の流れはAIの歴史の解説とあわせて読むと背景が補完できます。
各年の代表技術と解決課題の早見表は？
下表は、発表年と代表技術、解決した課題を一望できる早見表です。各技術は前の世代が残した弱点を埋める形で登場しており、単独ではなく系譜として理解するのが重要です。以下の年表を軸に、次章以降で各技術を掘り下げます。
| 時期 | 代表技術 | 解決した課題 |
|---|---|---|
| 1970年代〜2019年 | 質問応答システム・IBM Watson | 自然言語での情報検索 |
| 2020年 | REALM・DPR・RAG原論文 | 知識更新とハルシネーション |
| 2022-2023年 | HyDE・FLARE・Self-RAG | 検索精度と生成品質 |
| 2024年 | CRAG・GraphRAG・Modular RAG | 誤検索補正と全体俯瞰 |
| 2025年〜 | Agentic・Multimodal RAG | 自律判断と多様なデータ対応 |
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を高水準に保ち、支援事例でAI Overviewの引用率を改善した実績があり、こうした技術系譜の変化を研究とデータで追い続けています。
年表という一枚の地図を先に持っておくと、個々の技術が迷子にならずに頭へ入っていきますよ。
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の前史と誕生はどう進んだのか？
RAGの誕生は2020年ですが、その前史は1970年代の質問応答システムまでさかのぼります。誕生の直前にはREALMとDPRという基盤技術が整い、これらが原論文の土台になりました。
ここでは前史の流れと、RAGという概念を確立した2020年の原論文、そして命名の由来までを出典付きで解説します。歴史の起点を正確に押さえることで、以降の改良の意味が明確になります。
前史となった質問応答システムとは？
RAGのルーツは、少なくとも1970年代初頭の情報検索研究にさかのぼります。当時の研究者はNLPを使う質問応答システムを試作し、狭いトピックから自然言語による検索を追求していました。1990年代半ばのAsk Jeeves（現Ask.com）や、2011年にクイズ番組Jeopardy!で人間チャンピオンを破ったIBM Watsonが質問応答を広く普及させました（NVIDIA）。この系譜がRAGの発想へとつながっています。
基盤技術REALMとDPRは何を変えたのか？
RAG誕生の直前、検索を学習や生成に統合する基盤技術が2020年に相次いで登場しました。REALMは事前学習に検索を統合し検索操作を微分可能にし、DPRは密ベクトル検索でBM25を大幅に上回りました。REALM（Kelvin Guuら、2020年2月）は事前学習段階に検索を組み込み、DPR（Karpukhin・Patrick Lewisら、2020年4月）はBERTベースの密ベクトル検索をFAISSと統合しました（Algomatic Tech Blog）。両技術の位置づけを整理します。
| 基盤技術 | 発表時期 | 技術的貢献 |
|---|---|---|
| REALM | 2020年2月 | 事前学習に検索を統合し微分可能化 |
| DPR | 2020年4月 | 密ベクトル検索でBM25を凌駕しFAISS統合 |
2020年の原論文と命名秘話とは？
RAGという名称と概念を定めたのは、NeurIPS 2020で発表された原論文です。パラメトリックメモリと外部知識ベースを組み合わせるハイブリッド構造が、RAGという言葉と概念を確立しました。論文はRAG-SequenceとRAG-Tokenの2バリエーションを提案し、検索器にDPR、生成器にBARTを使用しました。主著者のPatrick Lewis氏はMetaのロンドンAIラボ在籍時に発表し、当初「RAG」という略語について本人が謝罪していたという逸話も残っています（NVIDIA）。命名秘話のポイントを整理します。
RAG誕生をめぐる押さえどころです。
- 2020年のNeurIPSでMeta AIが概念を確立した
- パラメトリックとノンパラメトリックのハイブリッド構造
- 検索器はDPR、生成器はBARTを採用した
TechSuite株式会社の「AI検索パートナーズ」は、想定質問の分解や検索意図の整理といったノウハウを「バクヤスAI記事代行」で培った制作エンジンに蓄積しており、こうした一次情報を出典付きで正確に扱うコンテンツ設計に転用しています。
RAGはある日突然生まれたのではなく、半世紀の検索技術の積み重ねが花開いた成果だと感じられますね。
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。
改良期から高度化まで何が進化したのか？
2022年から2024年にかけて、RAGは検索精度と生成品質を高める工夫を重ね、さらに構造化・モジュール化へと発展しました。改良期はHyDE・FLARE・Self-RAG、高度化はCRAG・Adaptive-RAG・GraphRAG・Modular RAGが代表です。
この時期の技術は、原論文が残した「検索がずれると回答も崩れる」という弱点への対処として登場しました。各手法がどの課題を解決したのかを順に見ていきます。
改良期のHyDEやSelf-RAGは何を解決したのか？
2022-2023年の改良期は、検索の精度と生成の自己評価を高める工夫が中心でした。HyDEは仮説的文書を生成してゼロショット検索を改善し、Self-RAGは反省トークンで回答品質を自己評価しました。HyDE（2022年12月）はLLMに仮説的文書を作らせて検索精度を上げ、FLARE（2023年5月）は生成中に低信頼トークンを検知して能動的に検索、Self-RAG（2023年10月）はReflectionトークンで自己反省します（Algomatic Tech Blog）。検索と生成の連携が一段と洗練された時期です。
高度化のGraphRAGやModular RAGとは？
2024年は、RAGがより賢く、構造化される高度化のフェーズです。GraphRAGは知識グラフで全体俯瞰型の質問に対応し、Modular RAGはRAGを複数モジュールに分解して柔軟に組み替えられるようにしました。CRAG（2024年1月）は検索結果を正しい・曖昧・誤りに判定してWeb検索で補正、Adaptive-RAG（2024年3月）はクエリ複雑度に応じて戦略を動的選択します（Algomatic Tech Blog）。主要手法を表で比較します。
| 手法 | 発表時期 | 特徴 |
|---|---|---|
| CRAG | 2024年1月 | 検索結果を評価しWebで補正 |
| Adaptive-RAG | 2024年3月 | 複雑度で戦略を動的選択 |
| GraphRAG | 2024年4月 | 知識グラフで全体俯瞰 |
| Modular RAG | 2024年7月 | 6モジュールに分解し柔軟化 |
どの改良手法を選べばよいのか？
用途によって適した手法は異なるため、解決したい課題から逆算して選ぶのが実務的です。全体像を問う質問にはGraphRAG、検索の誤りを抑えたいならCRAG、複雑度が幅広いならAdaptive-RAGが向きます。以下のチェックリストで自社の課題を整理してみましょう。
改良・高度化手法を選ぶ視点です。
- 横断的な要約が必要なら知識グラフ型を検討する
- 誤検索の影響が大きい業務は評価・補正型を選ぶ
- 質問の難易度に幅がある場合は動的選択型が有効
TechSuite株式会社の「AI検索パートナーズ」は、技術実装を担う人材とコンテンツ制作人材が一つのチームで連携し、戦略設計から技術実装・企画・制作・効果測定・改善までを一気通貫で伴走する体制を整えています。
改良と高度化は、検索のズレをどう抑えるかという一貫したテーマで読み解くと腹落ちしますよ。
最新のRAGはどこへ向かっているのか？
2025年以降のRAGは、自律的に検索を判断するエージェント型と、多様なデータを扱うマルチモーダル型へ拡張しています。さらにRAGを包含するコンテキストエンジニアリングという広い枠組みも登場しました。
ここでは最新技術と、RAFTやCAGといった隣接技術との違い、そして歴史を踏まえた現在地を整理します。今どれを選ぶべきかの判断材料としてご活用ください。
Agentic RAGとMultimodal RAGとは？
最新のRAGは、検索の要否やタイミングまでAIが自律的に判断する段階へ進みました。Agentic RAGはLLMエージェントが検索要否を判断しマルチステップ推論や自己修正を行い、Multimodal RAGは画像や音声、動画、表まで扱います。Agentic RAG（2025年1月のサーベイ）はツール使用と自律判断を統合し、Multimodal RAG（2025年4月）は多様なデータに対応、Context Engineering（2025年7月）はRAGをより広い枠組みの一部として位置づけます（Algomatic Tech Blog）。AI検索の解説記事もあわせて理解しておくと応用が広がります。
RAFTやCAGとの違いは何か？
RAGには、目的が近い隣接技術がいくつかあり、使い分けが論点になっています。RAFTは検索を前提にモデル自体を微調整し、CAGは検索の代わりにキャッシュ済みコンテキストを活用します。RAFT（Retrieval Augmented Fine Tuning）とCAG（Cache-Augmented Generation）はRAGの発展・代替として登場しました（Microsoft Zenn）。三者の違いを表で整理します。
| 手法 | アプローチ | 向いている場面 |
|---|---|---|
| RAG | 外部検索して生成に統合 | 頻繁に更新される知識 |
| RAFT | 検索前提でモデルを微調整 | 特定ドメインへの最適化 |
| CAG | キャッシュ済み文脈を活用 | 固定的で再利用が多い知識 |
歴史を踏まえて今どれを選ぶべきか？
結論として、更新頻度が高い知識ならRAG、専門特化ならRAFT、長文コンテキストが安定利用できるならCAGという整理が実務の目安です。単一の万能解を探すより、課題ごとに手法を選び分ける現在地マップを持つことが重要です。社内ナレッジ管理やカスタマーサポート、医療・法律・金融など、応用分野は幅広く実装が進んでいます。選定の視点を整理します。
現在地マップとして押さえる観点です。
- 知識の更新頻度と鮮度要件を最初に確認する
- 回答の根拠提示や説明可能性の必要度を見極める
- 自律判断やマルチモーダル対応の要否を検討する
TechSuite株式会社の「AI検索パートナーズ」は、露出や順位ではなく受注という成果に直結させることを重視しており、AI検索経由での受注率は従来のSEO経由の約3倍という手応えをもとに施策を設計しています。
最新のRAGは自律化と多様化へ進んでいますが、選ぶ基準は結局のところ課題に立ち返ることに尽きますね。
よくある質問
- RAGはいつ誰が作ったのですか
RAGという概念は2020年、Meta AIのPatrick Lewis氏らが原論文「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」で確立しました。NeurIPS 2020で発表され、検索器にDPR、生成器にBARTを使用しています。
- RAGの前史はどこまでさかのぼりますか
技術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ります。1990年代のAsk Jeeves、2011年にJeopardy!で優勝したIBM Watsonなどが質問応答を普及させ、2020年のREALMやDPRがRAG誕生の基盤となりました。
- RAGとファインチューニングはどう違いますか
RAGは外部知識を検索して生成に組み込む手法で、知識の更新が容易です。ファインチューニングはモデル自体を追加学習させる手法で、検索を前提に微調整するRAFTなどの発展形もあり、更新頻度や専門性で使い分けます。
まとめ
RAGの歴史は、1970年代の質問応答システムを前史とし、2020年にMeta AIが原論文で概念を確立したことを起点に進化してきました。REALMやDPRの基盤から、HyDE・Self-RAGによる改良、GraphRAG・Modular RAGによる高度化を経ています。
2025年以降はAgentic RAGやMultimodal RAG、コンテキストエンジニアリングへと拡張し、検索と生成の統合という一貫した軸で発展しています。RAFTやCAGとの使い分けも含め、課題から逆算して選ぶ視点が実務では欠かせません。
年表で全体像をつかんだうえで、自社の更新頻度や根拠提示の要件に合わせて手法を選べば、学習・導入・執筆いずれの文脈にも応用できます。歴史の理解が、これからのRAG活用の確かな土台になります。
参考にした情報源
