RAG とファインチューニングの違い
資料を渡すか、モデルを学習し直すか

RAG（検索拡張生成）とは

RAG（Retrieval-Augmented Generation）は、回答の前に、外部の文書やデータベースから関連する情報を検索し、質問と一緒に LLM へ渡す方法です。LLM の学習データにない最新の情報や、社内の非公開の情報も使って答えさせられます。モデル自体は変えません。

事前に、文書を適切な長さの断片に分け（チャンク分割）、各断片を意味の近さを計算できる数値（ベクトル）にして保存しておきます。質問が来たら、意味の近い断片を探して LLM に渡します。

ファインチューニングとは

ファインチューニングは、事前学習で言語の知識を広く身につけたモデルを、特定の業務や分野に合わせて追加で学習させる方法です。モデルのパラメータが更新されるので、傾向そのものが変わります。ChatGPT のような対話型のサービスも、事前学習のあと、対話に合わせてファインチューニングして作られます。

違いを表で比べる

試験での問われ方

生成AIパスポートでは、第3章「AIエージェント」の RAG の節で中心的に出て、第2章（学習の段階）と第5章（業務での使い方）にも出ます。もちこ道場の問題データでは、RAG は55問、ファインチューニングは46問に出てきます。次のような問われ方をしています。

• 穴埋め: 「LLM を再学習させずに、回答の前に外部の文書から関連情報を探して入力に付け足す方法」の空欄に RAG を選ぶ。「事前学習済みのモデルを特定用途に合わせて追加学習する工程」にファインチューニングを選ぶ。
• 比較の記述を選ぶ: 「RAG は資料を差し替えるだけで更新でき、出典も示しやすい。ファインチューニングは更新に手間と費用がかかる」を正しい記述として選ぶ。
• 取り違えを見抜く: RAG を使えばハルシネーションがなくなる、few-shot もパラメータを更新する、といった誤りを見抜く。

覚え方

• RAG は「調べてから答える」（モデルは変えない）、ファインチューニングは「勉強し直して答える」（モデルが変わる）と覚えます。
• 「資料を差し替えたらすぐ更新したい」とあれば RAG、「モデルの傾向そのものを変える」とあればファインチューニングです。
• 入力に例を書くだけの few-shot は、モデルを変えないので RAG 側の仲間ではなく、プロンプトの工夫です。

第3章のほかの用語は「第3章 AIエージェントの要点」にまとめています。