← 戻る

RAGアーキテクチャの進化と2025-2026ベストプラクティス

rag vector-search llm chunking-strategy

アーキテクチャの進化

RAGはNaive → Advanced → Modular → Agenticへ進化中。2025年時点では以下が実装標準：

  • Naive RAG: 単純な全文検索（過去）
  • Advanced RAG: 再ランキング・クエリ展開など検索最適化
  • Modular RAG: 検索・リランク・生成の各モジュール独立化
  • Agentic RAG: LLMが「検索すべきか」を判断し動的に実行

ハイブリッド検索が実装標準

BM25（統計ベース）+ ベクトル検索の組み合わせが業界標準：

  • BM25: キーワード完全一致に強く、計算コスト低い
  • ベクトル: セマンティック類似性を捉える
  • 結合手法: Reciprocal Rank Fusion (RRF) が堅牢で推奨

単一ベクトル検索より精度が安定し、本番環境で採用が加速している。

チャンク戦略の最新知見

項目値備考
最適サイズ256-512トークン言語モデル依存
オーバーラップ10-20%文脈を繋ぐため必須
コンテキスト上限~2,500トークンこれ超過で品質cliff

Contextual Retrieval（Anthropic提唱）: チャンクにLLMで先行文脈説明を付加 → 検索エラー67%削減。コスト増だが精度向上は顕著。

Late Chunking: 文書全体を先に処理してからチャンク境界でプーリング。セマンティックチャンキングより実装簡単で、意外と精度が高い。

Markdownドキュメント向けベストプラクティス

  • ヘッダーベース分割が最も自然で実用的
  • セマンティックチャンキングは断片化リスク大・精度低い（54%）
  • シンプルな固定サイズ + オーバーラップが堅牢

GraphRAG・Self-RAGの活用

  • GraphRAG: エンティティ関係グラフでテーマ横断的な質問に対応。コスト50%削減報告あり
  • Self-RAG: モデル自身が検索必要性を判断。不要な検索を削減