![](https://cdn-ak-scissors.b.st-hatena.com/image/square/754f546c18306c45eeb85c23ff5cc2e7ca229c2b/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Fengineer-festa-ogp-background-074608b13b4bbe67c10ada41e7e2d292.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9QUklRTUlODglOUQlRTUlQkYlODMlRTglODAlODUlRTMlODElQTclRTMlODIlODIlRTMlODIlOEYlRTMlODElOEIlRTMlODIlOEIlRUYlQkMlODFSQUclRTMlODElQUUlRTQlQkIlOTUlRTclQjUlODQlRTMlODElQkYlRTMlODElQTglRTUlQjAlOEUlRTUlODUlQTUlRTMlODIlQjklRTMlODMlODYlRTMlODMlODMlRTMlODMlOTcmdHh0LWFsaWduPWxlZnQlMkN0b3AmdHh0LWNvbG9yPSUyM0ZGRkZGRiZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT01NiZzPTU2Mjc1MzMxMzY1NzNlMTg0ZDk4YjNiOTdiODIzMzM3%26mark-x%3D120%26mark-y%3D96%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9OTcyJnR4dD0lNDB5dWttYXJ1JnR4dC1jb2xvcj0lMjNGRkZGRkYmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz1kZDlkYTJkMjE3NzczZjY0ZjJmMTBiN2U4ODI3NjM5YQ%26blend-x%3D120%26blend-y%3D500%26blend-mode%3Dnormal%26s%3D5ab6292686cad6a0115332e862367557)
エントリーの編集
![loading...](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/common/loading@2x.gif)
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
AI初心者でもわかる!RAGの仕組みと導入ステップ - Qiita
記事へのコメント0件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
![アプリのスクリーンショット](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/entry/app-screenshot.png)
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
AI初心者でもわかる!RAGの仕組みと導入ステップ - Qiita
はじめに AI技術の進歩はものすごい勢いで加速していますね。そのため、少しでもAIに関する知見を身につ... はじめに AI技術の進歩はものすごい勢いで加速していますね。そのため、少しでもAIに関する知見を身につけておくことが重要です。今回、RAGについて調査する機会があったので、まずざっくりと理解したことをまとめてみました。内容に誤りがあれば、ご指摘いただけると幸いです。 RAGとは RAGとはRetrieval-Augmented Generationの略で、リトリーバル アグメンテッド ジェネレーションと読みます。また、「ラグ」とも呼ばれます。これはLLM(大規模言語モデル)に外部ソースを渡して回答の精度を高める仕組みです。 イメージ的には、LLMにカンニングさせて回答の精度を上げるような感じです。 RAGにできること・できないこと 回答の精度を上げる具体例として、以下の「できること」があります。また、RAGの限界を理解して使うことが重要です。「できないこと」についても知っておきましょう。