MCP + DB ＞ RAG?

RAGの限界性 RAG、つまり検索強化生成（Retrieval-Augmented Generation）は、現在の大規模言語モデル分野における注目の方向性です。これは情報検索技術と生成モデルを組み合わせ、大規模モデルの知識の正確性、文脈理解、最新情報の活用などの課題を解決します。 でも追加の知識をRAGを通じて導入するだけで、モデルがそれらの知識関連の質問に完璧に対応できると考えています。しかし実際と想像にはギャップがあり、実際に試してみると、RAGの精度はそれほど良くないことに気づくかもしれません。 RAG自体の技術的原理から見ると、現在以下の問題が存在します： 検索精度の不足：まず、RAGの最も核心的な部分は、知識を「ベクトル」に変換し、「ベクトルデータベース」に導入し、ユーザーの入力情報も「ベクトル」に変換してから、ベクトルデータベースから類似の「ベクトル」をマッチングさせ、最後に

[Phenomenon]

比較対象がおかしい。RAGもDBだし、MCPでRAG使うこともできる。 比較するなら「RAG」と「全文検索」でそれは論文も出てた記憶ある。

[hihi01]

これ実はGoogle WorkspaceでDriveのGeminiで実装されてます。しかし、Geminiがイマイチ賢くなくて苦労してます。

[Nunocky]

情報源をMCPに置き直しても本質的な問題は解決してないと思うのだが。自分の気づいてないところがあるかもしれないので後で読む

[ebibibi]

RAGがイマイチだなとは最初から思ってる。コンテキストサイズが大きくなってきたから別の手段のほうが良くなってくると思う。

[prjpn]

RAGが微妙言ってる人って、チャンク化が甘いだけのパターンも多い気がする。丸投げで精度が出る仕組みは人類にとって必須なのだろうけど。

[ledsun]

ここでMongoDBが出てくるの面白い。確かにAIならERモデルほど構造化されてなくてもいいもんな。

[misshiki]

“MCP + データベースを通じて構造化データの検索精度を向上させる新しいソリューションを紹介”

[strawberryhunter]

RAGは単に検索結果をLLMで解釈して文章にするだけなので、偉そうな名前を付けるなと言いたい。MCP+DBはLLMが主体的に必要な回数の検索を行うのが違うのかな。リソースを多く使うが検索精度が高まるのは確かだろう。

[canadie]

RAGはコンテキストの類似性で検索するから英文でもソースコードでも沖縄弁でも日本語で検索できる。どっちが優れているかの話ではない

[ch1248]

興味深い話だが、ブコメ読むと異論もあるようだ。

[FEMRIK]

メモ

[otihateten3510]

データの形次第じゃない？DBソースならその方が良いだろうし

[fujimakitk]

気になる