はじめに モチベーションとしては生成AI関連としてここ3~4ヶ月でRAG構成(Retrieval-Augmented Generation)の記事が目に止まるようになり、RAGによるメリット等概要は知ってるつもりでしたが、具体的な構成ってどうなるの?というのは、あやふやだったりしまして、、、調べるとベクトルDBが既に盛り上がってましたので、遅れてはマズイ!とおもいお勉強かねて記事にさせてもらいました。 RAGとは RAGは、大規模言語モデル(LLM)と外部検索システム(つまりDB)を組み合わせた設計パターンの1つで、LLM単体では回答するベースとなる知識が訓練データに依存しますが、RAGを用いることで、LLMはリアルタイムで外部の情報源にアクセスし、より正確な回答を生成することが可能になります。 また、以下は私のRAG構成イメージ図になりますが、RAG構成は後述するベクトルDBだけでなく、
![ベクトルDBを調べてみました - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/be3f2dd57302f3a5bb31cfaddf2f1d29096b7f88/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Fadvent-calendar-ogp-background-f625e957b80c4bd8dd47b724be996090.jpg%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTkxNiZoPTMzNiZ0eHQ9JTIwJUUzJTgzJTk5JUUzJTgyJUFGJUUzJTgzJTg4JUUzJTgzJUFCREIlRTMlODIlOTIlRTglQUElQkYlRTMlODElQjklRTMlODElQTYlRTMlODElQkYlRTMlODElQkUlRTMlODElOTclRTMlODElOUYmdHh0LWNvbG9yPSUyMzNBM0MzQyZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT01NiZ0eHQtY2xpcD1lbGxpcHNpcyZ0eHQtYWxpZ249bGVmdCUyQ21pZGRsZSZzPTA0OTUzNzY0OGJmYWQ2NGMxMzVlYzRhZjgzY2IzZmI2%26mark-x%3D142%26mark-y%3D151%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTcxNiZ0eHQ9JTQwbWl5YXRha2VtJTIwaW4lMjBOVFQlRTMlODMlODclRTMlODMlQkMlRTMlODIlQkYlRTUlODUlODglRTclQUIlQUYlRTYlOEElODAlRTglQTElOTMmdHh0LWNvbG9yPSUyMzNBM0MzQyZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zMiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPTlkOWY3Zjk3YTA2ZTE5Njk2NDQ5ODI3Mjc3ZDBjZGQ0%26blend-x%3D142%26blend-y%3D491%26blend-mode%3Dnormal%26s%3D7adbf76b86b647352ac4b411cd489ad9)