「RAGを理解しておくと、AIOの書き方がもっと腹落ちする」——そう言われて、この記事にたどり着いた方も多いのではないでしょうか。
前の記事『AIOとは？』では、AIが答えを作るまでの流れを「質問が届く→関連ページを探す→答えを組み立てる→出典として示す」という4つの動きで紹介しました。あの説明で、大枠はつかめたと思います。
この記事では、その中身をもう一段深く見ていきます。AIは実際、記事をどんな単位に区切って探しているのか。「意味が近い」とは、どうやって判断しているのか。見つけた情報のうち、どれが実際に回答へ使われるのか。ここまで分かると、「結論を先に書く」「一文で完結させる」「出典を明記する」という3つの実践原則が、なぜ効くのかを人に説明できるようになります。これが、記事の書き方でできる基本のAI対策です。
この記事は、RAGという言葉の意味は聞いたことがあるけれど、中でどう処理されているかまでは知らない方に向けて書きました。
こんなふうに調べていませんか
- 「RAGを理解しろ」と言われたが、検索・拡張・生成の意味がよく分からない
- 結論を先に書くと引用されやすいと聞いたが、なぜそうなるのか仕組みから知りたい
- チャンク・ベクトル検索・リランキングという言葉を見かけるが、説明できるほど分かっていない
この記事を読み終えたときに手に入るもの
- RAGの検索・拡張・生成という3段階を、人に説明できるようになります
- チャンク分割・ベクトル検索・リランキングという言葉の中身が、図で分かります
- 結論先出し・一文完結・出典明記が効く理由を、仕組みから説明できるようになります
結論30秒でわかる、この記事の結論
- RAGとは、AIが検索で見つけた情報をもとに回答文を作る仕組みです。検索(Retrieval)・拡張(Augmentation)・生成(Generation)という3段階でできています。
- 検索の段階では、文章はまるごとではなくチャンクという数百トークン程度の小さな塊に分けられ、意味の近さでも探されます。
- 拡張・生成の段階では、見つかった情報の中からさらに絞り込まれ、出典と結びつけられます。
- 結論先出し・一文完結・出典明記が効くのは、この3段階のどこかを通過しやすくするためです。
01そもそもRAGって、AI検索最適化とどう関係する仕組みなんですか？
若葉さんあの、前の記事で「AIは探してから書く」というのは分かったんですけど…RAGって結局、何の略なんでしたっけ。
鈴木さん良いところに気づきましたね。RAGは「Retrieval-Augmented Generation」の略で、日本語にすると検索拡張生成です。ひとことで言うと、AIが自分の中にある知識だけでなく、そのつど検索して見つけた情報も使って、答えの文章を作る仕組みなんですよ。
RAGという考え方は、2020年にLewis氏らの研究チームが発表した論文で提案されました(出典: arXiv:2005.11401)。AIモデルの内部にあらかじめ蓄えられた知識と、外部の文書から検索して得る知識。この論文は、この2つを組み合わせる手法を提案しています。組み合わせることで、AIが内部知識だけで答えるよりも、具体的で事実に即した文章を生成できると報告されています(出典: 同論文)。
いま、ChatGPT検索やGoogleのAI Overviews、Claudeなど、多くのAI検索エンジンが、この考え方を土台にした仕組みを採用しています。
この章のまとめ
RAGは「Retrieval-Augmented Generation(検索拡張生成)」の略です。多くのAI検索エンジンが、この考え方を土台にした仕組みを採用しています。
02RAGの3段階は、AI検索でのAI引用の仕組みとしてどう働くんですか？
RAGという名前は、そのままやっていることの説明にもなっています。
- 検索(Retrieval) — 質問に関係のありそうな情報を探す
- 拡張(Augmentation) — 見つけた情報を、AIへの指示文(プロンプト)に追加する
- 生成(Generation) — 追加された情報をもとに、実際の回答文を作る
この章のまとめ
検索・拡張・生成という3段階を通って、AIは答えを作っています。この3段階のどこかで落ちると、引用まで届きません。
03AI検索の「検索」を、RAGの仕組みとして身近なものにたとえてもいいですか？
若葉さん3段階があるのは分かったんですが、正直まだ実感が湧かなくて…。もう少し身近なものにたとえてもらえませんか。
鈴木さんそうですね。ここでは「持ち込みありの試験」にたとえてみましょう。RAGは、教科書を丸ごと持ち込める試験ではなく、あらかじめ自分で作っておいたカードだけを持ち込める試験に近いんです。
想像してみてください。試験の当日、教科書は持ち込めません。代わりに、事前に作っておいた単語カードの束だけを机の上に置くことが許されています。
問題を見たら、まずカードの束の中から、その問題に関係のありそうなカードだけを選んで手元に出します。全部のカードを見ている時間はありません。そして、選んだカードの内容をもとに、答案を書きます。「このカードに書いてあった内容です」と、参照したカードを示しながら。
この章のまとめ
RAGは「教科書丸ごと」ではなく「事前に作ったカードの束」から探して書く仕組みです。
04持ち込めるカードに限りがある仕組みは、AI検索でのAI引用にどう関わるんですか？
カードを持ち込む試験には、もう1つ特徴があります。机に出せる枚数に、限りがあるのです。 教科書を丸ごと持ち込める試験なら、答案を書く前に全ページを読み返せます。カードだけの試験は、そうはいきません。手元に出した数枚が、答案の材料のすべてになります。だから、どのカードを作っておくか(記事をどう書いておくか)が、そのまま引用されるかどうかを決めます。
このたとえで言うと、カードの作り方(チャンクの分け方)と、関係あるカードの見分け方(意味の近さの判断)が、RAGの検索段階のカギになります。次の章から、この2つを順番に見ていきます。
この章のまとめ
机に出せる枚数には限りがあります。だからこそ、カードの作り方と、選び方の2つがカギになります。
05RAGの仕組みでは、文章はAI検索でどのくらいの大きさに区切られて探されているんですか？
AIは、記事をまるごと1本の単位では扱いません。あらかじめ小さな塊に分割してから、データベースに保存しておきます。この塊のことをチャンクと呼びます。試験のたとえで言えば、記事という「教科書」を、あらかじめ1枚1枚の「カード」に切り分けておく作業です。
Anthropic公式によると、1つのチャンクの目安は数百トークン程度です(出典: Anthropic公式)。トークンとは、AIが文章を処理するときの文字の単位のことです。日本語の場合、見出し1つ分から、段落2〜3個分くらいの分量とイメージすると近いでしょう。
この章のまとめ
記事は、数百トークン程度の小さなチャンクに分けられて保存されます。区切る位置は、私たちの側では指定できません。
06埋め込みという仕組みは、AI検索の中で何をしているんですか？
チャンクに分割したあと、それぞれのチャンクは埋め込み(エンベディング)という形に変換されます。埋め込みとは、文章の意味を数値の並びに置きかえたものです。似た意味の文章同士は、数値の並びも近くなります。この埋め込みが、データベースに保存されます。
この章のまとめ
それぞれのチャンクは、意味を数値化した「埋め込み」としてデータベースに保存されます。似た意味の文章は、数値の並びも近くなります。
07AIは「意味が近い」を、AI検索の仕組みとしてどう判断しているんですか？
高梨課長鈴木さん、ここまでの話は仕組みとして分かりました。ただ実務的に聞きたいのですが、これを知っていると、記事の書き方の何が変わるんでしょうか。
鈴木さん良い質問です。ここから先が、まさに実務に直結するところなんですよ。AIがどうやって「意味が近い」を判断しているかが分かると、書き方の基準がはっきりします。
ユーザーが質問を入力すると、AIはその質問文も、チャンクと同じ方法で数値化します。そして、データベースに保存された埋め込みの中から、意味が近いチャンクを探し出します。
これは、昔ながらのキーワード一致だけの検索とは違います。キーワード一致では、質問と同じ単語がそのまま含まれる文書しか拾えません。言い換えや同義語には弱いという弱点があります。一方、意味の近さでも探す検索(ベクトル検索)では、表現が違っていても、意味が近ければ見つけてもらえます。
多くのRAG実装では、単純なキーワード一致だけでなく、質問文の言い換えや複数クエリへの分割といった工夫も併用されます(実装の詳細は各社で異なります)。2つの探し方を両方使うほど、質問と表現が違う記事も、見つけてもらいやすくなります。
Anthropic公式は、同社独自の「Contextual Retrieval」という手法により、検索の失敗率を49%削減できたと報告しています(出典: Anthropic公式)。この手法は、文脈情報を付加した埋め込みと、キーワード検索を組み合わせたものです。
この章のまとめ
AIは質問文も数値化し、意味が近いチャンクを探します。キーワード検索と組み合わせることで、見つけやすさが上がります。
08見つけた情報を、AI検索はRAGの仕組みでそのまま全部使うんですか？
検索で見つかったチャンクが、そのまま回答に使われるわけではありません。ここからが拡張(Augmentation)の段階です。試験のたとえで言えば、机に出したカードの中から「答案に実際に使うカード」を選び直す作業に近いイメージです。
Google公式のドキュメントでは、この処理を「グラウンディング」と呼び、5つの段階で説明しています(出典: Google公式)。
順番に見ていくと、次のようになります。
- AIが質問を分析する — 何を聞かれているかを把握します
- 検索が必要かどうかを判断する — AIが持つ知識だけで足りる場合は、検索をしないこともあります
- 検索を実行して結果を集める — 関連しそうな情報を集めます
- 関連する情報を整理する — 集めた中から、使う情報を絞り込みます
- 回答文の土台となる文脈を組み立てる — 整理した情報を、AIへの指示文に追加します
ここで重要なのは、検索結果をすべてそのまま渡すわけではないという点です。Anthropic公式でも、意味的に近い上位チャンク(トップK)だけを選んで、プロンプトに追加すると説明されています(出典: Anthropic公式)。関連性が高い一部だけに絞り込む処理が、ここで行われています。
この章のまとめ
拡張の段階では、検索結果がそのまま使われるのではなく、関連性の高い一部だけに絞り込まれてから、AIへの指示文に追加されます。
09最後の「生成」で、AI検索のAI引用はRAGのどの仕組みで決まるんですか？
絞り込まれた情報をもとに、いよいよ生成(Generation)の段階で、実際の回答文が作られます。試験のたとえなら、選んだカードを見ながら、答案用紙に文章を書いていく段階です。
Google公式によると、生成された回答文には、どの部分がどの情報源に基づくかを示す「引用」が付与されます(出典: Google公式)。引用は、文章の範囲を示す位置と、対応するURLをセットにして紐づける仕組みです。
Anthropic公式も、検索結果を関連度順に選び直す「リランキング(再ランキング)」を組み合わせる手法を解説しています(出典: Anthropic公式)。拡張の段階で絞り込まれた情報を、生成の直前にもう一度並べ直す処理です。試験で言えば、答案を書く直前に「このカード、本当に使えるか」をもう一度見直すようなものです。出典と紐づけやすい情報ほど、この見直しで優先されやすくなります。
この章のまとめ
生成の段階では、絞り込まれた情報がリランキングでもう一度選び直され、出典と紐づけやすい情報が優先されて引用されます。
10じゃあ、なぜ「結論を先に」「一文で完結」「出典明記」というRAGを踏まえたLLMO対策が効くんですか？
若葉さんここまで聞いて…つまり、結論を先に書けとか、一文で完結させろというのは、それぞれこの3段階のどこかに関係している、ということですね?
鈴木さんその通りです。 3つの実践原則は、それぞれ検索・拡張・生成のどこを通過しやすくするか、という話だったんですよ。1つずつ、試験のたとえに戻しながら見ていきましょう。
①結論から書く → 「検索」で拾ってもらうため
検索が探しているのは、記事全体ではなく、カード1枚(数百トークン程度のチャンク)です。結論を長い前置きのあとに置くと、その1枚のカードに結論が写し取られない可能性があります。見出し直下の1〜2文に結論を書いておけば、そこだけ切り出しても意味が通るカードになります。
若葉さんつまり、見出しのすぐ下だけを1枚のカードとして切り取られても、ちゃんと答えになっている必要がある、ということですね?
鈴木さんそのとおりです。「カード1枚だけで完結しているか」を基準に読み返すと、直すべき場所が見えてきますよ。
②一文で完結させる → 「拡張」で生き残るため
拡張の段階でプロンプトに追加されるのは、記事全体ではなく、検索で選ばれたカード数枚だけです。「これ」「それ」で始まる文は、前のカードとセットでないと意味が通りません。 カード1枚だけを渡されたAIには、その文が何を指しているか分からなくなります。主張と根拠を1枚のカードの中に書き切ることで、切り出されても意味が壊れなくなります。
③出典を明記する → 「生成」で選ばれるため
生成の段階では、AIが集めた情報から文章を組み立て、出典を示します。出典のない主張は、どのカードに書いてあったことなのかをAIが結びつけにくくなります。 数字や主張のすぐそばに出典を書いておくと、AIがその対応関係を認識しやすくなります。
3つの実践原則を、検索・拡張・生成の各ステップの視点で整理すると、下の表のとおりです。
| 観点 | 選ばれやすい文章 | 選ばれにくい文章 |
|---|---|---|
| 結論の位置(検索) | 見出し直下で結論を先に述べる | 結論が長い前置きの後にある |
| 文の自己完結性(拡張) | 指示語に頼らず一文で意味が通る | 「これ」「それ」で前文に依存する |
| 出典の明示(生成) | 数字・主張の直後に出典を明記する | 出典が不明、または文末にまとめて記載 |
この表の裏付けは、実験の数字とも矛盾しません。GEO論文は、引用や統計データを足す書き方で、可視性が上がったと報告しています。この論文の中身は、別記事『Princeton GEO論文を読む｜「可視性40%向上」の中身』で詳しく扱っています。
この章のまとめ
結論先出しは検索、一文完結は拡張、出典明記は生成。3つの実践原則は、それぞれRAGの違う段階を通過しやすくするための工夫です。言い換えれば、この3つの積み重ねがAI検索最適化(LLMOとも呼ばれます)の実務です。
11自社の記事は、RAGの仕組みでAI検索に拾ってもらえる書き方になっていますか？
高梨課長仕組みは分かりました。それで、うちの既存記事がこの3段階を通過できているかどうかは、どこを見れば分かりますか。
鈴木さん特別なツールがなくても、目で見て確認できるチェック項目があります。まずはこの5つを見てみてください。
- 各見出し直下の1〜2文で、結論を先に述べている
- 重要な主張は、指示語に頼らず一文で意味が通る形にしている
- 数字や主張の直後に、出典を明記している
- 数百字程度のまとまりを意識し、長すぎる前置きを避けている
- 比較・手順・基準を、表または番号付きリストで構造化している
書き換えのイメージが湧きにくい方のために、実際に見出し直後の一文を書き換えた例を挙げます。
書き換えの手順そのものは、単純です。
今日、最初の1本でやること
アクセスの多い記事を1本選ぶ
いきなり全記事を直す必要はありません
見出し直下を、結論1文に直す
「これ」「それ」を、指している内容に置きかえます
効果を見てから、他の記事に広げる
1本で感触をつかんでから、範囲を広げます
この章のまとめ
チェックは5つ。まずアクセスの多い記事から1本、見出し直下の結論を直すところから始めます。
12AI検索でAI引用されない書き方は、どんな失敗が多いんですか？
やってしまいがちな失敗として、次の3つがよく見られます。
- 結論を記事の最後に置いてしまう — 従来の起承転結型の構成に慣れていると、結論を最後に置きたくなります。しかし、検索段階でチャンクの前半に結論が入らなければ、AIに見つけてもらう機会そのものを失いかねません。
- 指示語を多用してしまう — 「これにより」「それが理由で」といった指示語は、人間の読者には自然でも、切り出されたチャンクでは意味が通らなくなります。
- 出典を文章の最後にまとめて記載してしまう — 参考文献リストのように出典をまとめて末尾に置くと、どの主張がどの出典に対応するかが、AIにとって分かりにくくなります。
この章のまとめ
結論を最後に置く・指示語を多用する・出典を末尾にまとめる。この3つは、カード1枚だけを渡されたAIに意味が伝わらなくなる書き方です。
13よくある質問
RAGはすべてのAI検索エンジンで使われていますか？
多くのAI検索エンジンが採用していますが、実装の細かい設計は事業者ごとに違います。この記事で紹介したGoogle・OpenAI・Anthropicも、検索から生成までの大まかな考え方は同じでも、中の処理は少しずつ違います。
RAGとファインチューニングは何が違いますか？
ファインチューニングは、AIモデル自体の中身(パラメータ)を学習し直す手法です。一方でRAGは、モデル自体はそのままに、外部の情報を検索して参照させる手法です。RAG原論文でも、この2つは別のアプローチとして整理されています。
チャンクの区切り方は、自社で調整できますか？
できません。チャンクの区切り位置を決めているのは、AI検索エンジンやAIツールを提供する事業者側です。私たちの側から直接指定することはできません。この前提があるからこそ、どこで切られても意味が通る書き方が意味を持ちます。
結論先出しにすると、SEO的に不利になりませんか？
そのような報告は、現時点で確認できていません。むしろ、結論を先に知れる文章は人間の読者にとっても読みやすく、離脱を防ぐ効果が見込めます。結論先出しは、AIOにもSEOにも、同時に効く書き方だと考えられます。
チャンクを意識して書くと、不自然な文章になりませんか？
なりません。結論を先に書く・一文で完結させる・出典を明記するという3つは、そもそも人間の読者にとっても読みやすい書き方です。文章を不自然にしてまでRAGに合わせる必要はありません。ただし、極端に短い文を並べすぎると、逆に読みにくくなる場合があります。
14まとめ｜3つの実践原則は、RAGの3段階から生まれている
RAGは「まず探してから、答えを書く」仕組みです。検索(Retrieval)・拡張(Augmentation)・生成(Generation)という3つの段階を通過して、はじめて回答の中に引用されます。
文章はまるごとではなく、数百トークン程度のチャンクという単位で探され、埋め込みによる意味の近さで見つけられ、リランキングという最後の選抜を経て引用されます。結論先出し・一文完結・出典明記という3つの実践原則は、この3段階それぞれを通過しやすくするための、逆算の結果です。
もう一度、3つの実践原則
結論を先に書く
検索(Retrieval)の段階で、チャンクに含まれやすくするためです
一文で完結させる
拡張(Augmentation)の段階で、切り出されても意味が通るようにするためです
出典を明記する
生成(Generation)の段階で、リランキングと引用の紐づけを通過しやすくするためです
AI検索では、こう聞かれています
RAGって何の略ですか？AI検索とどう関係あるんですか？
「そもそもRAGって、AI検索最適化とどう関係する仕組みなんですか？」の章で説明しています
チャンクって何ですか？記事の書き方にどう影響しますか？
「RAGの仕組みでは、文章はAI検索でどのくらいの大きさに区切られて探されているんですか？」の章で図解しています
結論を先に書くと、なぜAI検索に見つかりやすくなるんですか？
「じゃあ、なぜ結論を先に…効くんですか？」の章の表で対応関係を説明しています
AIはどうやって、記事の中からその部分を選んで引用しているんですか？
「最後の生成で、AI検索のAI引用はRAGのどの仕組みで決まるんですか？」の章のリランキングの説明で答えています
次に読むなら、この記事です
