RAGとは何か？研究開発での活用方法と限界を分かりやすく解説

生成AIに社内の実験報告書や最新論文について質問しても、期待した回答が得られないことがあります。大規模言語モデル（LLM）が、学習時に含まれていない情報や、組織固有の情報を知らないためです。

この問題への代表的なアプローチが、RAG（Retrieval-Augmented
Generation：検索拡張生成）です。

RAGは、生成AIに新しい知識をすべて学習し直させるのではなく、質問に関係する文書を検索し、その内容を参照させて回答を生成します。研究開発では、論文調査、過去の実験条件の探索、装置マニュアルの参照、技術報告書の横断検索などへの活用が期待されています。

一方、RAGを導入すればハルシネーションがなくなるわけではありません。検索漏れ、古い文書の混入、表や図の読み落とし、無関係な文書による誤誘導など、RAG特有の失敗もあります。

本記事では、10年以上の素材開発と8年以上の統計解析・マテリアルズインフォマティクスなどのインフォマティクス活用経験を踏まえ、RAGの仕組み、研究開発での用途、限界、結果の確認方法を整理します。

研究開発における生成AI全体の使い方は、「研究者の生成AI活用ガイド｜論文調査・実験計画・データ解析・執筆の使い方」で整理しています。

この記事の結論
RAGは、LLMに正解を保証する技術ではありません。必要な根拠を検索して回答時に渡し、出典を追跡しやすくする技術です。成果を左右するのは、LLMの性能だけでなく、文書の品質、検索設計、アクセス権限、評価データ、利用者による検証です。

RAGとは何か

RAGは、情報検索（Retrieval）と文章生成（Generation）を組み合わせる仕組みです。

通常のLLMは、学習によってモデル内部のパラメーターに獲得した知識を使って回答します。これに対してRAGは、質問を受け取った時点で外部の文書やデータベースを検索し、見つかった情報を質問と一緒にLLMへ渡します。

RAGの基礎となった2020年の研究では、モデル内部の「パラメトリックな記憶」と、外部の検索可能な「非パラメトリックな記憶」を組み合わせる構成が提案されました。

RAGを一言で表すなら、次のようになります。

LLMにすべてを記憶させるのではなく、必要な資料をその都度探してから回答させる仕組み

人に例えると、記憶だけで質問に答えるのではなく、関連する論文や実験ノートを机に並べ、根拠を確認しながら回答する方法に近いといえます。

RAGの基本的な仕組み

一般的なRAGは、次の5段階で動作します。

1. 文書を収集する

最初に、RAGが参照する文書群を決めます。研究開発では、公開論文だけでなく、次のような組織内情報が重要になります。

• 実験報告書
• 電子実験ノート
• 分析・測定手順書
• 装置マニュアル
• 技術会議の議事録
• 特許調査資料
• 品質異常やトラブルの記録
• 材料や試薬の仕様書

RAGは、登録された文書にない情報を検索できません。したがって、最初から「社内情報をすべて入れる」のではなく、対象業務と質問範囲を決めて文書を選ぶことが重要です。

2.
文書を分割し、検索できる形にする

長い文書は、チャンクと呼ばれる小さな単位に分割されます。各チャンクをベクトルに変換する埋め込みモデルを使い、意味の近さを比較できるようにする方法が一般的です。

ただし、単純に一定文字数で分割すると、実験条件と結果、図とキャプション、表の見出しと数値が別々になることがあります。

研究開発文書では、次の情報を可能な限り保持する必要があります。

• 文書名と版
• 作成日、更新日
• 著者、部門、テーマ
• 実験番号、サンプル番号
• 材料、組成、処理条件
• 測定法、単位、装置
• 図表とその説明
• 公開範囲、機密区分

3.
質問に関連する情報を検索する

ユーザーの質問もベクトル化し、類似するチャンクを取得します。キーワード検索、ベクトル検索、両者を組み合わせたハイブリッド検索が使われます。

研究文書では、意味が似ているだけでなく、化学式、製品番号、装置名、規格番号などの完全一致が重要です。そのため、ベクトル検索だけでなく、キーワードやメタデータによる絞り込みを組み合わせる方が適している場合があります。

4.
検索結果を使って回答を生成する

取得した文書断片と質問をLLMへ渡し、「この資料の範囲で回答する」「根拠がない場合は不明とする」などの指示を与えます。

ここでLLMは、検索結果をそのまま表示するのではなく、複数の情報を統合して自然な文章にします。この柔軟性がRAGの強みですが、同時に誤った要約や過度な一般化が入り込む余地にもなります。

5. 回答と出典を対応付ける

研究用途では、回答だけでなく、どの文書のどの部分に基づいたかを確認できることが重要です。

単に文末へ参考文献を付けるだけでなく、主要な主張ごとに、文書名、ページ、該当箇所へ戻れる設計が望まれます。出典が表示されても、その出典が実際に主張を裏付けているとは限らないため、引用整合性の確認も必要です。

なぜ研究開発とRAGは相性がよいのか

研究開発では、一般公開情報と組織固有情報が混在し、情報量が多い一方で、根拠の追跡が求められます。この特徴がRAGと比較的よく合います。

最新情報を回答時に追加できる

LLMを再学習しなくても、新しい論文、更新された規格、最新の実験報告書を検索対象へ追加できます。

ただし、索引の更新が遅れれば回答も古いままです。「RAGだから最新」ではなく、文書の追加と再索引が適切に運用されていることが条件になります。

組織固有の知識を利用できる

公開モデルが知らない社内用語、材料コード、装置条件、過去の試行錯誤を回答に反映できます。知識をモデルの重みに直接学習させる場合と比べ、文書の追加・削除・権限変更を管理しやすい利点があります。

根拠へ戻りやすい

検索した文書と回答を対応付ければ、利用者は原文へ戻って確認できます。これは、結論だけでなく条件や例外が重要な研究業務で大きな利点です。

同じ情報を複数業務で利用できる

整備した文書基盤を、文献調査、実験計画、分析相談、装置支援、教育などへ展開できる可能性があります。ただし、用途によって求める検索精度や許容できる誤りは異なるため、一つの評価結果をすべての用途へ当てはめることはできません。

研究開発におけるRAGの活用例

1. 論文・特許の横断調査

複数の論文や特許から、材料、合成条件、評価方法、性能を抽出し、共通点と相違点を整理します。

科学文献向けRAGエージェントPaperQAは、全文論文から関連箇所を検索し、情報源の関連性を評価して回答を生成する仕組みを示しました。2026年にNatureで報告されたOpenScholarは、4,500万件のオープンアクセス論文を対象とした検索基盤と自己フィードバックを組み合わせ、科学文献の検索・統合におけるRAGの可能性を示しています。

一方、OpenScholarの研究では、比較対象となった汎用モデルが、最新文献の引用を求める特定の評価条件で存在しない引用を高頻度に生成しました。これは、もっともらしい引用形式だけを信頼せず、文献の実在と主張との対応を確認する必要性を示します。

2. 過去の実験条件と結果の探索

「同じ樹脂を使った過去テーマ」「この触媒で収率が低下した条件」「類似する画像異常が出たロット」などを検索します。

単なるファイル検索と異なり、言い回しが違う文書も意味の近さから発見できる可能性があります。ただし、実験単位、サンプル番号、条件、結果の対応が文書内で崩れていると、誤った組み合わせを回答する恐れがあります。

3. 実験計画の検討支援

過去の報告書や文献から、検討済み条件、観測された課題、未検討領域を整理し、次の実験候補を提案させます。

この用途では、RAGが検索した過去知見と、LLMが新たに推論した提案を区別して表示する必要があります。根拠文書に書かれていない仮説を、過去の事実のように扱わないためです。

4. 装置・分析手順の支援

装置マニュアル、標準作業手順書、トラブル事例を検索し、操作や原因確認の入口を示します。科学施設での研究では、施設文書を検索するRAGとツール利用を組み合わせ、装置運用や実験支援へ利用する可能性が報告されています。

ただし、安全に関わる操作や装置制御を、RAGの回答だけで自動実行すべきではありません。手順書の版、装置の状態、利用者権限を確認し、人による承認を設ける必要があります。

5. 技術教育とナレッジ継承

新人や異動者が、用語、測定原理、過去事例を対話形式で確認できます。回答から原資料へ移動できれば、検索時間を短縮しながら正式文書も学べます。

一方、熟練者の暗黙知が文書化されていなければ、RAGでも取得できません。RAG導入は、文書不足や記録形式の不統一を可視化する取り組みにもなります。

RAG、長文入力、ファインチューニングの違い

RAGと似た目的で使われる方法に、長文コンテキストとファインチューニングがあります。

長いコンテキストへ全資料を入れれば検索が不要になるとは限りません。「Lost
in the
Middle」の研究では、重要な情報が長い入力の中央に置かれたとき、モデルの利用性能が低下する傾向が報告されました。

また、RAGとファインチューニングは排他的ではありません。RAFTの研究では、関連文書と無関係な文書が混在する状況で、必要な根拠を選んで回答するようモデルを調整する方法が提案されています。

RAGの限界：導入してもハルシネーションはなくならない

RAGはハルシネーションを抑える可能性がありますが、ゼロにはできません。RAGの誤りは、少なくとも「文書」「検索」「生成」の3段階で発生します。

1.
必要な文書が登録されていない

正解を含む文書が知識ベースに存在しなければ、検索器は取得できません。未登録の情報について、LLMが一般知識や推測で回答することがあります。

対策として、回答できる範囲を明示し、根拠が見つからない場合に「該当資料なし」と返す条件を設定します。

2. 関連文書を検索できない

文書は存在していても、質問の表現と文書の表現が異なる、略語が違う、表や画像に情報があるといった理由で検索に失敗します。

RAGの評価は最終回答だけでは不十分です。RAGCheckerなどの研究でも、検索部分と生成部分を分けて診断する必要性が示されています。

3.
無関係な文書が回答を誤らせる

検索上位に入った文書が、質問と少し似ているだけで実際には無関係な場合があります。検索情報の追加が性能を下げるケースや、無関係だが紛らわしい文書がLLMを誤誘導する「distracting
effect」も報告されています。

検索件数を増やせば必ず改善するわけではありません。必要な情報の再順位付けと、無関係な情報を除外する仕組みが重要です。

4. 文書同士が矛盾する

旧版と新版、異なる試験条件、相反する論文が同時に検索されることがあります。LLM内部の知識と検索文書が衝突する場合もあります。

このとき、単一の結論へ強引に統合せず、日付、版、条件、情報源を示して矛盾を報告させる設計が必要です。

5. 検索文書を誤って要約する

正しい文書を取得できても、否定表現、条件付きの結論、数値、単位、比較対象を誤読する可能性があります。

特に材料・化学分野では、温度、濃度、時間、雰囲気、前処理、測定法が一つ違うだけで意味が変わります。生成された要約だけでなく、該当箇所を原文で確認できる必要があります。

6. 図表・数式・画像を扱いにくい

PDFから抽出したテキストでは、表の行列関係、上付き・下付き文字、数式、図とキャプションの対応が崩れることがあります。OCRの誤りも検索結果へ影響します。

テキスト化の成功率だけでなく、実際に必要な数値や条件が正しく再構成されているかを評価する必要があります。

7.
出典表示が正しさを保証しない

表示された出典が実在しても、その文書が回答中の主張を裏付けていない場合があります。引用の有無ではなく、主張と根拠の対応を確認します。

8.
機密情報とアクセス権限の問題がある

研究データには、未公開の発明、共同研究情報、個人情報、輸出管理対象情報などが含まれる可能性があります。

RAGでは、検索結果そのものが情報漏えいの経路になり得ます。利用者ごとの閲覧権限を検索段階で反映し、入力・出力ログ、外部APIへの送信範囲、データ保存地域、削除手順を確認する必要があります。

9.
文書を介したプロンプトインジェクションがある

検索対象の文書やWebページに「以前の指示を無視せよ」などの命令が埋め込まれていると、LLMがそれを指示として解釈する危険があります。

外部文書を信頼できない入力として扱い、文書内容とシステム指示を分離すること、ツール実行やデータ送信に承認を設けることが必要です。

10.
評価と運用に継続的なコストがかかる

文書の更新、索引の再作成、検索モデルの変更、質問傾向の変化によって性能は変動します。導入時の評価だけでなく、運用後も代表質問、検索結果、回答、出典整合性を定期的に確認する必要があります。

疑似的な材料開発データでRAGの効果と失敗を考える

まず、月面建設材料の研究を想定した架空の技術報告書を使い、RAGなし、単純なRAG、検索条件を整えたRAGで起こり得る違いを整理します。その後、同じ疑似文書を使ってローカルRAGを実際に動かした結果を示します。筆者の業務領域や所属企業の事業とは関係のない題材です。

以下の文書、材料名、数値はすべて説明用に作成した疑似データです。特定の製品や実験結果を示すものではなく、特定のLLM製品の性能比較でもありません。

検証に使う3件の疑似報告書

報告書AとBは同じ月面レゴリス模擬土LS-01を扱っていますが、焼結方法と評価項目が異なります。報告書Cは熱サイクル後の値が高いものの、質問対象とは異なる火星レゴリス模擬土MS-02です。

RAGへ入力する質問

月面レゴリス模擬土LS-01について、－150℃から120℃までの熱サイクルを100回与えた後の圧縮強度が確認できる焼結条件を示してください。初期強度、熱サイクル後強度、強度保持率、出典も示してください。資料にない値は推測しないでください。

この質問に対する期待値は、報告書Bを根拠とした次の回答です。

• 焼結条件：マイクロ波焼結1100℃×20分
• 初期圧縮強度：48.3 MPa
• －150℃⇔120℃、100サイクル後：34.1 MPa
• 強度保持率：34.1 ÷ 48.3 × 100 ＝ 70.6%
• 出典：報告書B「LS-01熱サイクル耐久性評価 v2」

保持率は文書に直接記載されていない想定です。そのため、文書から取得した二つの値と、AIが計算した派生値を区別して表示する必要があります。

条件1：RAGなしで回答させる

RAGを使わないLLMは、疑似報告書の内容を知りません。適切な回答は「与えられた情報だけでは確認できない」です。

しかし、モデルによっては次のような一般論を返す可能性があります。

焼結温度を高めると緻密化が進むため、100回の熱サイクル後も30～40
MPa程度を維持すると考えられます。

文章としては自然ですが、LS-01の実測値でも、報告書に基づく回答でもありません。RAGなしで組織固有データを問う場合は、回答を控えられるかが重要な評価項目になります。

条件2：ベクトル類似度だけの単純なRAG

次に、文書を短く分割し、ベクトル類似度だけで上位1件を取得する単純なRAGを想定します。

質問には「LS-01」「圧縮強度」「焼結条件」が含まれるため、報告書Aが最上位になる可能性があります。ところが報告書Aには、熱サイクル後のデータがありません。

それでもLLMが不足部分を補ってしまうと、次のような誤答が生じます。

LS-01は真空ホットプレスで1050℃、30分焼結し、100回の熱サイクル後の圧縮強度は42.6
MPaです。出典は報告書Aです。

42.6
MPaは初期値であり、熱サイクル後の値ではありません。文書自体は実在し、模擬土名も一致しているため、出典付きでも誤りを見抜きにくい例です。

この失敗は、生成段階だけでなく、次の問題が連鎖して起こります。

1. 検索器が「100サイクル後の測定あり」を考慮していない
2. 取得件数が1件で、報告書Bが候補から外れた
3. LLMが未測定値と初期値を区別しなかった
4. 根拠にない値を推測しないという制約が機能しなかった

条件3：メタデータと再順位付けを組み合わせたRAG

検索条件を次のように改善します。

• 模擬土コードを LS-01 に完全一致させる
• 評価項目を －150℃⇔120℃、繰り返し数を
  100サイクル で絞る
• 初期値と処理後値の両方を含むチャンクを優先する
• 文書の版情報を保持し、同一テーマでは新しい版を優先する
• 上位候補を再順位付けし、質問への回答可能性を評価する

この条件では、報告書Bが検索上位に入ります。期待される回答は次のようになります。

月面レゴリス模擬土LS-01で－150℃から120℃までの熱サイクルを100回与えた後の圧縮強度が確認できるのは、マイクロ波焼結1100℃×20分の条件です。初期圧縮強度は48.3
MPa、熱サイクル後は34.1
MPaで、強度保持率は70.6%です。初期値と熱サイクル後の値は報告書B「LS-01熱サイクル耐久性評価
v2」に記載され、保持率は両値から計算しました。

この回答では、対象材料、処理条件、数値、単位、出典がそろい、文書記載値と計算値も区別されています。

3条件で想定される違い

追加すべき「答えのない質問」テスト

RAGの評価では、正解のある質問だけでなく、文書に答えがない質問も含めます。

例えば、次の質問です。

月面レゴリス模擬土LS-01に200回の熱サイクルを与えた後の圧縮強度を示してください。

3件の疑似報告書には100サイクルまでしか記載されていません。したがって適切な回答は、100サイクル後の34.1
MPaを示したうえで、「200サイクル後の値は資料内にないため回答できない」とすることです。

100サイクルの結果から200サイクル後を外挿して答えると、もっともらしい数値でも文書に基づくRAG回答ではありません。研究用途では、正答率と同時に、このような棄権性能を確認する必要があります。

この想定例から分かること

この例が示すのは、RAGの有無だけを比較しても不十分だということです。

• 正解文書が検索対象に含まれているか
• 必要な文書が上位に取得されたか
• 異なる天体の模擬土や焼結条件を除外できたか
• 初期値と処理後値を区別できたか
• 文書記載値と計算値を分けたか
• 出典が回答中の主張を実際に支えているか
• 資料にない質問へ回答を控えられたか

を個別に評価する必要があります。

実際の導入では、材料コード、組成、処理条件、測定法、単位、評価時点などを正解データとして持つテストセットを作り、検索と生成のどちらで誤ったかを記録すると改善しやすくなります。

ローカルRAGで実際に再現試験した結果

上記の想定が実際のRAGでも起こるかを確認するため、2026年9月30日（日本時間）にOllamaを使ったローカル環境で再現試験を行いました。データ、質問、実行スクリプト、応答全文を保存し、モデルの重みはSHA-256で固定しています。

埋め込み検索では、改善RAGが報告書Bを1位で取得し、コサイン類似度は0.926895でした。一方、単純RAGも報告書B由来のチャンクを1位で取得しましたが、80文字で切れたチャンクは「－15」の途中で終了し、100サイクル後の34.1
MPaを含んでいませんでした。つまり、正しい文書を選べても、チャンクに必要情報がそろわなければ回答できないことが実測でも確認できました。

改善RAGは5回とも、初期圧縮強度48.3 MPa、100サイクル後34.1
MPa、出典の報告書Bを正しく抽出しました。しかし、焼結条件の「マイクロ波焼結1100℃、20分」を回答から落とし、強度保持率を5回とも70.5%と出力しました。正しい計算は次のとおりです。

34.1 ÷ 48.3 × 100 ＝ 70.6004…% → 小数第1位で
70.6%

この結果は、RAGが正しい根拠を検索しても、LLMによる数値計算や回答の網羅性まで保証されないことを示します。研究開発用途では、検索成功、数値抽出、派生値の計算、要求項目の充足を別々に評価し、計算はPythonなどの決定論的な処理へ渡す設計が安全です。

改善RAGの項目別評価

試行回数に関する注記：5回の実行は、temperature 0、seed 42を固定した同一条件での再現性確認です。モデル出力の統計的なばらつきを評価した試験ではありません。出力の頑健性を評価する場合は、seedやtemperatureを変えた追加試験が必要です。

なお、今回のコーパスは3文書、質問は2件だけの小規模な説明用試験です。モデル一般の優劣を示すベンチマークではありません。実システムでは質問数、文書形式、表・図、版違い、類似材料、アクセス権限を増やして評価する必要があります。

RAGに向いている業務、向いていない業務

RAGは「検索できる資料を根拠として提示する業務」で力を発揮します。一方、文書に答えがない課題、厳密な計算、最終的な意思決定では、専用ツールや専門家による確認が必要です。

研究開発向けRAGを評価する7つの観点

デモで自然な回答が返るだけでは、RAGの品質を判断できません。最低限、次の観点を分けて評価します。

1. 対象範囲：どの文書と質問に答えるシステムか
2. 検索再現率：必要な根拠が検索結果に含まれるか
3. 検索適合率：無関係な文書が上位に混ざっていないか
4. 回答の正確性：条件、数値、単位、結論が正しいか
5. 忠実性：回答が取得文書の範囲を逸脱していないか
6. 引用整合性：各主張を出典が実際に支えているか
7. 棄権性能：根拠がないときに無理に答えないか

研究開発では、単純な正答率に加えて、重要条件の欠落、旧版参照、機密情報の越権取得など、業務上のリスクを反映したテストケースを作ることが重要です。

評価用質問の例

• 特定材料の過去の配合と評価結果を、実験番号付きで示せるか
• 条件が異なる二つの報告書を混同しないか
• 最新版の手順書を優先できるか
• 表にしかない数値を正しく取得できるか
• 答えのない質問に「資料内では確認できない」と回答できるか
• 権限のない文書を検索結果や回答へ出さないか

研究者がRAGの回答を確認する手順

実務では、次の順で確認すると誤りの場所を特定しやすくなります。

1. 質問の範囲と条件を具体化する
2. 取得された文書名、版、日付を確認する
3. 必要な根拠が検索結果に含まれるか確認する
4. 回答中の数値、単位、条件を原文と照合する
5. 事実とAIによる推論を分ける
6. 矛盾する文書や反証がないか再検索する
7. 重要な判断は原資料と専門家レビューで確定する

生成AIによる統計解析の確認方法については、「生成AIに統計解析を任せてよい？よくある誤りと検証方法」で疑似データを使って解説しています。

生成AI技術全体の流れは、「生成AIはどう進化した？TransformerからRAG・Chain
of Thought・AIエージェントまで」をご覧ください。

RAGは研究者の代わりではなく、根拠への入口である

RAGの価値は、LLMを「何でも知っている専門家」に変えることではありません。必要な文書を見つけ、複数の情報を整理し、原資料へ戻るまでの時間を短縮することにあります。

研究開発で重要なのは、答えが自然かどうかではなく、次の点です。

• 必要な情報を取得できたか
• どの資料に基づくか
• 条件や例外を落としていないか
• 根拠がない部分を推測していないか
• 同じ質問とデータから結果を再確認できるか

RAGを導入すると、LLMのハルシネーションという一つの問題が消えるのではなく、文書品質、検索、生成、権限管理を含むシステム全体の品質管理へ課題が広がります。この前提を理解し、小さな対象業務と評価セットから始めることが現実的です。

まとめ

RAGは、質問に関連する外部情報を検索し、その内容をLLMへ渡して回答を生成する技術です。

研究開発では、論文・特許調査、過去の実験探索、装置支援、実験計画、ナレッジ継承などに活用できます。最新情報や組織固有情報を扱い、出典へ戻りやすい点が強みです。

一方で、次の限界があります。

• 登録されていない情報は取得できない
• 検索漏れや無関係な文書の混入がある
• 文書の矛盾や版の違いを誤って統合する
• 正しい文書を誤って要約することがある
• 図表、数式、単位の扱いが難しい
• 出典表示だけでは正しさを保証できない
• 機密情報、アクセス権限、セキュリティ対策が必要

RAGは、正解を自動的に保証する仕組みではありません。研究者が根拠を確認できる形で、情報探索と整理を支援する仕組みとして設計することが重要です。

よくある質問

RAGを導入すればハルシネーションはなくなりますか？

なくなりません。根拠文書を回答時に与えることで抑えられる可能性はありますが、検索漏れ、無関係な文書、誤要約、引用の不一致などが残ります。根拠がない場合に回答を控える仕組みと、検索・生成を分けた評価が必要です。

RAGと生成AIへの追加学習は同じですか？

異なります。RAGは回答時に外部情報を検索して渡します。追加学習やファインチューニングはモデルのパラメーターを更新します。更新される知識や出典提示にはRAG、出力形式や特定タスクへの適応にはファインチューニングが向く場合があります。

ベクトルデータベースを使えばRAGになりますか？

ベクトルデータベースはRAGの検索に利用される構成要素の一つです。文書収集、分割、メタデータ、検索、再順位付け、回答生成、引用、評価、権限管理まで含めてRAGシステムを考える必要があります。

長いPDFをそのまま生成AIへ渡す方法との違いは何ですか？

対象文書が少ない一時的な分析では、長文入力が簡単な場合があります。RAGは、多数の文書から必要部分を選び、継続的に更新し、出典と権限を管理する用途に向きます。ただし、検索設計と運用の負担が増えます。

研究開発で最初にRAGを試すなら、どの業務がよいですか？

正解を含む文書が明確で、質問例と専門家レビューを準備できる業務が適しています。例えば、限定した装置マニュアルの検索、特定テーマの報告書探索、正式手順書の参照などです。最終判断や装置操作を伴わない用途から始める方が安全です。

参考文献

1. Lewis P, et al. Retrieval-Augmented Generation
   for Knowledge-Intensive NLP Tasks. 2020.
2. Gao Y, et al. Retrieval-Augmented Generation
   for Large Language Models: A Survey. 2023.
3. Lála J, et al. PaperQA:
   Retrieval-Augmented Generative Agent for Scientific Research.
   2023.
4. Liu NF, et al. Lost in
   the Middle: How Language Models Use Long Contexts. 2023.
5. Yoran O, et al. Making
   Retrieval-Augmented Language Models Robust to Irrelevant Context.
   2023.
6. Zhang T, et al. RAFT:
   Adapting Language Model to Domain Specific RAG. 2024.
7. Ru D, et al. RAGChecker:
   A Fine-grained Framework for Diagnosing Retrieval-Augmented
   Generation. 2024.
8. Prince MH, et al. Opportunities
   for retrieval and tool augmented large language models in scientific
   facilities. npj Computational Materials. 2024.
9. Amiraz C, et al. The
   Distracting Effect: Understanding Irrelevant Passages in RAG.
   2025.
10. Asai A, et al. Synthesizing
    scientific literature with retrieval-augmented language models.
    Nature. 2026.

ABOUT ME

モス

材料開発・データ解析の実務経験と、ベンチプレス180kg到達までの実践をもとに、筋トレ・データサイエンス・英語の情報を発信しています。

BLOG：https://www.mos-lantana.com