昨年初め、「RAGは死んだ。長コンテキストモデルがすべてを置き換える」と予測する声がありました。結果はどうなったか？RAGは死ぬどころか、進化を遂げました。
RAGからコンテキストエンジンへ
RAGは元々「検索拡張生成」を意味し、外部データベースから情報を取得してモデルに与える手法でした。しかし2025年末までに、この概念はより広義の「コンテキストエンジニアリング」へと拡大しました。
核となるロジックは変わりません。モデルが必要なコンテキスト情報を動的に取得できるようにすることです。ただし手法は、単純な「ベクトル検索＋結合」から、インテリジェントなコンテキスト組み立てシステムへと進化しました。
長コンテキストがRAGを代替しなかった理由
理論上、100万トークンのコンテキストウィンドウには多くの情報を詰め込めます。しかし現実は異なります。
- コスト：毎回100万トークンを送るとAPI費用が持たない
- 精度：コンテキストが長いほど検索精度は低下する（Opus 4.6は100万トークンで76%しか達成できない）
- レイテンシ：コンテキストを詰め込むと処理時間が長くなる
RAGの核となる利点はオンデマンド検索、つまり最も関連性の高い情報だけを取得し、無駄な情報を入れないことです。この利点はコンテキストウィンドウが大きくなっても消えません。
2025年の技術的進展
ハイブリッド検索：セマンティック検索、キーワード検索、ナレッジグラフを組み合わせることで、どの単一手法よりも安定して優れた結果が得られます。
GraphRAG：知識をグラフ構造に抽出し、階層的に整理することで推論能力を向上させます。
マルチモーダルRAG：画像、音声、表、動画の埋め込みも検索対象に含めます。
企業導入の深化
2025年までに、中堅・大企業はRAGインフラを体系的に構築していました。「RAGをインフラとする」という概念が現実のものとなり、特定のアプリケーションのコンポーネントではなく、すべてのAIアプリケーションが共有する基盤能力となっています。
AIエージェントにとって、RAGはさらに不可欠です。エージェントはタスクを実行するためにプライベートデータから正確に情報を取得する必要があり、これはまさにRAGが最も得意とする分野です。
「習得は容易、熟達は困難」がRAGの最大の課題です。デモ版のRAGシステムはすぐに構築できますが、本番レベルの精度と安定性を達成するには、多大なチューニング作業が必要です。
出典：CocoLoop、RAGFlow年間レビュー