RAGとは

知識問題をLLMの知識で答えるのではなく、外部のデータソース（例えばネット検索結果）から答えさせることでhallucinationを防ぐ技術。

主要なサーベイ¶

サーベイ	範囲
Gao et al. (2023). Retrieval-Augmented Generation for Large Language Models: A Survey	全体。Naive / Advanced / Modular の3段階の分類を定着させた
Sharma (2025). Retrieval-Augmented Generation: A Comprehensive Survey of Architectures, Enhancements, and Robustness Frontiers	アーキテクチャの分類と頑健性
Singh et al. (2025). Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG	Agentic RAG のアーキテクチャ
Li et al. (2025). Towards Agentic RAG with Deep Reasoning: A Survey of RAG-Reasoning Systems in LLMs	推論とRAGの統合（EMNLP 2025 Findings）
Peng et al. (2024). Graph Retrieval-Augmented Generation: A Survey	GraphRAG
Abootorabi et al. (2025). Ask in Any Modality: A Comprehensive Survey on Multimodal Retrieval-Augmented Generation	マルチモーダルRAG
Gan et al. (2025). Retrieval Augmented Generation Evaluation in the Era of Large Language Models: A Comprehensive Survey	評価

パラダイムの変遷¶

RAG研究の大きな流れとしては

検索して、その結果をプロンプトに入れて生成するだけの 固定パイプライン（Naive RAG）
パイプラインの各段を改良する Advanced RAG、部品を組み替え可能にする Modular RAG
LLM自身がいつ・何を検索するかを決め、推論と検索を交互に繰り返す Agentic RAG / Deep Research

と進んできており、並行して知識の表現（グラフ・マルチモーダル）、評価、頑健性の研究が広がっている（Gao et al., 2023）。

Naive RAG¶

「インデックス作成 → 検索 → 生成」の一方向のパイプライン。

問題点：

検索の質が低い（関係ないchunkが混ざる、必要なchunkを取りこぼす）
取ってきた情報を生成でうまく使えない（無視する、矛盾する情報に引きずられる）
複数の情報を組み合わせる必要がある質問（multi-hop QA）に弱い

Advanced RAG¶

検索の前後に処理を追加して改良する。

Pre-retrieval：インデックスの改良（chunking、メタデータ付与）、クエリの改良（書き換え、HyDE、分解）
Post-retrieval：reranking、コンテキストの圧縮・フィルタリング

Modular RAG¶

検索・rerank・書き換え・ルーティング・記憶などを部品として扱い、タスクに応じて組み替える。検索と生成を1回ずつではなく、

Iterative：検索と生成を交互に繰り返す（例：IRCoT はChain-of-Thoughtの1ステップごとに検索する）
Recursive：質問を分解して再帰的に検索する
Adaptive：検索が必要かどうかをモデルが判断する（例：FLARE は生成中に確信度が低いトークンが出たら検索する）

といったフローが提案された。これがAgentic RAGにつながる。

研究の軸¶

Sharma (2025) はRAGの改良を、どこに手を入れるかで次の4つに分類している。

分類	改良の対象	例
Retriever-centric	検索の質	hybrid search、dense retrieverの学習、クエリ書き換え
Generator-centric	取ってきた情報の使い方	コンテキスト圧縮、検索結果に基づく生成への学習
Hybrid	検索と生成の連携	検索器と生成器の同時学習、反復的な検索
Robustness-oriented	ノイズ・攻撃への耐性	無関係・誤った文書への耐性、敵対的攻撃への防御

検索器と生成器の学習¶

初期の研究では、検索器と生成器を一緒に学習する方向が主流だった。

Lewis et al. (2020)：元祖RAG。DPR（検索器）とBART（生成器）をend-to-endで学習
RETRO (Borgeaud et al., 2021)：事前学習の段階から検索を組み込む
Atlas (Izacard et al., 2022)：少数ショットでの検索拡張言語モデル

LLMが大きくなりAPI経由で使うのが主流になると、LLMは固定して周辺だけ調整する方向が増えた。

REPLUG (Shi et al., 2023)：LLMをブラックボックスとして扱い、LLMの出力をもとに検索器だけを学習する
RA-DIT (Lin et al., 2023)：検索結果を使うようにLLMをinstruction tuningする

RAGと推論の統合（Deep Research）¶

2025年以降、推論モデル（o1、DeepSeek-R1など）の登場によって最も活発になっている領域。

Li et al. (2025) はこれを3つに整理している。

分類	内容
Reasoning-enhanced RAG	推論によってRAGの各段（クエリ作成、検索結果の評価、統合）を改良する
RAG-enhanced reasoning	検索で推論に足りない前提知識を補う
Synergized RAG-reasoning	エージェント的なLLMが推論と検索を交互に繰り返す

最後のSynergized型の代表が、強化学習で検索の使い方を学習させる手法。

Search-R1 (Jin et al., 2025)：推論の途中で検索クエリを発行し、検索結果を受け取って推論を続けるという軌跡を、最終回答の正誤だけを報酬とする強化学習で学習する。検索結果のトークンは損失計算から除外（mask）する
R1-Searcher (Song et al., 2025)、DeepResearcher (Zheng et al., 2025) など多数の後続研究がある

OpenAI・Google・AnthropicなどのDeep Research機能はこの方向の製品化にあたる。人間が組んだパイプライン（どう検索するか）から、学習されたポリシー（どう検索するかをモデルが決める）への移行と見ることができる。

知識の表現¶

GraphRAG¶

chunkの集合ではなく、エンティティと関係のグラフとして知識を持つ。Peng et al. (2024) は

Graph-based indexing：文書からグラフを作る
Graph-guided retrieval：グラフ上の探索で情報を取る
Graph-enhanced generation：関係の情報を使って生成する

の3段階に整理している。

Microsoft GraphRAG (Edge et al., 2024)：LLMで知識グラフを作り、コミュニティ検出でクラスタに分けて各クラスタの要約を作る。「このデータセット全体の主なテーマは？」のような、特定のchunkには答えがない大域的な質問（query-focused summarization）に強い
LightRAG (Guo et al., 2024)：グラフとベクトル検索を組み合わせた軽量版
HippoRAG (Gutiérrez et al., 2024)：海馬の記憶索引理論に着想を得て、知識グラフ上でPersonalized PageRankを使って検索する

PageIndex の木構造インデックスも、構造化された知識表現の一種と見ることができる。

マルチモーダルRAG¶

テキスト以外（画像・表・図・音声・動画）を検索・生成に使う。

特に実務で重要なのが、PDFなどの文書をOCRやパースせずに ページ画像のまま 検索する手法。ColPali (Faysse et al., 2024) はVision Language Modelでページ画像を埋め込み、ColBERT型のlate interactionで検索する。図表やレイアウトの情報を失わずに済む。