RAG vs 単体LLM（知識の外部参照）

RAG（Retrieval-Augmented Generation）と**単体LLM（Large Language Model）**の比較において、「知識の外部参照」という観点から違いを詳しく説明します。

概要

比較項目	RAG	単体LLM
知識の参照元	外部ドキュメント（検索による取得）	モデルに事前学習された内部パラメータ
知識の更新	ドキュメントの差し替えで容易	再学習（ファインチューニング）が必要
応答の柔軟性	最新・ドメイン特化の情報に対応可能	知識のカバー範囲は事前学習時点まで

知識の外部参照における違い

1. 知識の保持場所

単体LLMは事前学習により知識をモデルのパラメータ内部に保持します。例としてGPTやPaLMなどがあります。
- これにより、高速な応答が可能ですが、知識は固定されており新しい情報への対応が困難です。
RAGは知識を**外部ドキュメント（例：Wikipedia、社内文書）**に保持し、それを検索して利用します。
- 生成前にRetrieverが関連文書を検索し、それをGeneratorが参照することで、動的な知識参照が可能です。

2. 更新性と拡張性

単体LLMは知識を更新するために再学習（ファインチューニングや再事前学習）が必要であり、時間・コストが高いです。
RAGは参照するドキュメントベースを入れ替えるだけで知識を更新でき、即時性が高いのが特長です。

3. 応答の信頼性と出典

単体LLMは出典を明示できないため、**幻覚（hallucination）**のリスクがあります。
RAGはRetrieverが返すドキュメントを参照して回答を生成するため、情報の出典を明示しやすいです。

使用シナリオにおける使い分け

利用目的	適したモデル
雑談・一般常識	単体LLM（応答速度重視）
最新ニュースの回答	RAG（動的情報取得）
法律・医学などの専門分野	RAG（正確な文献参照が可能）
APIやコードの一般的な解説	単体LLM（トレーニング済み知識で対応可）

まとめ

観点	RAG	単体LLM
外部知識参照	可能（Retrieverで検索）	不可（内部知識のみ）
知識更新のしやすさ	高い（ドキュメント差し替え）	低い（再学習が必要）
出典の提示	容易（参照元を出力可）	困難（暗黙の記憶）
幻覚の抑制	比較的可能（外部情報で裏付け）	難しい（誤情報を生成しやすい）

生成日：2025/06/07