RAG

AIの出力をAIに採点させるLLM-as-a-Judgeの仕組みと、位置・冗長性・自己強化という3つのバイアス、実務での置き方を論文をもとに整理しました。

RAGの精度を「なんとなく」で判断していませんか。検索側のコンテキストリコール／プレシジョンと、生成側の忠実性／応答関連性に分けて測る、RAG評価の基本を整理しました。

ベクトル検索で拾った候補をクロスエンコーダで採点し直すリランキングの仕組みを、一次検索との役割分担・100件だけ並べ替える理由・Cohere Rerankの使い方から整理しました。

RAGの答えがずれる原因は、モデルより先に「文書の切り方」にあります。チャンクの大きさが検索の解像度を決める理由、オーバーラップが効く場面、固定長・区切り文字・構造という3つの分け方の違いを整理しました。

AIが最近の出来事を知らない理由、知識カットオフを整理しました。公式ドキュメントが併記する「信頼できるカットオフ」と「学習データのカットオフ」の違いから、足りない知識を外から渡す考え方まで。

RAG（検索拡張生成）は、質問に関係する文書を検索してプロンプトへ足し、AIに最新・非公開の知識を踏まえて答えさせる仕組み。必要な理由・基本の流れ・ファインチューニングとの違いまで整理しました。