RAGは無料で試せますか？

はい。GoogleのGemini Notebook（旧NotebookLM）には無料で使える範囲があり、2026年8月時点ではノートブック100個、1ノートブックあたりソース50個、1ソース50万語、ローカルからのアップロードは1ファイル200MBまでとされています。上限は変わることがあるため、最新の値は公式ヘルプで確認してください。

RAGを使えばAIは嘘をつかなくなりますか？

減らすことはできますが、ゼロにはなりません。RAGは答えの根拠を手元の資料に寄せる仕組みなので、元の資料が間違っていれば答えも間違います。また、検索で関連部分を拾えなかった質問には答えられません。出典を確認できる状態で使うことが前提です。

RAGとファインチューニング、どちらを選ぶべきですか？

知識を足したいならRAG、話し方や出力形式を覚えさせたいならファインチューニングです。頻繁に更新される情報を扱う場合は、資料を差し替えるだけで済むRAGのほうが手間もコストも抑えられます。両方を組み合わせることもできます。

ローカルでRAGを動かすにはグラボが必須ですか？

必須ではありません。Ollamaの公式ドキュメントには、GPUを使わずCPUだけで実行する方法も示されています。ただし待ち時間は長くなります。実用的な速さを求めるなら、VRAMに余裕のあるGPUを載せたPCのほうが快適です。

RAGを使うのにプログラミングの知識は必要ですか？

体験するだけなら不要です。Gemini Notebookのように、資料をアップロードして質問するだけでRAGの流れをそのまま利用できるサービスがあります。自分で仕組みを組み立てて社内システムに組み込む段階になると、開発の知識が必要になります。

RAGとは？AIに自分の資料を読ませる仕組みと必要なPCスペックを解説

2026年8月23日

当ページのリンクには広告が含まれています。

「AIに社内のマニュアルを読ませたい」「手元のPDFの内容だけで答えてほしい」。そう思って調べると必ず出てくるのがRAGという言葉です。ただ、検索して出てくる解説はほとんどが企業向けで、個人が何をすればいいのかまでは書かれていません。

RAG（検索拡張生成）は、ひとことで言えば「AIに手元の資料を先に読ませてから答えさせる」仕組みです。名前は難しそうに見えますが、考え方そのものはとてもシンプルで、しかも今日から無料で体験できます。

この記事では、RAGの流れを4ステップで整理したうえで、無料で試す方法と、自分のパソコンで動かす場合に見るべきスペックの考え方までをまとめます。数値と日付はすべて2026年8月23日に公式ドキュメントで確認したものです。

この記事の結論

RAGは、AIに新しい知識を「覚えさせる」のではなく、答える直前に「引かせる」仕組み。まず体験するならGemini Notebook（旧NotebookLM）、外に出せない資料を扱うなら自分のPCで動かす、という二択が現実的です。

RAG＝Retrieval-Augmented Generation（検索拡張生成）。読み方は「ラグ」
学習をやり直さずに最新情報や手元の資料を反映でき、答えの出典も示せる
自分のPCで動かすなら、モデル本体のサイズ＋資料を読ませる分の余裕がメモリ・VRAMに載るかが目安

RAGとは？AIに「自分の資料」を読ませる仕組み

RAGとは、AIが答えを作る前に、学習していない外部の資料を検索して参照させる仕組みのことです。正式名称はRetrieval-Augmented Generation、日本語では検索拡張生成と訳され、読み方は「ラグ」。AIそのものを作り替えるのではなく、答えるときに見る資料を横から差し出す、という発想です。

AWSの公式解説では、RAGは「大規模な言語モデルの出力を最適化するプロセス」であり、応答を生成する前にトレーニングデータソース以外の信頼できる知識ベースを参照するもの、と定義されています（2026年8月23日確認）。

「暗記だけで答える」から「参考書を開いて答える」へ

イメージしやすいのは試験です。ふつうの生成AIは、暗記した知識だけで答案を書く受験生に近い状態。覚えていないことは書けませんし、うろ覚えのまま自信満々に書いてしまうこともあります。

RAGはそこに参考書の持ち込みを許可した状態です。関係のありそうなページを先に開いて確認してから答えを書くので、AIが学習していない社内規定や、昨日保存したばかりの見積書についても答えられます。

RAGが必要とされる2つの理由

AWSは、RAGが求められる背景として、大規模言語モデル単体が抱える課題を2つ挙げています。ひとつは「答えがないのに虚偽の情報を提示すること」、もうひとつは「古くなった、または一般的な情報を提示する」ことです。

前者はハルシネーション（＝AIがもっともらしい嘘を書いてしまうこと）と呼ばれる現象です。どちらも、AIが学習を終えた時点の知識だけで答えようとするから起きます。知識が足りない状態で無理に答えさせている、と言い換えてもいいでしょう。

実際にRAGが使われているのは、社内FAQへの自動回答、問い合わせ窓口での一次対応、分厚いマニュアルから該当箇所を探す場面などです。答えはどこかの資料に書いてあるのに探すのに時間がかかる仕事と相性がよく、個人でも契約書や家電の説明書、自分で集めた資料を相手に同じことができます。

「最新情報に弱い」「手元の資料を知らない」は、AIの賢さの問題ではなく、参照先が用意されていないだけのことが多いです。

まずは「AIに調べさせる」から「AIに読ませてから聞く」へ発想を切り替えてみてください。それだけで、返ってくる答えの精度はかなり変わります。

RAGの仕組みを4ステップで理解する

AWSは、RAGの処理を4つのステップで説明しています。用語は硬いのですが、やっていることは「資料を検索しやすい形に整える → 質問に近い部分を探す → それを添えてAIに聞く → 資料を更新し続ける」の4つだけです。

STEP

外部データの作成

手元の資料を数値表現に変換してベクトルデータベースに格納し、AIが参照できる知識の棚を作ります。ここで使う数値の並びがベクトル（＝文章の意味を数字に置き換えたもの。意味が近い文章どうしを機械的に探せるようになります）です。

STEP

「資料を全部貼り付ければいい」では済まない理由

よくある疑問：わざわざ検索させなくても、資料を全部まとめてAIに貼り付ければいいのでは？

誰もが最初に思うことですが、Microsoftの解説はこの点にはっきり答えています。「GPT-4 は約 128,000 個のトークンを受け入れますが、ドキュメントは 10,000 ページあります。すべてを送信するとトークンが無駄になり、品質が低下します」（2026年8月23日確認）。

つまり、AIが一度に読み込める量には上限があり、詰め込むほど答えの質は落ちるということです。この「一度に読める量」についてはコンテキストウィンドウとは？AIが前の会話を忘れる理由で、量が料金に直結する仕組みはAIのトークンとは？料金が決まる仕組みで詳しく解説しています。

「探し方」にも種類がある

資料の探し方は一種類ではありません。Microsoftの解説では、キーワードとベクトル検索を組み合わせて再現率を最大化するハイブリッドクエリと、キーワードだけでなく意味に基づいて結果を再スコア付けするセマンティックランク付けが、精度向上の手段として挙げられています。

キーワード検索：言葉の一致で探す。専門用語や型番に強い
ベクトル検索：意味の近さで探す。言い回しが違っても拾える
ハイブリッド検索：両方を並行して行い、取りこぼしを減らす
意味による並べ替え：取り出した候補を、質問との近さで順位付けし直す

探し方の組み合わせに加えて、精度を左右するのが資料側の準備です。ひとつのチャンクを大きくしすぎると余計な情報が混じり、小さく切りすぎると前後の文脈が切れてしまいます。元の資料に古い版や重複が残っていないか整理しておくことも、遠回りに見えて効果の大きい工夫です。

なお、考え方自体は新しくありません。RAGを提唱したPatrick Lewisら12名の論文は2020年5月にarXivで公開され、NeurIPS 2020に採択されています。暗記している知識と、あとから引ける資料棚を組み合わせるという発想は、この時点で示されていました。

細かい仕組みを覚える必要はありません。「資料を切って、意味で探して、質問に添える」の3点だけ押さえておけば、RAGを使う側としては十分です。

RAGとファインチューニングの違い

AIに独自の知識を持たせる方法は、大きく3つあります。RAG、ファインチューニング（追加学習）、そして質問のたびに資料を丸ごと貼り付ける方法です。まず違いを表で整理します。

	RAG	ファインチューニング	毎回まるごと貼り付ける
やること	答える直前に資料を検索して添える	モデル自体に追加で学習させる	質問文に資料本文を全部書く
得意なこと	最新情報・大量の資料を扱う	口調や出力形式を覚えさせる	資料が数ページなら手軽
苦手なこと	検索で拾えない質問	頻繁に変わる情報の反映	資料が増えると破綻する
更新のしやすさ	資料を差し替えるだけ	学習をやり直す必要がある	毎回貼り直す手間がかかる
コスト感	比較的低い	高い	読ませる量に応じて増える
向いている場面	社内FAQ・マニュアル検索	決まった書式での文章生成	単発の要約・翻訳

迷ったときの判断軸はシンプルです。知識を足したいならRAG、話し方や出力の形式を覚えさせたいならファインチューニング。この2つは対立するものではなく、目的が違うだけの別々の道具だと考えてください。

AWSはRAGの利点として、モデルを再トレーニングせずに知識を拡張できるコスト効率、最新の研究やニュースを反映できる現在の情報、そして出力に出典への引用や参照を含められるユーザー信頼の3点を挙げています。特に3つ目は、答えの正しさを人間が確かめられるという意味で実務上の価値が大きい部分です。

RAGにも限界はある

元の資料が間違っていれば、RAGを使ってもAIは間違った答えをそのまま返します。ハルシネーションを減らす仕組みではありますが、ゼロにする魔法ではありません。

検索で関連資料を拾えなければ、結局は答えられない
資料に書かれていない発想を生む、独自性のある創作には向かない
機密資料を扱うなら、誰がどの資料を引けるかの管理が欠かせない

3つ目についてMicrosoftは、プライベートなコンテンツをAIに開くには詳細なアクセス制御が必要であり、利用者は承認されたコンテンツのみを取得する必要がある、と明記しています。会社の資料を扱う場合は仕組みを作る前に、誰に何を見せるかを決めておくほうが安全です。

精度が出ないときは、AIを替える前に「資料の切り方」と「元データの整理」を疑うのが近道です。

まずは無料で試す：Gemini Notebook（旧NotebookLM）で体験する

RAGは自分で組み立てなくても体験できます。代表格がGoogleのGemini Notebookで、これはNotebookLMという名前で覚えている人も多いはずです。

Googleは2026年7月16日、公式ブログでNotebookLMをGemini Notebookへ名称変更したと発表しました。単独の製品としての位置づけは維持され、Geminiアプリとの間でノートブックが同期されます。

使い方は「資料を入れて、質問して、引用元を確認する」の3手順だけです。

STEP

ノートブックを作って資料を入れる

手元のPDFやテキスト、WebページのURLなどを取り込みます。これが先ほどの「知識の棚を作る」工程にあたります。

STEP

入れた資料について質問する

ネット全体ではなく、取り込んだ資料の範囲が答えの土台になります。「この契約書で解約の条件はどこ？」のように、具体的に聞くほど噛み合います。

STEP

引用元をたどって答え合わせをする

回答に付いた引用から、根拠になった箇所へ飛べます。答えの出どころを自分の目で確認できることが、RAGらしさそのものです。

ひとつ知っておきたいのが引用の粒度です。公式ヘルプによると、ソースの内容が短すぎる場合は、個別のテキストを引用するのではなく文書全体を参照する形になります。短いメモばかり入れると、根拠がぼんやりしやすいわけです。

無料で使える範囲（2026年8月時点）

ノートブックは100個まで
1つのノートブックにつきソースは50個まで
1つのソースにつき50万語まで
手元のファイルをアップロードする場合は1ファイル200MBまで

いずれも公式ヘルプに記載された値で、2026年8月23日に確認したものです。この種の上限や提供内容は予告なく変わるため、最新の値は公式ヘルプで確認してください。

なお名称変更にあわせて、取り込んだ資料の上でコードを直接実行できる「安全なクラウドコンピュータ」も発表されました。ただし発表時点では、Google AI Ultraのユーザーと対象のビジネス向け契約に提供済み、Proユーザーへは数週間以内にロールアウト予定という段階です。誰でもすぐ使える機能ではない点に注意してください。

難しい設定なしにRAGの手触りが分かるので、仕組みの理解はここから始めるのが一番の近道です。

自分のPCでRAGを動かすなら？必要なスペックの考え方

社外に出せない資料を扱いたい、あるいは日常的に大量の文書を読ませたい。そうなると、自分のパソコンの中だけでRAGを完結させる選択肢が出てきます。まずクラウドとの違いを整理しておきましょう。

	クラウドで使うRAG	自分のPCで動かすRAG
手軽さ	登録すればすぐ使える	導入と設定に手間がかかる
費用	無料枠あり。超えると有料	PC本体と電気代のみ
資料の扱い	サービス側へアップロードする	手元から外に出さない
必要なPC	ブラウザが動けばよい	メモリとGPUに余裕が必要
向いている場面	まず試す・個人の学習や調べ物	機密資料・毎日大量に使う用途

動かす条件は公式ドキュメントで確認できる

ローカルでAIを動かす定番の入り口がOllamaです。公式ドキュメントによると、macOS・Windows・Linuxに対応し、GPUの条件は次のように示されています（2026年8月23日確認）。

NVIDIA：Compute Capability 5.0以上かつドライバ550以上（5.0〜6.2はドライバ570以上が必要）
AMD：LinuxはROCm v7ドライバ、WindowsはROCm v7／HIP7に対応したドライバ環境
Apple：Metal経由でGPUアクセラレーションに対応
Windows・LinuxではVulkan経由の対応もあり、GPUを使わずCPUだけで動かすこともできる

ここで分かるのは、最新のグラボでなくても動くこと自体はできるという点です。ただし快適さは別問題で、GPUの性能とメモリの量がそのまま待ち時間に跳ね返ります。

見るべきは「モデルの大きさ＋資料の分の余裕」

スペックを考えるときの軸はひとつです。使いたいモデル本体のサイズと、読ませる資料の分の余裕が、メモリやVRAMに載るかどうか。Ollamaの公式FAQでも、必要なメモリ量は同時に処理するリクエスト数と扱うコンテキスト長に比例すると説明されています。

RAGは資料を毎回添えるぶん、ふつうのチャットよりコンテキストが長くなりがちです。同じモデルでも、資料を大量に読ませる使い方ほどメモリを食うと考えておいてください。

モデル本体がどれくらいの容量なのかは、公式の配布ページで確認できます。たとえばGemma 3の場合は次のとおりです。

モデル	ダウンロードサイズ	扱えるコンテキスト長
gemma3:270m	292MB	32K
gemma3:1b	815MB	32K
gemma3:4b	3.3GB	128K
gemma3:12b	8.1GB	128K
gemma3:27b	17GB	128K

これはあくまでモデル本体が占める容量の目安で、実際に必要なメモリはこれより多くなります。「◯Bならメモリ◯GB」と一律に決まるものではなく、設定や使い方で変わるので、余裕を持って考えるのが安全です。

サイズを抑える方法もあります。同じ公式ページには、量子化学習済みのGemma 3は非量子化モデルと比べてメモリが約3分の1になり、半精度モデルと同等の品質を保つと記載されています。

この圧縮の仕組みは量子化とは？AIモデルが4bitで軽くなる仕組みで、モデルそのものの選び方はGemmaとは？無料で使えるGoogleのAIと必要なPCスペックで解説しています。

これからPCを選ぶなら、VRAMに余裕のあるGPU搭載モデルを軸に見ておくと、ローカルRAGにも画像生成にも同じ機材で対応しやすくなります。

＼AI時代の相棒探し／

ドスパラでGPU搭載PCを見る

まずクラウドで試し、資料の中身が外に出せないと分かった時点でローカルを検討する。この順番が遠回りに見えて一番確実です。

まとめ

RAG（検索拡張生成）は、AIが答える直前に外部の資料を検索して参照させる仕組み
流れは「資料を数値化して棚に入れる → 質問に近い部分を取り出す → 質問に添える → 資料を更新する」の4段階
知識を足したいならRAG、口調や形式を覚えさせたいならファインチューニングと使い分ける
元資料が誤っていれば答えも誤る。出典を確認できる状態で使うのが前提
自分のPCで動かすなら、モデルのサイズ＋資料の分の余裕がメモリ・VRAMに載るかを見る

RAGは、AIに新しいことを覚え込ませる技術ではなく、答える直前に正しい資料を引かせる技術です。だからこそ、用意する資料の質と整理のしかたが結果を左右します。

次の一歩は2つに分かれます。とにかく感覚をつかみたいなら、Gemini Notebookに手元のPDFを1つ入れて質問してみること。会社の資料や個人情報を扱いたいなら、外に出さずに済むローカル環境と、それに見合うメモリ・GPUを検討すること。どちらから始めても、RAGの考え方そのものは同じです。

RAGは無料で試せますか？: はい。GoogleのGemini Notebook（旧NotebookLM）には無料で使える範囲があり、2026年8月時点ではノートブック100個、1ノートブックあたりソース50個、1ソース50万語、ローカルからのアップロードは1ファイル200MBまでとされています。上限は変わることがあるため、最新の値は公式ヘルプで確認してください。
RAGを使えばAIは嘘をつかなくなりますか？: 減らすことはできますが、ゼロにはなりません。RAGは答えの根拠を手元の資料に寄せる仕組みなので、元の資料が間違っていれば答えも間違います。また、検索で関連部分を拾えなかった質問には答えられません。出典を確認できる状態で使うことが前提です。
RAGとファインチューニング、どちらを選ぶべきですか？: 知識を足したいならRAG、話し方や出力形式を覚えさせたいならファインチューニングです。頻繁に更新される情報を扱う場合は、資料を差し替えるだけで済むRAGのほうが手間もコストも抑えられます。両方を組み合わせることもできます。
ローカルでRAGを動かすにはグラボが必須ですか？: 必須ではありません。Ollamaの公式ドキュメントには、GPUを使わずCPUだけで実行する方法も示されています。ただし待ち時間は長くなります。実用的な速さを求めるなら、VRAMに余裕のあるGPUを載せたPCのほうが快適です。
RAGを使うのにプログラミングの知識は必要ですか？: 体験するだけなら不要です。Gemini Notebookのように、資料をアップロードして質問するだけでRAGの流れをそのまま利用できるサービスがあります。自分で仕組みを組み立てて社内システムに組み込む段階になると、開発の知識が必要になります。