概要
https://techtekt.persol-career.co.jp/entry/tech/251206_02
詳細内容
## LLMの回答を拡張する技術 #PERSOL CAREER Advent Calender2025
https://techtekt.persol-career.co.jp/entry/tech/251206_02
この記事は、LLMの回答精度を向上させるRAG（検索拡張生成）とTAG（ツール拡張生成）の技術を解説し、それぞれの仕組み、使い分け、およびハイブリッドな活用法を提示します。
**Content Type**: Tutorial & Guide
**Language**: ja
**Scores**: Signal:4/5 | Depth:3/5 | Unique:2/5 | Practical:4/5 | Anti-Hype:4/5
**Main Journal**: 90/100 | **Annex Potential**: 83/100 | **Overall**: 68/100
**Topics**: [[LLM, RAG, TAG, ファインチューニング, 開発ワークフロー]]
記事は、LLMが事前学習データのみに依存することで生じる、統計的に正しくても事実と異なる回答の課題を提示し、その解決策としてRAG（検索拡張生成）とTAG（ツール拡張生成）という二つの技術を詳細に解説します。
RAGは、社内資料やPDFなどの静的データを知識ベースとしてLLMに提供する技術です。ユーザーの質問に対し、事前に用意された知識ベースから最も関連性の高い情報をベクトルストアで検索し、それをLLMに渡すことで、LLMは事前学習データよりもこの外部データを優先して回答を生成します。これにより、社内文書の検索や開発ルールの遵守など、静的で一貫した知識が求められる場面でのLLMの回答精度と信頼性が大幅に向上すると筆者は述べています。
一方TAGは、Function CallingやTool Useの仕組みを活用し、LLMが計算ツールや外部APIなどの動的ツールと連携する技術です。LLMは質問内容から外部情報の必要性を判断し、定義書に基づいて適切なツールを呼び出し、その実行結果を元に回答を生成します。リアルタイム情報（天気予報、スケジュール確認）の取得や、ライブ予約の自動化といった動的なデータ取得やワークフローの自動化にTAGが適していると筆者は指摘します。
著者は、RAGとTAGのハイブリッドアプローチも提案しており、例えばRAGで社内ルールを参照し、その情報をもとにTAGでSlackに自動返信するような、より複雑で実用的な自動化の可能性を示唆しています。さらに、RAG利用時には知識ベースの参照が著作物の改変にあたる可能性があるため、パブリックドメインや利用許可のあるデータに限定して使用すべきだという注意点も強調しています。これらの技術は、ウェブアプリケーションエンジニアがLLMの能力を最大限に引き出し、より正確で効率的なシステムを構築するための重要な手段となります。