LLM（Large Language Model）
GPT-4 や Claude のような LLM は：
大規模なテキストデータで事前学習されたモデル
学習中に身につけた内容に基づいて回答を生成する
プロンプトで提供されない限り、あなたのプライベートなデータやリアルタイムデータは知らない
制限：
幻覚（ハルシネーション）を起こしうる
知識は固定的（カットオフに基づく）
RAG（Retrieval-Augmented Generation）
RAG はモデルではなく、システム設計パターンです。
仕組みは次のとおりです：
ユーザーが質問する
システムが関連データを取得する（ドキュメント、DB、API、ベクトル検索）
そのデータをプロンプトに注入する
LLM がその文脈を使って回答を生成する
LLM はジェネレーター（生成器）として見なせます
RAG はリトリーバー（検索）と LLM の組み合わせです
主な違い
| 観点 | LLM | RAG |
|---|---|---|
| タイプ | モデル | アーキテクチャ／パターン |
| 知識ソース | 学習データ | 外部＋リアルタイムデータ |
| 精度 | ハルシネーションしうる | より根拠に基づく |
| 更新 | 再学習が必要 | データソースを更新するだけ |
| 用途 | 一般的なタスク | ドメイン固有・事実に基づく Q&A |
RAG なしの場合：
ユーザー：「最新の金利は？」
LLM：推測したり、古い情報を提示したりするかもしれない
RAG ありの場合：
システムが DB／API から最新の金利を取得する
LLM がそのデータを使って回答する
正確で最新
利用方法
LLM 単体を使うべきとき：
創作（クリエイティブライティング）
一般的なコーディング支援
ブレインストーミング
RAG を使うべきとき：
会社のデータ／社内ドキュメントが必要なとき
精度が重要（金融、法務、医療）なとき
データが頻繁に変わるとき
