LLMの出力を外部の信頼できる情報源（データベース・API・検索エンジン・ナレッジグラフ）に基づかせることで、事実に即した正確な応答を生成する手法。RAGの上位概念。
PC構成ビルダーで最適なパーツを選択
グラウンデッド生成（Grounded Generation）とは、大規模言語モデル（LLM）の出力を外部の信頼できる情報源に「接地（グラウンディング）」させることで、ハルシネーションを防ぎ事実に基づいた応答を生成する技術アプローチである。RAG（検索拡張生成）はグラウンデッド生成の代表的な実装方式の一つだが、グラウンデッド生成はRAGに限らず、API呼び出し・データベースクエリ・ナレッジグラフ参照・ツール使用など、より広い概念を包含する。
| 概念 | 範囲 | 情報源 | 実装例 |
|---|---|---|---|
| グラウンデッド生成 | 広い（上位概念） | 任意の外部情報源 | RAG、Tool Use、DB Query、API Call |
| RAG | 狭い（下位概念） | テキスト文書の検索結果 | LangChain RAG、LlamaIndex |
| ツール使用 | 並列概念 | API・計算ツール | Function Calling、MCP |
| ナレッジグラフ | 並列概念 | 構造化知識 | Neo4j + LLM、GraphRAG |
グラウンデッド生成は「LLMが自分の知識だけに頼らない」という設計原則であり、具体的な実装パターンとしてRAG・Tool Use・DB Queryなどが存在する。
最も広く採用されている手法。外部文書をベクトル検索し、関連チャンクをプロンプトに注入する。
LLMがAPI・データベース・計算ツールを直接呼び出して正確なデータを取得する。
構造化された知識グラフから関係性とエンティティ情報を取得する。
検索エンジンAPIを通じて最新情報を取得する。
| メトリクス | 測定対象 | ツール |
|---|---|---|
| Groundedness | 出力がソースに基づいているか | TruLens, RAGAS |
| Attribution | 引用が正確か | ALCE Benchmark |
| Coverage | ソース情報をどれだけ活用しているか | カスタム評価 |
| Relevance | 取得した情報が質問に関連するか | RAGAS Context Relevancy |
Q1: グラウンデッド生成とRAGは何が違いますか？ A: RAGはグラウンデッド生成の一形態です。グラウンデッド生成は外部情報源への接地全般を指し、RAG（テキスト検索）、Tool Use（API呼び出し）、DB Query（データベース参照）などを包含する上位概念です。
Q2: グラウンディングを導入すればハルシネーションはなくなりますか？ A: 大幅に削減できますが完全にはなくなりません。検索結果の品質、チャンクサイズ、モデルの検索結果無視傾向などにより、グラウンディングが不完全になるケースがあります。出力検証との組み合わせが推奨されます。
Q3: コスト効率の良いグラウンディング手法はどれですか？ A: ローカルベクトルDB（Qdrant、Chroma）+ オープンソース埋め込みモデル（BGE-M3）の組み合わせが最もコスト効率が高いです。APIコストは検索のみで、LLM API呼び出しは1回で済みます。