グラウンデッド生成（グラウンデッドセイセイ）
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。
グラウンデッド生成とは
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。
RAGとの関係性
| 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。
主要なグラウンディング手法
1. 検索ベースグラウンディング（RAG）
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。
- Dense Retrieval: BGE-M3（1024次元）、Voyage-3（1024次元）等の埋め込みモデルでセマンティック検索
- Hybrid Search: 密ベクトル検索 + BM25キーワード検索の併用。Meilisearch 0.58、Elasticsearch 8.x、Qdrant Hybrid が対応
- Reranking: Cohere Rerank v3、BGE-Reranker-v2-m3 で検索結果の精度を向上
2. ツール使用グラウンディング
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。
- Function Calling: OpenAI/Anthropic/Google の各API でネイティブサポート
- MCP（Model Context Protocol）: Anthropicが2024年に公開したオープン標準。ツールサーバーとLLMの接続を標準化
- Computer Use: Anthropic Claude 4 のブラウザ操作機能。Webアプリケーションからリアルタイムデータを取得
3. ナレッジグラフグラウンディング
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。
- GraphRAG（Microsoft）: テキストからコミュニティ構造を自動抽出し、階層的要約で回答精度を向上
- LightRAG: グラフ構造 + ベクトル検索のハイブリッド。GraphRAGより4倍高速
- Neo4j + LLM: Cypherクエリを自然言語から自動生成し、グラフDBを検索
4. リアルタイムWebグラウンディング
検索エンジンAPIを通じて最新情報を取得する。
- Google Search Grounding: Gemini 2.5 Pro にネイティブ統合。検索結果のインライン引用を自動付与
- Perplexity API: 検索結果をソースとした回答生成API。引用URL付き
- Brave Search API: プライバシー重視の検索API。RAGパイプライン向けJSON応答
グラウンディング品質の評価
| 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 |
実装のベストプラクティス
- チャンクサイズの最適化: 512〜1024トークンが一般的。長すぎるとノイズ増加、短すぎるとコンテキスト喪失
- リランキングの導入: Top-K検索後にリランカーで精度を向上。Cohere Rerank v3はMRR +15%改善
- ソース引用の強制: プロンプトで「[1] [2]」形式の引用を要求し、検証可能性を確保
- フォールバック戦略: 検索結果が不十分な場合は「情報が見つかりません」と正直に回答させる
- マルチホップ推論: 複雑な質問には複数回の検索を連鎖させるIterative Retrievalパターンを使用
2025〜2026年の動向
- MCP標準化: Anthropic MCPが業界標準となり、ツール使用グラウンディングの相互運用性が向上
- Agentic RAG: エージェントが検索戦略を自律的に決定するRAGの発展形。LangGraph、CrewAIが対応
- マルチモーダルグラウンディング: テキスト+画像+音声を横断したグラウンディング。GPT-4o、Gemini 2.5が先行
- エッジグラウンディング: オンデバイスLLM + ローカルDB/ファイルでプライバシーを保護しつつグラウンディング
よくある質問（FAQ）
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。
まとめ
- グラウンデッド生成はLLMを外部情報源に接地させる設計原則
- RAG・Tool Use・ナレッジグラフ・Web検索が主要な実装パターン
- MCP標準化により、ツール使用グラウンディングの相互運用性が2026年に大幅向上
- 品質評価にはGroundedness・Attribution・Coverageの3軸が必要
- Agentic RAGとマルチモーダルグラウンディングが次世代の主流に