LLMグラウンディング（エルエルエムグラウンディング）
LLMの出力を外部の信頼できる情報源（データベース・検索結果・ドキュメント）に基づかせることで、事実に即した回答を生成させる技術的手法の総称。
LLMグラウンディングとは
LLMグラウンディング（Grounding）は、大規模言語モデルの回答を外部の信頼できる情報源に「接地」させる技術です。LLMは学習データに基づいて確率的にテキストを生成するため、事実と異なる内容（ハルシネーション）を出力するリスクがあります。グラウンディングは、このリスクを低減するための中核技術として 2024〜2026年に急速に発展しました。
RAGとの関係
グラウンディングの最も広く普及した実装が RAG（Retrieval-Augmented Generation）です。両者の関係は以下の通りです。
| 概念 | スコープ | 具体例 |
|---|---|---|
| グラウンディング | 上位概念。出力を事実に基づかせるすべての手法 | RAG, Tool Use, Knowledge Graph 参照 |
| RAG | グラウンディングの一実装。検索で取得した文書をコンテキストに注入 | Pinecone + GPT-4o, Qdrant + Claude |
| ファインチューニング | 間接的グラウンディング。学習データ自体に事実を埋め込む | LoRA で社内文書を追加学習 |
RAG はグラウンディングの部分集合であり、グラウンディングは RAG より広い概念です。Google の Vertex AI Search や Amazon Bedrock Knowledge Bases は、RAG をマネージドサービスとして提供するグラウンディングソリューションです。
グラウンディングの主要アプローチ
1. 検索ベース（Retrieval-Based）
外部ドキュメントをベクトル検索・全文検索で取得し、プロンプトに挿入する方式です。
- 密ベクトル検索: Qdrant, Pinecone, Weaviate でコサイン類似度検索
- 疎ベクトル検索: BM25, SPLADE で語彙ベースの検索
- ハイブリッド検索: 密+疎を組み合わせた Reciprocal Rank Fusion
2. ツール使用ベース（Tool-Based）
LLM にAPI呼び出しやデータベースクエリの能力を与え、リアルタイムデータを取得させる方式です。
- Function Calling: OpenAI GPT-4o / Anthropic Claude の Tool Use
- コード実行: Code Interpreter で計算結果を取得
- Web検索: Google Grounding API / Perplexity の検索統合
3. 知識グラフベース（Knowledge Graph-Based）
構造化された知識グラフから関連エンティティと関係を抽出し、コンテキストに含める方式です。
- GraphRAG: Microsoft Research が提案。コミュニティ要約でグローバルクエリに対応
- LightRAG: グラフ構築コストを軽量化した手法
- Neo4j + LLM: プロパティグラフから Cypher クエリで情報取得
Google Grounding API の仕組み
Google は Gemini API に「Google Search Grounding」機能を組み込み、LLM出力をリアルタイムの検索結果で裏付ける仕組みを 2024年に公開しました。
処理フロー:
- ユーザーがクエリを送信
- Gemini がクエリを分析し、検索が必要と判断
- Google Search API を内部呼び出し
- 検索結果をコンテキストに統合して回答生成
- 回答に出典リンク（
groundingMetadata）を付与
この方式は Vertex AI Agent Builder でも利用可能で、エンタープライズ向けのカスタムデータソースと Google 検索を組み合わせたグラウンディングが実現できます。
グラウンディング品質の評価指標
| 指標 | 説明 | 測定方法 |
|---|---|---|
| Faithfulness | 回答がコンテキスト内の情報のみに基づくか | RAGAS / DeepEval で自動評価 |
| Relevance | 取得した情報がクエリに関連するか | nDCG@k / MRR で検索精度評価 |
| Groundedness | 回答の各主張が出典で裏付けられるか | NLI（Natural Language Inference）モデルで判定 |
| Coverage | 必要な情報がすべて取得されているか | 正解セットとの再現率で評価 |
RAGAS（Retrieval Augmented Generation Assessment）は、これらの指標を自動計算するオープンソースフレームワークとして 2025年時点で最も広く使われています。
FAQ
Q1: グラウンディングとファインチューニングの違いは？
グラウンディングは推論時に外部データを参照する手法で、モデルの重みは変更しません。ファインチューニングは学習時にモデルの重みを更新する手法です。リアルタイム性が必要ならグラウンディング、ドメイン知識の内在化が目的ならファインチューニングが適します。
Q2: グラウンディングすればハルシネーションはゼロになる？
ゼロにはなりません。取得した情報の解釈ミス、コンテキスト窓に収まらない情報の欠落、複数情報源間の矛盾など、グラウンディング後もハルシネーションが発生する経路は残ります。ただし、グラウンディングなしと比較すると事実性は大幅に向上します。
Q3: 小規模なLLM（7B〜13Bパラメータ）でもグラウンディングは有効？
有効です。むしろ小規模モデルほど内部知識が限定的なため、外部情報源によるグラウンディングの効果が相対的に大きくなります。Qwen3-8B + Qdrant のような組み合わせでも実用的な精度を達成できます。