RAG実装の基本技術：「検索と参考の分離」

本記事では、RAGの性能を高めるための「SINR」という手法について、ざっくり理解します。

株式会社ナレッジセンスは、生成AIやRAGを使ったプロダクトを、エンタープライズ企業向けに開発しているスタートアップです。

この記事は何

この記事は、RAGにおける「検索」と「生成のための読み込み」を分離する新手法「SINR」の論文^[1]について、日本語で簡単にまとめたものです。
https://arxiv.org/abs/2511.04939

今回も「そもそもRAGとは？」については、知っている前提で進みます。確認する場合は、こちらの記事もご参考下さい。

本題

ざっくりサマリー

「SINR」は、RAGの回答精度を高めるための手法です。Dell Technologiesの研究チームによって2025年11月に発表されました。

ちなみに「SINR」は「Search is not Retrieval」の略です。「検索とリトリーバルは違うよ」という主張です。

通常のRAGでは、ドキュメントを細切れ（チャンク）にして、データベースに保管します。そして、ユーザーから質問が来たら、チャンクを 「検索」して、それをそのまま「LLMへの入力」に使います。

しかし、そういう普通のRAGでは「重要な情報が前後のチャンクに分断されてしまう」という課題があります。（参考）。

※チャンクを細切れにするほど、検索の精度は上がりますが、そうすると逆に、LLMに渡す際、文脈が消えてしまいます。

そこで、SINRという手法では、「ベクトル検索に使うチャンク」と「LLMに渡すコンテキストのチャンク」を別々に使うことで、この課題を解決します。

問題意識

適当に実装したRAGでは、「チャンキングで文脈が消える」という課題があります。

実際、RAGで「検索精度が出ない」というお悩みの中でも、この問題が原因であることは、かなり多いです。

そして、検索精度が出ないと「最適なチャンクサイズは何文字だ？」という話になりがちです。

ただ、残念ながら、

そもそもそれは、問いの立て方が間違っています。チャンクのサイズ（文字数）を多くすると、文脈は確保されますが、検索の精度は落ちてしまうためです。基本的にはトレードオフの関係です。

手法

SINRという手法は、ざっくりいうと、データを「親子」の階層構造で管理します。

親子構造の手法で、名前が「SNIR」（読み方はシニアー）なのはシャレでしょうか

【事前にやっておくこと】

1. LLMに渡す用のチャンク作成（親）
   • 文書を「意味のまとまり」ごとに大きく区切る（約600〜1000トークン）
2. 検索用のチャンク作成（子）
   • 1の親チャンクを、さらに細かく区切る（約100〜200トークン）
3. マッピング
   • どの「子」がどの「親」に属するか、を紐付けておく

【ユーザーが質問を入力して来たとき】

1. 意味検索
   -　ユーザーの質問に対して、細かい方のチャンクを使ってベクトル検索
2. 親チャンクをLLMに渡す
   • ヒットした「子」が所属する「親」チャンクを、LLMに渡す
3. 参考情報を元に、回答生成
   • ここは普通のRAGと同じ

この手法のキモは、検索用のチャンクと活用のチャンクを分けていることです。チャンクの「文字数」自体は、そこまで大きな問題ではありません。

成果

• 検索精度の向上（Recall@20で15〜25%改善）
• 文脈の一貫性の向上（30%向上）
• 検索インデックスサイズの削減（40〜60%削減）
  • →小さいチャンクだけを保管するため。（無駄なSliding Windowが不要になる）
• クエリレイテンシの短縮（20〜30%短縮）

まとめ

この手法の手法は、RAGの精度を上げるための非常に基本的な手法です。

今回取り上げたのは2025年の論文ではあるものの、実務としてはかなり前から、精度向上の手法として知られています。（例えば、LangchainのSmall to Big^[2]手法など。）

また、これを応用して、要約チャンクを作る手法「RAPTOR」も、定石になりつつあります。

ぜひ、みなさまが業務でRAGシステムを構築する際も、選択肢として参考にしていただければ幸いです。今後も、RAGの回答精度を上げるような工夫や研究について、記事にしていこうと思います。我々が開発しているサービスはこちら。

脚注

1. "Search Is Not Retrieval: Decoupling Semantic Matching from Contextual Assembly in RAG", Nainwani et al.

2. https://github.com/langchain-ai/langchain/blob/v0.3/docs/docs/how_to/parent_document_retriever.ipynb