RAGを強化するハイブリッド検索とMulti-Vector戦略とは？検索の多視点化と精度向上の設計｜LLM入門 7.2

7.2 ハイブリッド検索・Multi-Vector RAGとは

前のセクションでは、RAGにおける幻覚の原因のひとつとして「Retrieverの情報不足・過剰・不一致」があることを紹介しました。
これを補うために注目されているのが、異なる検索手法や視点を組み合わせて文脈を取得するアプローチ──すなわち、ハイブリッド検索とMulti-Vector RAGです。

このセクションでは、それぞれのアーキテクチャ的な違いと利点、具体的な構成方法、実運用における注意点を解説します。

ハイブリッド検索とは何か？

ハイブリッド検索（Hybrid Search）は、キーワード検索（lexical search）とセマンティック検索（semantic search）を組み合わせて文書を取得する手法です。

背景と目的：

• キーワード検索は文字列一致に強く、誤ヒットが少ない

• セマンティック検索は言い換えや曖昧な表現に強いが、誤ヒットが起きやすい

この2つを組み合わせることで、「的確な検索」と「意味の広がり」を両立し、Retrieverの安定性と柔軟性を高めることができます。

ハイブリッド検索の実装方法

パターン①：スコア加重型

• それぞれのスコア（キーワード検索スコア・ベクトル類似度）を正規化して加重合算

• 多くのベクトルDB（Pinecone、Weaviate など）で対応

パターン②：合併＋ランキング

• 両検索で得た結果を集合し、重複を除外

• スコアの高い順に再ランキングし、Retriever出力とする

• ElasticSearch + Dense Vector 拡張でよく使われる構成

パターン③：フェイルオーバー型

• セマンティック検索で結果が十分得られなかった場合に、キーワード検索へフォールバック

• 安全重視のFAQ Botなどで活用される

ハイブリッド検索の利点と課題

利点：

• 堅牢性が高い：どちらか一方の弱点を補完できる

• 社内文書・FAQ・ナレッジベースに特に強い：命名や記述ゆれに対応可能

• 誤ヒットを減らしつつ、意図を汲み取る柔軟な検索が実現

課題：

• 検索の重さ：2系統の検索を並列に行うため、処理コストと時間が増加

• ランキング設計の複雑さ：スコアの比較方法や調整が実装に依存

• 設定チューニングが必要：業種・文書内容により最適な構成が異なる

Multi-Vector RAGとは何か？

Multi-Vector RAGは、一つの質問に対して複数のベクトル表現を生成し、それぞれを用いて検索を行う高度なRAG構成です。

背景と目的：

• ユーザーの質問は、単一の意味だけでなく複数の意図を含むことが多い

• 単一ベクトルでは文脈の一部しか拾えない可能性がある

実装の考え方：

• LLMに「この質問を複数の観点に分解してください」と依頼し、複数の検索クエリを生成

• 各クエリで別々にRetrieverを実行し、全結果を統合・スコア付けして返却

Multi-Vector RAGのメリットと注意点

メリット：

• 曖昧な質問に強い：質問の複数側面を反映できる

• 回答の網羅性が高まる：関連チャンクの拾い漏れを減らせる

• 意図の言い換えや補足にも対応可能

注意点：

• トークン消費が増える：複数チャンクを合成するため、プロンプト圧迫のリスク

• 統合アルゴリズムの工夫が必要：重複除外・類似スコア統一などが複雑化

• 検索時間が長くなりやすい：複数検索 → 統合 → 抽出の工程が増える

ハイブリッド検索とMulti-Vectorの位置づけ

モデルの進化とRetrieval不要論の可能性？

このセクションでは、検索側の高度化として注目されるハイブリッド検索とMulti-Vector RAGの考え方を紹介しました。
次のセクション「7.3 モデルの進化とRetrieval不要論の可能性？」では、コンテキスト長の拡張によって「もはや検索はいらないのでは？」という発想──Retrieval不要論とその現実的な評価に踏み込んでいきます。