Self-RAG（自己評価型RAG）とは？
読み方: セルフラグ
30秒まとめ
LLMが自分で「検索が必要か」「検索結果は適切か」「回答は事実に基づいているか」を判断する高度なRAG手法。ハルシネーション50%減を実現する2026年の標準技術。
Self-RAG（自己評価型RAG）の意味・定義
Self-RAG（Self-Reflective Retrieval-Augmented Generation）は、ワシントン大学・AI2が2023年提案、2024-2026年に主流化した高度なRAG手法です。従来のRAG（検索→生成の単純パイプライン）と異なり、LLMが「Reflection Tokens」と呼ばれる4種の自己評価信号を出力します：(1) Retrieve（検索が必要か？Yes/No）、(2) IsRel（検索結果は質問と関連するか？）、(3) IsSup（生成内容は検索結果で支持されるか？）、(4) IsUse（最終回答の有用性は？1-5）。動作フロー：(a) クエリを受け、まず「Retrieve必要？」を判定、(b) 必要ならベクトル検索＋関連度フィルタ、(c) 各検索結果に対し並列で生成、(d) 各回答の事実性・有用性を自己評価、(e) ベスト回答を返却。メリット：(I) ハルシネーション50%削減（オリジナル論文）、(II) 不要検索の回避でレイテンシ・コスト削減、(III) 根拠（Citations）の自動付与、(IV) 動的に検索深度を調整。実装：(1) LangChainのSelf-RAG Module、(2) LlamaIndexのSelf-Reflective Agents、(3) Anthropic Claude Skills（自動Reflection）、(4) OpenAI o3/o4-miniのDeep Research（事実上Self-RAG実装）。2026年トレンド：Corrective RAG（CRAG）、GraphRAG、Agentic RAG（複数ツール選択）等の高度版に発展、Multi-Modal Self-RAG（画像・動画への拡張）、Adaptive RAG（クエリ複雑度別の動的戦略）。実用：医療・法律・金融など事実性が重要な領域で必須、Anthropic Claude Constitutional AIとの相性◎、ベクトルDBはPinecone/Weaviate/Chromaが標準。