生成AIパスポート RAG 出題｜新シラバスの変更点3つと演習4問
公開 2026.10.19
「生成AIパスポートでRAGはどう出るのか」「新シラバスで何が増えたのか」——先に結論です。
RAG（検索拡張生成）は、新シラバス（2027年2月試験〜）で第3章「AIエージェント」の中項目として独立し、学習項目は旧シラバスの4つから6つに増えました。 詳細キーワードも、旧の3語から新は17語に広がっています（語数は公式シラバスPDFの記載を編集部が数えたもの）。仕組みだけでなく「なぜ必要か」「発展形」「ツール」まで問われうる範囲です。
この記事では、公式シラバスのRAG該当項目を旧版と突合し、似た用語の区別表と、オリジナル演習4問（解説つき）にまとめました。
この記事の要点
- RAGは新シラバス第3章の中項目「RAG（検索拡張生成）」。学習項目は6つ（旧は4つ）。第2章・第5章のキーワードにも登場する。
- 新設は「RAGが必要とされる理由」「主なRAGツール・フレームワーク」、詳細キーワードにはリランキング・ハイブリッド検索・Agentic RAG・Graph RAGなどが加わった。
- 紛らわしいのは「RAGとファインチューニング」「意味的検索とキーワード検索」「Advanced / Agentic / Graph RAG」。区別表で整理する。
- 演習は分野特化の4問のみ。総合的な模試は別記事に送る。
更新日: 2026年10月19日／情報確認日: 2026年10月19日（出典は記事末）
RAGは新シラバス第3章の独立項目で、「必要性・仕組み・発展・ツール」まで範囲に入る
RAGが出るのは主に第3章ですが、第2章と第5章にも関連キーワードがあります。公式シラバス（2027年2月試験より適用）で確認できた該当箇所は次のとおりです。
| 章 | 中項目 | 学習項目・詳細キーワードのうちRAG関連 |
|---|---|---|
| 第3章 AIエージェント | RAG（検索拡張生成） | 学習項目: RAGとは／RAGが必要とされる理由／RAGの仕組み／RAGの発展／RAGのユースケース／主なRAGツール・フレームワーク |
| 第2章 生成AI | 生成AIの生成（推論）プロセス | 詳細キーワードに「埋め込み（Embedding）」「ベクトル」「ハルシネーション」「RAG（検索拡張生成）」「コンテキストウィンドウ」 |
| 第5章 生成AIの実践と活用事例 | データ分析・リサーチ業務での活用 | 詳細キーワードに「RAG（検索拡張生成）」「ディープリサーチ」「ワークフロー型エージェント」など |
中心になる第3章の中項目「RAG（検索拡張生成）」の学習目標は、公式シラバスに「RAGが必要とされる理由と仕組み、発展形、ユースケース、主なツールを理解する」と書かれています。詳細キーワードは次のとおりです（原文の記載順）。
RAG（Retrieval-Augmented Generation：検索拡張生成）、ハルシネーション、埋め込み（Embedding）、ベクトルデータベース、意味的検索（セマンティック検索）、リランキング、ハイブリッド検索、Advanced RAG、クエリの書き換え、Agentic RAG、Graph RAG、知識グラフ、チャンク分割、メタデータ、データサイロ、正確性、最新性
試験は公式の試験概要ページによると60問・60分、出題範囲は「シラバスより出題」です。このRAG項目から何問出るかは、公式情報から確認できません。 比率を断定する記事は、一次情報に根拠がないと考えてください。
注意: 公式シラバスは項目名とキーワードの一覧で、解説文は載っていません。この記事の解説は、キーワードに沿って編集部がまとめた一般的な説明で、公式テキストの記述そのものではありません。細部の言い回しは、2026年11月24日から順次発送予定の公式テキスト（翔泳社）で確認してください。
旧シラバスからの変化は、独立項目化・学習項目の増加・キーワードの大幅追加の3点
結論として、RAGは「新設」ではなく据え置きの項目が拡張された形です。旧シラバス（2026年10月試験まで）にもRAGはあり、新旧を並べると次のとおりです。
| 観点 | 旧シラバス（〜2026年10月試験） | 新シラバス（2027年2月試験〜） | 判定 |
|---|---|---|---|
| 置かれた位置 | 第3章「現在の生成AI（ジェネレーティブAI）の動向」内の中項目「RAG」 | 第3章「AIエージェント」内の中項目「RAG（検索拡張生成）」 | 移動 |
| 学習項目 | RAGとは／RAGの歴史と発展／RAGの仕組みとメリット／RAGのユースケース（4つ） | RAGとは／RAGが必要とされる理由／RAGの仕組み／RAGの発展／RAGのユースケース／主なRAGツール・フレームワーク（6つ） | 増加 |
| 新たに加わった項目 | — | 「RAGが必要とされる理由」「主なRAGツール・フレームワーク」 | 新設 |
| 詳細キーワード | RAG、チャンク、ベクトルデータベース（3語） | 上記17語（ベクトルデータベースは継続。チャンクは「チャンク分割」の表記） | 拡張 |
| 学習目標 | 歴史や仕組みなどについて理解する | 必要とされる理由と仕組み、発展形、ユースケース、主なツールを理解する | 変更 |
| 他の章での扱い | 旧第2章に「RAG」の語そのものはない（ハルシネーションは旧第2章のChatGPTの項目にあった） | 第2章の生成プロセス・第5章のデータ分析でもキーワード化 | 追加（旧に該当記載なし） |
読み取れる変化は3つです。
- 独立章「AIエージェント」の中に置かれた。 公式の章別改訂内容にも、第3章について「RAGやMCPに関する内容を更新する」と書かれています。
- 「歴史」中心から「必要性・発展・ツール」中心へ。 旧の「RAGの歴史と発展」は、新では「RAGの発展」になっています。「歴史」の語が消え、「必要とされる理由」「主なツール・フレームワーク」が足されました。
- キーワードが検索の中身に踏み込んだ。 リランキング、ハイブリッド検索、クエリの書き換えなど、旧になかった検索周りの語が入っています。
なお、旧シラバスの改訂履歴では、RAGの学習項目は2025年10月1日付（2026年2月試験より適用）の改訂で追加されたと記録されています。つまりRAGはもともと比較的新しい出題範囲で、今回さらに厚くなったという位置づけです。旧版での出題実績や問題の傾向は、公式情報から確認できません。
隣接するAIエージェント関連の項目は、別記事で整理しています。エージェント全体は生成AIパスポート AIエージェント 出題、同じ章の生成AIパスポート MCP 出題、RAGと混同しやすい生成AIパスポート コンテキストエンジニアリング 出題も合わせて確認してください。
似た用語は「何を足すか」「いつ足すか」で区別すると迷わない
RAGで間違えやすいのは、「LLMに情報を足す他の手段」と「RAGの発展形の名前」です。まず前者を表にします。
| 方法 | 何を変えるか | 情報を足すタイミング | 向く場面（一般的な整理） |
|---|---|---|---|
| RAG | モデルは変えず、外部の情報を検索して渡す | 質問のたび（推論時） | 社内文書や最新情報など、更新が多い情報を根拠に答えさせたい |
| ファインチューニング | モデルの重み（パラメータ）を追加学習で調整する | 事前に学習し直す | 文体・形式・特定領域への適応など、振る舞い自体を変えたい |
| 事前学習 | 大量のデータでモデルを一から学習する | モデル開発時 | 利用者が直接行うものではない |
| プロンプトに直接貼る | 入力にテキストを入れる | 質問のたび | 少量の資料。コンテキストウィンドウに収まる範囲 |
次に、RAGの発展形・関連技術の区別です（いずれも詳細キーワードにある語）。
| 用語 | ひとことで | 区別のポイント |
|---|---|---|
| 意味的検索（セマンティック検索） | 言葉の意味の近さで探す | 埋め込み（ベクトル）で近さを測る。単語の一致で探すのとは違う |
| ハイブリッド検索 | 意味的検索とキーワード検索を併用する | 片方だけより取りこぼしを減らす狙い |
| リランキング | 検索結果の並べ替え | 取得した候補の順位を付け直し、関連の高いものを上位にする |
| クエリの書き換え | 質問文を検索向けに直す | 検索の「入力」側を改善する |
| Advanced RAG | 基本形に上記のような改善を加えたもの | 基本形（検索して渡す）の精度向上版 |
| Agentic RAG | エージェントが検索の要否や回数を判断する | 検索を一度きりでなく、エージェントが自律的に使う |
| Graph RAG | 知識グラフを使って関連を辿る | 文書の断片ではなく、情報同士のつながりを使う |
避けたい判断 / こうすればOK
- 避けたい: 「RAGをすればハルシネーションがなくなる」と覚える
- こうすればOK: 「外部の根拠を渡すことでハルシネーションを抑え、正確性・最新性を補う手段」と覚える。検索結果が不適切なら誤りも起こりうる、という前提で読む
ハルシネーションそのものは生成AIパスポート ハルシネーション 出題で別に扱っています。
演習4問: 理由・仕組み・使い分け・発展形を、公式シラバスの範囲で解く
ここからが分野特化の演習です。編集部のオリジナル問題で、実在の過去問や非公開問題の転載ではありません。正解の根拠は、公式シラバスのキーワードと一般的な技術説明の範囲にとどめています。本番の形式に合わせ、四肢択一にしました。
問1（RAGが必要とされる理由）
大規模言語モデル（LLM）単体で社内の最新の就業規則について質問したところ、もっともらしいが事実と異なる回答が返ってきた。RAGがこの問題の対策として挙げられる理由として、最も適切なものはどれか。
- モデルのパラメータ数を増やして、記憶できる知識量を増やせるから
- 質問に関連する外部の情報を検索して渡し、それを根拠に回答を生成させられるから
- 回答の生成時に使う確率分布を固定し、毎回同じ文章を出力させられるから
- 学習済みモデルを破棄し、規則ごとに新しいモデルを作り直せるから
正解: 2
解説: RAGは Retrieval-Augmented Generation（検索拡張生成）の略で、外部の情報を検索して、その結果を踏まえて生成する仕組みです。LLMは学習時点より後の情報や、社内の非公開情報を知らないため、そのまま答えさせるとハルシネーションの原因になります。1は事前学習側の話で、RAGの仕組みではありません。3は生成パラメータ（Temperature・Top-pなど）の話で、事実性を保証するものではありません。4は「RAGはモデルを作り直さない」点に反します。シラバスの詳細キーワード「ハルシネーション」「正確性」「最新性」に対応する問題です。
問2（RAGの仕組み）
社内文書を使ったRAGの流れを説明した次の記述のうち、最も適切なものはどれか。
- 質問のたびに全社員の入力履歴を再学習し、モデルの重みを更新する
- 文書をあらかじめ適切な長さに分割（チャンク分割）して埋め込みベクトルにし、ベクトルデータベースに保存しておく。質問時に近い断片を検索し、質問と一緒にLLMへ渡して回答を生成する
- 質問文をそのままLLMに渡し、LLMが内部に持つ知識だけで回答する。検索は行わない
- 文書を一つの巨大なファイルにまとめ、質問のたびに全文をキーワード一致だけで抜き出して画面に表示する
正解: 2
解説: 典型的な流れは「分割→埋め込み→保存」の準備段階と、「質問の埋め込み→類似検索→プロンプトに添付→生成」の実行段階に分かれます。シラバスの詳細キーワード「チャンク分割」「埋め込み（Embedding）」「ベクトルデータベース」「意味的検索」に対応します。1は学習し直す方式で、RAGではありません。3は検索がないのでRAGではありません。4はキーワード一致だけで、生成（LLMによる回答作成）の工程がありません。
問3（RAGとファインチューニングの使い分け）
ある企業が、毎週のように改訂される社内規程について、社員の質問に最新版を根拠に答えるAIを作りたい。方式の選び方として、最も適切なものはどれか。
- 規程が改訂されるたびに、モデル全体を事前学習からやり直す
- 規程は改訂されない前提で、一度だけファインチューニングして固定する
- 規程を検索対象の文書として管理し、RAGで最新版を取得して回答させる
- 規程を暗記させるため、Temperatureを最大にして出力のばらつきを増やす
正解: 3
解説: 情報が頻繁に更新され、最新性が求められる場面は、モデルを変えずに外部の文書を差し替えられるRAGの典型的な利用場面です。1は費用・時間の面で現実的ではなく、2は更新に追従できません。4のTemperatureは出力の確率的なばらつきを調整するパラメータで、知識の記憶とは無関係です。なお「ファインチューニングは文体・形式・特定領域への適応に向く」という整理は一般的な説明で、シラバスはファインチューニングを第2章の学習プロセスとして扱っています。
問4（RAGの発展形・関連語）
RAGの精度を高めるための工夫に関する記述のうち、最も適切なものはどれか。
- リランキングは、検索で取得した候補の順位を付け直し、関連の高いものを上位にする工夫である
- ハイブリッド検索は、意味的検索を使わず、キーワード検索だけに限定する方式である
- Graph RAGは、文書を一切分割せずに、全文を毎回モデルの学習に使う方式である
- Agentic RAGは、検索を人間が手作業で一回だけ実行し、エージェントは判断に関与しない方式である
正解: 1
解説: 1が正しい記述です。2のハイブリッド検索は、意味的検索とキーワード検索を併用する方式です。3のGraph RAGは知識グラフを使い、情報同士のつながりを活用する方式で、毎回の全文学習ではありません。4のAgentic RAGは、エージェントが検索の要否や実行を判断する方式で、人間の一回限りの手作業ではありません。いずれもシラバスの詳細キーワードにある語ですが、各語の細かい定義は公式テキストで確認してください。
総合的な模試・過去問の意図は別ページに集約しています。分野をまたいだ例題で力試しをしたい人は生成AIパスポート 模試・過去問へ。
学習は「理由→仕組み→使い分け」の順に、2〜3日で回すのが効率的
RAGは暗記より流れの理解が効く分野です。次の順が取り組みやすいです。
| 順 | やること | 目安（編集部の提案） |
|---|---|---|
| 1 | 「なぜ必要か」を一文で言えるようにする（ハルシネーション・最新性・社内情報） | 15分 |
| 2 | 準備段階（分割→埋め込み→保存）と実行段階（検索→添付→生成）を図に書く | 30分 |
| 3 | 区別表の「ファインチューニング」「ハイブリッド検索」「Agentic RAG」を自分の言葉で説明する | 30分 |
| 4 | 本記事の演習を、解説を隠して解き直す | 15分 |
| 5 | 同じ第3章のMCP・エージェントの項目につなげる | 別記事 |
学習時間はあくまで目安で、公式が示した数値ではありません。全体の進め方は生成AIパスポート 勉強法、試験日程は生成AIパスポート 日程 2027、難易度の見方は生成AIパスポート 難易度にまとめています。
新シラバス対応のテキストを探している場合は、公式テキストの予約販売が2026年10月1日に始まり、発送は2026年11月24日から順次の予定です（GUGA発表）。教材選びは生成AIパスポート テキストも参考にしてください。
まとめ
- RAGは新シラバス第3章「AIエージェント」の中項目「RAG（検索拡張生成）」。学習項目は6つ、詳細キーワードは17語。第2章・第5章にも関連キーワードがある。
- 旧シラバスからは「移動・項目の増加・キーワード拡張」。「RAGが必要とされる理由」と「主なRAGツール・フレームワーク」が新設された。
- 区別の軸は「モデルを変えるか（ファインチューニング）、外部情報を渡すか（RAG）」と「検索の改善手法（リランキング・ハイブリッド検索・クエリの書き換え）」。
- 出題数・出題比率、旧版での出題実績は公式情報から確認できない。
RAGの項目を押さえたら、他の新シラバス分野もあわせて確認すると、第3章全体のつながりがつかめます。まず手を動かしたい人は、無料会員登録をすると、生成AIの基礎を確認できる関連の診断・演習に進めます。受験料をかける前に、自分の理解度を確かめる入口として使ってください。
参照した一次情報（取得日: 2026年10月19日）
- GUGA 生成AIパスポート 公式シラバス（2027年2月試験より適用）: https://guga.or.jp/assets/syllabus.pdf
- GUGA 生成AIパスポート 旧シラバス（2026年10月試験まで）: https://guga.or.jp/assets/syllabus_202610.pdf
- GUGA 生成AIパスポート試験概要（試験形式・旧新シラバスへのリンク）: https://guga.or.jp/outline
- GUGA シラバス大幅改訂・公式テキスト・資格更新テスト（2026年10月1日）: https://guga.or.jp/2026-10-01-1100-2
よくある質問
生成AIパスポートでRAGは出題されますか？
はい。公式シラバス（2027年2月試験より適用）では、第3章「AIエージェント」に中項目「RAG（検索拡張生成）」があり、第2章の生成プロセスと第5章のデータ分析・リサーチ業務でも関連キーワードとして登場します。ただし、RAGから何問出るかは公式情報から確認できません。
新シラバスでRAGはどう変わりましたか？
旧シラバスでは第3章の中項目「RAG」（学習項目4つ、詳細キーワード3語）でしたが、新シラバスでは第3章「AIエージェント」内の「RAG（検索拡張生成）」になり、学習項目は6つに増えました。「RAGが必要とされる理由」と「主なRAGツール・フレームワーク」が新設され、リランキングやAgentic RAGなど詳細キーワードも拡張されています。
RAGとファインチューニングの違いは何ですか？
一般的な整理では、RAGはモデルを変えず、質問のたびに外部の情報を検索して渡す方式で、更新の多い情報や社内文書を根拠に答えさせたい場面に向きます。ファインチューニングは追加学習でモデルのパラメータを調整する方式で、文体や特定領域への適応に使われます。細かい定義は公式テキストで確認してください。
RAGを使えばハルシネーションはなくなりますか？
なくなるとは言えません。RAGは外部の根拠を渡すことでハルシネーションを抑え、正確性や最新性を補う手段です。検索で取得した情報が不適切だったり、関連する情報が見つからなかったりすれば、誤った回答が出る可能性は残ります。シラバスにも出力の確認・検証に関する項目があります。
RAGの詳細キーワードには何がありますか？
公式シラバスの中項目「RAG（検索拡張生成）」の詳細キーワードは、RAG、ハルシネーション、埋め込み（Embedding）、ベクトルデータベース、意味的検索（セマンティック検索）、リランキング、ハイブリッド検索、Advanced RAG、クエリの書き換え、Agentic RAG、Graph RAG、知識グラフ、チャンク分割、メタデータ、データサイロ、正確性、最新性です。
旧シラバスで受験する場合もRAGは勉強すべきですか？
旧シラバス（2026年10月試験まで）にも第3章に中項目「RAG」があり、学習項目は「RAGとは」「RAGの歴史と発展」「RAGの仕組みとメリット」「RAGのユースケース」の4つです。ただし2026年10月試験の申込期間は9月30日で終了しており、次に受験できるのは新シラバス適用の2027年2月試験になります。
RAGの練習問題はどこで解けますか？
本記事にオリジナルの演習4問（解説つき）を掲載しています。実在の過去問は公開されておらず、非公開問題の転載もしていません。分野をまたいだ総合的な例題は、別記事の生成AIパスポート 模試・過去問のページを参照してください。