---
title: "LLM のグラウンディングとは？回答を情報源に結びつける | BroadRouter"
description: "グラウンディングは、LLM の回答を、文書、検索結果、データベースの行など、提供した情報源に結びつけて検証できるようにすることです。方法と限界を解説します。"
url: https://broadrouter.com/ja/glossary/grounding/
lang: ja
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

このページは英語の原文を AI の支援を受けて翻訳したものです。 [英語の原文を読む](https://broadrouter.com/glossary/grounding/) (2026-11-14 更新).

# グラウンディング（grounding）

更新日 2026-11-14

グラウンディングとは、言語モデルの出力を、提供した文書、検索結果、データベースのレコードなど、具体的で検証可能な情報源に結びつけ、それに基づいて答えるよう指示することです。根拠のある回答は情報源までたどれ、事実の捏造も起きにくくなります。

別名： グラウンディング、根拠付け、根拠に基づく生成、出典付き回答、grounding、grounded generation、source grounding、grounded answers

グラウンディングされていないモデルは記憶で答えます。グラウンディングされたモデルは、目の前の資料を見て答えます。

## 仕組み

Google の Vertex AI のドキュメントは、グラウンディングを “the ability to connect model output to verifiable sources of information.”（訳：モデルの出力を検証可能な情報源に結びつける能力。）と定義しています。情報源は、ウェブ検索、自社の文書、地図サービス、データベースなどです。情報源が何であっても、パターンは 3 つの段階でできています。

1.  **質問の根拠を集める**：検索した段落、ファイル全体、請求書の画像、SQL で取得した行など。
2.  **根拠をプロンプトに入れ**、それだけに基づいて答えるよう指示する。
3.  **回答を検証できるようにする**：引用、出典マーカー、情報源へのリンクを付ける。

最もよく知られた方法は検索拡張生成（RAG）です。Lewis らは生成モデルを、ニューラル検索器でアクセスする “dense vector index of Wikipedia”（訳：Wikipedia の密ベクトルインデックス）と組み合わせ、パラメーターだけで答えるモデルより具体的で事実に即した回答が得られたと報告しています。このインデックスを作るには[埋め込み](https://broadrouter.com/ja/glossary/embeddings/)を使い、多くの場合[ベクトルデータベース](https://broadrouter.com/ja/glossary/vector-database/)も使います。

最小限のグラウンディング用プロンプトの例です。

```text
Answer using only the policy below. Quote the sentence that supports your answer.
If the policy does not answer the question, reply "Not in the policy."

<policy>Refunds are available within 14 days of purchase.</policy>

Question: Can I get a refund after three weeks?
```

グラウンディングされた返答は「できない」と答え、14 日の文を引用します。グラウンディングされていないモデルは、よくありそうな 30 日のポリシーを推測で答えるかもしれません。

長い入力について、Anthropic は先に引用を抜き出す手順を勧めています。20,000 トークンを超える文書では、まずモデルに一字一句そのままの引用を抜き出させ、その引用だけに基づいて答えさせます。

## なぜ重要か

-   **事実の捏造が減る。** Google はハルシネーションの減少を主な利点に挙げています。自社データに関する[ハルシネーション](https://broadrouter.com/ja/glossary/hallucination/)には、グラウンディングが最も直接的な対策です。
-   **新しい情報。** モデルの重みは学習時点で固定されます。グラウンディングに使う情報源は、再学習なしで毎日でも更新できます。
-   **監査できる。** 引用付きの主張は、人間でもコードでも確認できます。
-   **コストとのトレードオフ。** 根拠は入力トークンです。5 つの段落を検索するほうがマニュアル全体を送るより安く済みますが、肝心の段落を取りこぼすかもしれません。非常に長いプロンプトでは、[lost in the middle](https://broadrouter.com/ja/glossary/lost-in-the-middle/) による想起の低下のおそれもあります。

## BroadNet Inference では

BroadNet のドキュメントには、埋め込みエンドポイント、検索ツール、出典機能の記載がないため、検索はお使いのコードで行います。API が提供するのは根拠を入れる余地です。DeepSeek V4.1 Flash と GLM 5.3 は 1,048,576 トークン、Qwen3.8 27B は 262,144 トークンの[コンテキストウィンドウ](https://broadrouter.com/ja/glossary/context-window/)を持ち、ドキュメントの項目に画像またはビジョンとあるモデルは画像も入力できます。そのため「文書を丸ごと貼り付ける」のも現実的な選択肢です。[長いコンテキストと RAG の比較](https://broadrouter.com/ja/blog/long-context-vs-rag/)でそれぞれのコストを比べており、[請求書ガイド](https://broadrouter.com/ja/guides/read-arabic-invoices-with-vision/)ではスキャン画像に基づいて情報を抽出しています。

## よくある質問

### グラウンディングと RAG は同じですか？

RAG はグラウンディングの方法の 1 つで、段落を検索してプロンプトに加えます。文書を丸ごと貼り付ける、画像を添付する、リアルタイムの検索結果やデータベースの結果を加えるといった方法でもグラウンディングできます。

### グラウンディングすれば正しい回答が保証されますか？

いいえ。モデルが情報源を読み違えたり無視したりすることはあります。引用や出典を求め、それぞれが本当に情報源にあるか確認してください。

### LLM に自分の文書だけを根拠に答えさせるには？

文書を渡し、それだけを使うよう指示し、答えが見つからないと言ってもよいことにして、主張ごとに引用を付けるよう求めてください。

## 関連項目

-   [ハルシネーション（hallucination）](https://broadrouter.com/ja/glossary/hallucination/) (用語)
-   [RAG（検索拡張生成）](https://broadrouter.com/ja/glossary/rag/) (用語)
-   [エンベディング（埋め込み、embeddings）](https://broadrouter.com/ja/glossary/embeddings/) (用語)
-   [コンテキストウィンドウ（context window）](https://broadrouter.com/ja/glossary/context-window/) (用語)
-   [ベクトルデータベース（vector database）](https://broadrouter.com/ja/glossary/vector-database/) (用語)
-   [Lost in the Middle（中間の情報の見落とし）](https://broadrouter.com/ja/glossary/lost-in-the-middle/) (用語)
-   [ビジョンモデルでアラビア語の請求書とレシートを読み取る](https://broadrouter.com/ja/guides/read-arabic-invoices-with-vision/) (ガイド)
-   [ロングコンテキストか RAG か：100 万トークンがベクトル DB に代わるとき](https://broadrouter.com/ja/blog/long-context-vs-rag/) (記事)
-   [アラビア語 RAG：うまくいく正規化、チャンク分割、検索](https://broadrouter.com/ja/blog/arabic-rag-search/) (記事)

実際のワークロードで試してください。 新規アカウントには US$5 の初回クレジットがあり、Gemma、文字起こし に使えます。DeepSeek、GLM、Qwen3.8 はチャージが必要です。

[始める](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-glossary-grounding&utm_content=page-cta) ·

**出典**

-   [Google Cloud、グラウンディングの概要（Vertex AI）](https://docs.cloud.google.com/vertex-ai/generative-ai/docs/grounding/overview)
-   [Lewis ら（2020）、Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401)
-   [Anthropic、ハルシネーションを減らす（直接引用と出典）](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations)
-   [BroadNet Inference API リファレンス、モデル ID とコンテキスト （英語）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-glossary-grounding&utm_content=sources#models)
