【2026年版】RAG vs ファインチューニング vs プロンプト工夫｜選び方と使い分け

3手法の基本比較

選択フローチャート

社内ドキュメントに基づいた回答が必要？
    YES → RAGを選択
    NO  ↓

特定の語調・文体・専門用語の習得が必要？
    YES → ファインチューニングを検討
    NO  ↓

まず安く試したい？
    YES → プロンプト工夫（few-shot含む）から開始

プロンプト工夫の実装（最も安価）

# few_shot_prompting.py
# few-shot examplesで出力フォーマットをコントロールする

import anthropic

client = anthropic.Anthropic()

FEW_SHOT_SYSTEM = """あなたはカスタマーサポート担当者です。

回答フォーマット例:
---
ユーザー質問: パスワードを忘れました
回答: 
申し訳ございません。パスワードのリセット方法をご案内します。
1. ログインページの「パスワードを忘れた方」をクリック
2. 登録メールアドレスを入力
3. 受信メールのリンクから新しいパスワードを設定
ご不明点があればお気軽にお問い合わせください。
---"""

def customer_support(question: str) -> str:
    response = client.messages.create(
        model="claude-haiku-4-5-20251001",  # カスタマーサポートはHaikuで十分
        max_tokens=512,
        system=FEW_SHOT_SYSTEM,
        messages=[{"role": "user", "content": f"ユーザー質問: {question}"}]
    )
    cost = (response.usage.input_tokens * 0.80 + response.usage.output_tokens * 4.00) / 1_000_000
    print(f"コスト: ${cost:.5f}")
    return response.content[0].text

result = customer_support("注文したのにまだ届きません")
print(result)

RAGの実装（社内データQ&A向け）

# simple_rag.py
# ChromaDB + Claude APIでシンプルなRAGを構築する
# pip install chromadb anthropic

import anthropic
import chromadb

client = anthropic.Anthropic()
chroma = chromadb.Client()
collection = chroma.create_collection("knowledge_base")

def add_knowledge(texts: list[str], sources: list[str]) -> None:
    """知識ベースにドキュメントを追加する"""
    collection.add(
        documents=texts,
        metadatas=[{"source": s} for s in sources],
        ids=[f"doc_{i}" for i in range(len(texts))]
    )

def rag_query(question: str) -> dict:
    """RAGで質問に回答する"""
    # Step 1: 関連ドキュメントを検索
    results = collection.query(query_texts=[question], n_results=3)
    context = "\n\n".join(results["documents"][0])
    sources = [m["source"] for m in results["metadatas"][0]]
    
    # Step 2: コンテキストを使って回答
    response = client.messages.create(
        model="claude-haiku-4-5-20251001",
        max_tokens=512,
        system=f"""以下のコンテキストを使って質問に答えてください。
コンテキストに情報がない場合は「情報が見つかりません」と答えてください。

コンテキスト:
{context}""",
        messages=[{"role": "user", "content": question}]
    )
    
    cost = (response.usage.input_tokens * 0.80 + response.usage.output_tokens * 4.00) / 1_000_000
    
    return {
        "answer": response.content[0].text,
        "sources": sources,
        "cost_usd": round(cost, 5)
    }

# 使用例
add_knowledge(
    texts=["返品ポリシー: 購入から30日以内は理由不問で返品可能", "配送時間: 通常2〜3営業日"],
    sources=["faq.md", "shipping.md"]
)

result = rag_query("返品できますか？")
print(f"回答: {result['answer']}")
print(f"出典: {result['sources']}")
print(f"コスト: ${result['cost_usd']:.5f}")

あわせて読みたい

• AIシステムの信頼性設計原則
• AIハルシネーション検出・対策ガイド
• Claude API初心者向け導入ガイド