リランキング（reranking）とは？RAGの精度を上げる2段階検索を初心者向けに解説

RAGを作ったのに「検索の精度がいまいち」——そんなときに効くのがリランキング（reranking／再ランク付け）だ。埋め込み（ベクトル）検索でざっくり集めた候補を、もう一段関連度で並べ替えて上位だけ残す。これだけでRAGの回答品質が大きく変わる、検索精度の"最後のひと押し"だ。

本記事では、リランキングとは何か・なぜ必要か・2段階検索の仕組み・なぜ正確なのか（bi-encoderとcross-encoder）・モデルと実装までを初心者向けに整理する。

1. リランキングとは

リランキングとは、一度集めた検索結果を、クエリ（質問）との関連度であらためて採点し、順位を付け直す処理だ。RAGでは、まず埋め込み検索で関連しそうな文書を大量に取得する。だがその順位は"だいたい近い順"でしかない。そこにリランカー（reranker）という専用モデルを足し、本当に関連の深いものを上位へ押し上げる。

イメージは「一次選考と最終面接」だ。一次選考（埋め込み検索）は応募者を素早くふるいにかけ、多めに通す。最終面接（リランカー）は一人ひとりをじっくり見て、本命を上位に並べる。速さの一次選考＋正確さの最終面接——この2段構えが肝だ。

2. なぜ必要？埋め込み検索の限界

埋め込み検索は速くて便利だが、弱点がある。クエリと文書を別々にベクトル化して比べるため、両者の細かな関係までは見ていない。"なんとなく近い"は得意だが、"本当にこの質問に答えているか"の見極めは粗いのだ。

その結果、上位に「キーワードは近いが的外れ」な文書が混じる。RAGでは取得した上位の文書をそのままAIに渡すので、並び順が悪いと回答の質が直接落ちる。ここでリランカーが、関連度をきちんと測り直して順位を整える。研究でも、リランキングの追加でRAGの精度が大きく改善する（ある報告では約40%向上）とされる（※報告値）。

さらに、キーワード検索とベクトル検索を組み合わせるハイブリッド検索にリランキングを重ねるのが、2026年の実用RAGの定番構成だ。「広く・多様に集めて、最後にリランカーで関連度順に整える」——この流れが精度を底上げする。

3. 仕組み：2段階検索

リランキングは「2段階検索（two-stage retrieval）」として組み込む。原則は「広く取得して、賢く絞る」だ。

ポイントは役割分担だ。全文書をリランカーで採点するのは遅すぎて非現実的。だから速い埋め込み検索でまず候補を絞り（例：100件）、その少数だけをリランカーが精査する。これなら速さと精度を両立できる。これはコンテキストエンジニアリングの「最小で最も効く情報を渡す」とも一致する。

4. なぜリランカーは正確なのか

埋め込みとリランカーは、内部の作りが違う。ここが精度差の理由だ。

たとえるなら、bi-encoderは「2本のレポートを別々に要約してから見比べる」のに対し、cross-encoderは「2本を並べて読み込んで関係を判断する」。後者のほうが正確なのは当然だが、その分すべての文書には掛けられない。だから速いbi-encoderで集め、正確なcross-encoderで絞るという2段構えが理にかなう。

5. モデルと実装

リランカーはゼロから作らなくてよい。専用のモデル・APIが揃っている。

実装は驚くほど簡単だ。既存のRAG（ベクトル検索）の「取得件数を多め（例：50〜100）にし、その結果をリランカーに通して上位5件に絞る」——この1工程を足すだけ。効果はAI評価（Evals）で測りながら、取得件数や絞り込み数を調整するとよい。

※モデル名・数値は各種ガイド・研究の引用（2026年6月時点）。効果はデータや設定で変動するため、実際に測って調整するのが確実。

まとめ

リランキングを3点に整理する。

• 正体：検索結果を関連度で採点し直し、本命を上位へ並べ替える第2段階。RAG精度の"最後のひと押し"。
• 仕組み：速い埋め込み検索で広く取得 → 正確なリランカーで上位に絞る2段階検索。「広く取って賢く絞る」。
• 違い：埋め込み(bi-encoder)は別々に見て速い、リランカー(cross-encoder)は一緒に見て正確。役割を分けて両立。

RAGの精度に悩んだら、まずはリランカーを1つ足してみよう。既存の検索に載せるだけで、体感が変わることが多い。あわせてエンベディングやRAGの実装も読むと、検索の全体像がつかめる。

FAQ