RAG・CO-STAR・RISENは、どれも生成AIを仕事で活用するときに役立つ考え方ですが、役割は同じではありません。
RAGは、生成AIが回答するときに外部の情報を参照できるようにする仕組みです。CO-STARとRISENは、生成AIへ指示を出すときに、プロンプトの条件や構造を整理するためのフレームワークです。
そのため、「どの情報を根拠に答えさせるか」を改善したいならRAG、「どう依頼すれば意図に近い出力になるか」を整えたいならCO-STARやRISEN、という違いがあります。
この記事では、RAG・CO-STAR・RISENの役割の違いを整理し、目的に応じてどれを選ぶべきか、実務で迷わない判断基準を解説します。
RAG・CO-STAR・RISENの違いを先に整理
3つのうち、RAGだけは性質が大きく異なります。
RAGは生成AIが参照する情報を補う仕組みです。一方、CO-STARとRISENは、生成AIに渡す指示を整理する方法です。
簡単に整理すると、次のようになります。
- 社内文書や最新情報を参照させたい:RAG
- 出力の目的・対象・文体などを整理したい:CO-STAR
- 役割・指示・手順・ゴールなどを順序立てて伝えたい:RISEN
- 回答の根拠となる情報を改善したい:RAG
- プロンプトの書き方を改善したい:CO-STARまたはRISEN
つまり、RAGとCO-STAR・RISENは競合する選択肢ではありません。RAGで情報を与えたうえで、CO-STARやRISENで指示を整理する、という組み合わせもできます。
RAGとは
RAGは、Retrieval-Augmented Generationの略で、生成AIが回答を作る前に外部情報を検索・取得し、その内容を参照しながら回答する仕組みです。
一般的な生成AIは、与えられた入力とモデルが持つ知識を使って回答します。しかし、社内規程、最新の商品情報、プロジェクト固有の資料など、モデルが事前に知らない情報を扱いたい場面があります。
RAGでは、質問に関連する文書やデータを検索し、その情報を生成AIへ渡して回答させます。
たとえば社内FAQで「出張費の上限はいくらか」と質問されたとき、最新の旅費規程を検索して、その内容を根拠に回答させる、といった使い方です。
RAGのポイントは、プロンプトをきれいに書くことよりも、必要な情報を検索し、回答時に参照できる状態を作ることにあります。
基本的な意味や使い方は、RAGとは?意味・使い方・具体例をわかりやすく解説で確認できます。
CO-STARとは
CO-STARは、生成AIへ指示するときに、背景・目的・文体・対象読者・出力形式などの条件を整理するためのプロンプトフレームワークです。
依頼内容が曖昧だと、生成AIは何を重視すべきか判断しにくくなります。
たとえば「営業メールを書いて」とだけ依頼するより、「新規顧客向け」「初回商談後」「丁寧だが簡潔」「次回打ち合わせの提案を含める」といった条件を整理した方が、目的に近い出力を得やすくなります。
CO-STARは、こうした条件を一定の観点で漏れなく整理したいときに向いています。
特に、誰向けの文章か、どのようなトーンにするか、どの形式で出すかまで細かく指定したい場合に使いやすい方法です。
基本的な考え方は、CO-STARとは?意味・使い方・具体例をわかりやすく解説で確認できます。
RISENとは
RISENも、生成AIへの依頼を構造化するためのプロンプトフレームワークです。
役割、指示、手順、最終的なゴール、必要な条件などを順序立てて整理することで、複雑な依頼でも何をしてほしいかを伝えやすくします。
たとえば「市場調査をして」という依頼ではなく、生成AIに担ってほしい役割を示し、調査対象、進め方、評価ポイント、最終成果物を順番に指定する、といった使い方ができます。
CO-STARが対象読者や文体などの出力条件を整理しやすいのに対し、RISENは作業の進め方やゴールを含めて、タスク全体を構造化したいときに使いやすいのが特徴です。
詳しい基本構造は、RISENとは?意味・使い方・具体例をわかりやすく解説で確認できます。
違い1|何を改善するためのものか
RAGは、生成AIが利用する情報源を改善する仕組みです。
一方、CO-STARとRISENは、生成AIへ渡す指示の質を改善する方法です。
たとえば、最新の製品マニュアルを参照して回答させたいのに、生成AIがそのマニュアルを知らない場合、プロンプトを工夫するだけでは解決しません。必要な文書へアクセスできる仕組みが必要です。この場合はRAGの領域です。
一方、必要な情報はすでに入力しているのに、出力が曖昧、文体が合わない、手順を守らないといった問題なら、CO-STARやRISENで指示を整理する方が直接的です。
違い2|使うタイミング
RAGは、生成AIのシステムや業務フローを設計するときに検討することが多くなります。
どの文書を検索対象にするか、どの情報を回答時に渡すか、といった仕組み側の設計が必要です。
CO-STARとRISENは、日々のプロンプト作成時にすぐ使えます。
個人がChatGPTなどへ依頼するときにも使えるため、導入の手軽さではCO-STARやRISENの方が高いといえます。
違い3|向いている課題
RAGが向いている課題
RAGは次のような場面に向いています。
- 社内規程を参照して回答させたい
- 最新の商品情報を使いたい
- 大量の文書から関連情報を探して回答させたい
- 業務固有の知識を生成AIへ利用させたい
- 回答の根拠となる文書を明確にしたい
CO-STARが向いている課題
CO-STARは次のような場面に向いています。
- 誰向けの文章かを明確にしたい
- 文体やトーンを細かく指定したい
- 出力形式を安定させたい
- 背景や目的を含めて依頼したい
- メール、提案文、説明文などの品質を整えたい
RISENが向いている課題
RISENは次のような場面に向いています。
- 複数ステップの作業を依頼したい
- 役割を明確にして考えさせたい
- 分析や企画の進め方を指定したい
- 最終ゴールまで一連の指示を整理したい
- 複雑な業務依頼を構造化したい
CO-STARとRISENはどう選ぶか
RAGとの違いは比較的明確ですが、CO-STARとRISENはどちらもプロンプトを整理するため、迷いやすい組み合わせです。
選択基準は、出力条件を整えたいのか、タスクの進め方を整えたいのかで考えると分かりやすくなります。
文章作成で「誰向けか」「どのトーンか」「どの形式か」を細かく伝えたいなら、CO-STARが使いやすくなります。
一方、分析や企画のように「どの役割で」「どの手順で」「何をゴールに」作業するかを明確にしたいなら、RISENが使いやすくなります。
ただし、実務では両者の要素を厳密に分ける必要はありません。必要な項目だけを取り入れても構いません。
3つを選ぶための判断基準
どれを使うか迷ったら、次の質問を順番に確認すると選びやすくなります。
1. 問題は情報不足か、指示不足か
生成AIが必要な情報を持っていないことが問題ならRAGです。
必要な情報はあるものの、意図どおりの回答にならないならCO-STARやRISENを検討します。
2. 出力の条件を細かく整えたいか
対象読者、文体、トーン、形式などを重視するならCO-STARが向いています。
3. 作業の進め方を指定したいか
役割、手順、ゴールなどを含む複雑な依頼ならRISENが向いています。
4. 社内文書や最新情報を使う必要があるか
モデルだけでは知らない情報が不可欠なら、RAGを検討します。そのうえで、回答方法の指示をCO-STARやRISENで整理できます。
RAGとプロンプトフレームワークは組み合わせられる
RAG・CO-STAR・RISENを「どれか一つ選ぶもの」と考える必要はありません。
たとえば社内規程を回答するAIを作る場合、RAGで関連する規程を検索し、その文書を生成AIへ渡します。
そのうえで、プロンプト側では次のように指示できます。
- 対象読者は一般社員
- 専門用語は必要最小限にする
- 回答は結論から書く
- 参照した規程の該当箇所を示す
- 不明な場合は推測しない
こうした条件はCO-STARの考え方で整理できます。
また、「関連規程を確認し、条件を比較し、例外事項を確認してから最終回答する」のように手順を明確にしたいなら、RISENの考え方も使えます。
このように、RAGは情報、CO-STAR・RISENは指示という異なる層を改善します。
具体例|社内問い合わせ対応で使い分ける場合
人事制度について社員から質問を受ける生成AIを考えます。
質問は「育児休業を取得できる条件を教えてください」です。
RAGを使う場合
最新の就業規則、人事制度資料、FAQから関連箇所を検索し、その情報を生成AIへ渡します。
ここでの目的は、モデルの記憶だけで答えず、社内の正式情報を参照できるようにすることです。
CO-STARを使う場合
回答の対象を一般社員とし、専門用語を避け、結論から簡潔に説明し、必要なら人事窓口への確認方法を付ける、といった出力条件を整理します。
RISENを使う場合
「人事担当者として回答する」「取得条件を確認する」「例外条件を分ける」「不足情報があれば確認質問をする」「最後に次の行動を示す」といった手順とゴールを整理します。
同じ業務でも、改善したいポイントによって使う方法が変わります。
よくある選び方の間違い
RAGをプロンプトの書き方だと考える
RAGは、単なるプロンプトテンプレートではありません。
外部情報を検索・取得し、回答生成へ利用する仕組みです。プロンプトを改善するだけでは代替できません。
CO-STARやRISENを全部埋めないと使えないと思う
フレームワークのすべての項目を毎回使う必要はありません。
短い依頼なら、必要な条件だけを抜き出して使う方が実務的です。
長いプロンプトほど良いと思う
条件を増やしすぎると、重要な指示が埋もれることがあります。
目的に必要な条件を明確にし、優先順位を付けることが重要です。
情報の問題と指示の問題を混同する
回答が間違っているときに、原因が情報不足なのか、指示不足なのかを分けて考える必要があります。
最新情報を持っていないならRAGなど情報取得側の改善が必要です。一方、情報は十分なのに形式や内容がずれるなら、プロンプト側を見直します。
実務で迷わない選び方
実務では、次の順番で考えるとシンプルです。
まず、「生成AIは回答に必要な情報を持っているか」を確認します。
持っていないなら、RAGなどで必要な情報を参照できる状態を作ります。
次に、「何をしてほしいかが十分に伝わっているか」を確認します。
出力の対象・文体・形式を整えたいならCO-STAR、作業手順やゴールを整理したいならRISENを使います。
最後に、生成された結果を確認し、情報側の問題と指示側の問題を分けて改善します。
この順番なら、プロンプトを何度書き換えても情報不足が解決しない、といった無駄を減らせます。
まとめ
RAG・CO-STAR・RISENは、すべて生成AI活用に関係しますが、役割が異なります。
RAGは、外部文書や最新情報を検索し、生成AIが回答時に参照できるようにする仕組みです。
CO-STARは、背景、対象、文体、出力形式など、生成AIへの指示条件を整理したいときに向いています。
RISENは、役割、指示、手順、ゴールなどを整理し、複雑なタスクを順序立てて依頼したいときに向いています。
迷ったときは、「情報を補いたいならRAG」「出力条件を整えたいならCO-STAR」「作業の進め方を整えたいならRISEN」と考えると選びやすくなります。
そして、3つは排他的ではありません。RAGで必要な情報を渡し、CO-STARやRISENでその情報をどう使って回答するかを指示する組み合わせも有効です。