Agentic RAG

エージェント型検索拡張生成（Agentic RAG）は、自律型のAIエージェントを統合することで、従来の検索システムを強化する高度な人工知能（AI）アーキテクチャです。標準的なRAGパイプラインが線形の「検索して生成する」手順で動作するのに対し、エージェント型RAGでは、大規模言語モデル（LLM）がインテリジェントなオーケストレーターとして機能します。このエージェントは、ユーザーのプロンプトを自律的に分析し、外部情報が必要かどうかを判断し、複数の検索クエリを作成し、取得したデータを評価して、包括的で正確な回答をまとめるまで調査を反復的に改善できます。関数呼び出しとツールの利用機能を活用することで、これらのシステムはさまざまなデータベース、API、分析ツール間でクエリを動的に振り分け、複雑で複数段階の問題に取り組む際のLLMにおけるハルシネーションを大幅に低減します。

エージェント型RAGシステムの仕組み#

エージェント型RAGの中核となる革新性は、ループ処理と推論を実行できる点にあります。主要なエージェント型AIフレームワークでは、このプロセスを動的で自律的なワークフローとして構成します。

• クエリの計画とルーティング：エージェントは複雑な質問を、管理しやすい小さなサブタスクに分解し、それぞれを最も適切なツールまたはベクトルデータベースに振り分けます。
• 反復検索：静的な検索とは異なり、エージェントは取得したドキュメントを確認します。コンテキストが不十分な場合は、検索戦略を再構成して再度クエリを実行します。
• ツール統合：エージェントはコードの記述と実行、数学的計算、または機械学習（ML）モデルの起動を行い、その場で新しいデータを統合できます。

エージェント型RAGと標準RAGの比較#

堅牢な生成パイプラインを実装するには、エージェント型RAGとその基盤となる概念を区別することが重要です。

• 標準検索拡張生成（RAG）：1回の処理で動作します。意味的な類似性に基づいてドキュメントを取得し、レスポンスを生成します。複数のステップにわたって異なるデータソースを統合する必要がある複雑な論理処理は苦手です。
• エージェント型RAG：意思決定とループ処理を導入します。エージェントは検索結果の品質を評価し、生成を確定する前に、追加の検索や別のツールを実行できます。
• マルチモーダルRAG：多様なデータ形式（画像、テキスト、動画）の検索に重点を置きます。エージェント型RAGはマルチモーダルRAGパイプラインを制御し、ビジュアルデータベースとテキストドキュメントのどちらを検索するかを決定できます。

実世界での利用例#

エージェント型RAGは、人間の分析的推論を模倣する深い調査や複雑なトラブルシューティングのタスクを自動化することで、さまざまな業界を変革しています。

• 企業ナレッジの統合：企業環境では、エージェントが「第3四半期の業績を要約し、最大の競合他社の最新決算と比較してください」というプロンプトを受け取る場合があります。エージェントは社内の財務データベースに自律的にクエリを実行し、競合他社の提出書類を対象にリアルタイムのWeb検索を行い、計算ツールで数値を分析して、包括的な概要を作成します。
• 自律型品質検査：製造業では、エージェントに組み立て不良の根本原因の特定を任せることができます。エージェントはコンピュータービジョン（CV）モデルを起動してライブカメラ映像を検査し、過去の保守記録を検索して、視覚的およびテキスト上の証拠に基づく診断レポートを統合できます。

エージェント型ワークフローへのVision AIの統合#

ビジョンモデルは、物理世界とやり取りするエージェント型RAGシステムにとって強力な感覚ツールとして機能します。たとえば、エージェントはUltralytics YOLO26を使用して、画像や動画ストリームからビジュアルコンテキストを動的に取得し、ユーザーのクエリに回答できます。開発者は、Ultralytics Platformを使用して、これらのカスタムビジョンツールのデータアノテーションとトレーニングを管理できます。

次のPython例では、AIエージェントがUltralytics YOLO26をプログラムから呼び出して画像から構造化された観測結果を抽出し、次の推論ステップに必要な事実に基づくコンテキストを収集する方法を示します。

from ultralytics import YOLO

# Initialize YOLO26 for the agent's visual retrieval tool
model = YOLO("yolo26n.pt")

# The agent invokes the model on an image to gather visual facts
results = model("https://ultralytics.com/images/bus.jpg")

# The agent parses the detected objects to formulate its next query or action
visual_context = [model.names[int(c)] for c in results[0].boxes.cls]
print(f"Agent Observation: I currently see {', '.join(visual_context)}.")

高性能なビジョンモデルを推論エンジンに接続することで、エージェント型RAGは静的なナレッジ検索と動的な現実世界の空間知能の間にある隔たりを埋めます。自律システムの進化する状況をさらに詳しく知るには、Stanford AI Index Reportでエージェント機能の包括的な追跡情報を確認できます。