能動的RAG

エージェント型検索拡張生成（Agentic RAG）は、自律型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先進的な人工知能（AI）アーキテクチャである。標準的なRAGパイプラインが「検索→生成」という直線的なシーケンスで動作するのに対し、Agentic RAGは大規模言語モデル（LLM）に知的な調整役としての役割を付与する。 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、外部情報の必要性を判断、複数の検索クエリを構築、取得データを評価し、包括的かつ正確な回答をまとめるまで反復的に調査を洗練させます。関数呼び出しやツール使用機能を活用することで、これらのシステムはクエリを様々なデータベース、API、分析ツールに動的にルーティングし、複雑な多段階問題に対処する際のLLMにおける幻覚現象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の中核的革新性は、ループ処理と推論能力にある。主要な エージェント型AIフレームワーク 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築する：

• クエリ計画とルーティング: エージェントは複雑な質問を管理可能な小さなサブタスクに分解し、それぞれを最適なツールまたはベクトルデータベースにルーティングする。
• 反復検索: 静的検索とは異なり、エージェントは取得した文書を再検討する。文脈が不十分な場合、検索戦略を再構築し、再度クエリを実行する。
• ツール統合: エージェントはコードを記述・実行し、数学的演算を実行したり、 機械学習（ML）モデルをトリガーして 新たなデータを即座に合成することができます。

エージェント型RAG対標準型RAG

堅牢な生成パイプラインを実装するには、Agentic RAGをその基礎概念から区別することが極めて重要である：

• 標準的な検索拡張生成（RAG）: 単一パスで動作する。意味的類似性に基づいて文書を取得し、応答を生成する。 複数のステップにわたり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には苦戦する。
• エージェント型RAG: 意思決定とループを導入。エージェントは検索の品質を評価し、生成を確定する前に後続の検索や異なるツールを起動できる。
• マルチモーダルRAG: 様々なデータタイプ（画像、テキスト、動画）の検索に焦点を当てる。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、視覚データベースとテキスト文書のどちらを検索するかを決定できる。

実際のアプリケーション

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タスクを自動化することで、産業を変革しています。

• 企業知識統合: 企業環境において、エージェントは「第3四半期の業績を要約し、主要競合他社の最新決算と比較せよ」という指示を受ける可能性がある。エージェントは自律的に内部財務データベースを照会し、競合他社の提出書類をリアルタイムでウェブ検索し、計算ツールを用いて数値を分析し、包括的な概要文書を作成する。
• 自律品質検査: 製造現場において、エージェントは組立不良の根本原因を特定する任務を負うことができる。 コンピュータビジョン（CV）モデルを起動してライブカメラ映像を検査し、 過去のメンテナンス記録を照会し、視覚的・テキスト的証拠に基づいて診断レポートを合成する。

ビジョンAIをエージェント型ワークフローに統合する

ビジョンモデルは、物理世界と相互作用するエージェント型RAGシステムにとって強力な知覚ツールとして機能します。 例えば、Ultralytics を使用して、画像や動画ストリームから動的に視覚的文脈を取得し、ユーザークエリに応答できます。開発者はUltralytics を活用し、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。

Python 、AIエージェントがプログラム的にYOLO26を呼び出して画像から構造化された観測値を抽出し、次の推論ステップのための事実に基づく文脈を収集する方法を示しています。

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)}.")

高度な視覚モデルを推論エンジンに接続することで、Agentic RAGは静的な知識検索と動的な現実世界の空間知能との間のギャップを埋めます。自律システムの進化する状況についてより深く理解するには、スタンフォードAIインデックスレポートがエージェント能力の包括的な追跡を提供しています。