Agentic RAG
エージェント型RAGでは、AIエージェントが検索を主導します。検索を計画し、ツールを選び、結果を確認して、回答できるまで再検索します。
Agentic RAGとは、AIエージェント、つまり計画を立ててループ内でツールを呼び出す大規模言語モデル（LLM）が、検索するかどうか、どの情報源を検索するか、結果だけで回答するのに十分かどうかを判断する検索拡張生成（RAG）です。標準的なRAGは、質問を埋め込み、上位の文章を取得し、回答を生成するという固定の処理を1回実行します。エージェントは質問をサブ質問に分割し、一方を文書インデックスに、もう一方をSQLデータベースやウェブ検索に送り、結果が質問に関係していないことに気づくと、クエリを書き換えて再検索できます。2025年のAgentic RAGに関する調査では、こうした動作を、リフレクション、計画、ツール利用、マルチエージェント連携という4つのエージェント設計パターンに分類しています。
Agentic RAGの仕組み#
モデルは関数呼び出しを通じて検索ツールにアクセスします。文書のベクトル検索、データベースクエリ、ウェブ検索などの各ツールは、名前とパラメータースキーマで定義され、モデルはツールを使う必要があると判断すると、構造化された呼び出しを出力します。Model Context Protocol (MCP)は、エージェントがこうしたツールに接続するための標準的な方法を提供します。制御ループは、推論ステップとアクションを交互に繰り返すReActパターンに従います。
「今四半期に前の四半期より納期遅延が多かったサプライヤーはどこで、その契約ではどのような違約金が認められていますか」という質問から、このループの重要性が分かります。検索を1回行うだけでは、質問全体を埋め込み、納期遅延全般に言及する契約文書が返されます。エージェントはまず、サプライヤーごとの件数を配送データベースに問い合わせ、件数が増えた各サプライヤーについて契約インデックスを検索し、両方の情報源を組み合わせて回答します。
ツールはテキストに限りません。カメラが現在捉えている映像に基づいて回答する場合、エージェントはUltralytics YOLO26モデルをツールとして呼び出せます。最新フレームに対する推論によって検出されたすべての物体が返され、results[0].summary()は検出結果を、エージェントが他の検索結果と同様に読み取れる、クラス名、信頼度、ボックス座標を含む辞書のリストに変換します。
Agentic RAGと関連手法の比較#
- 標準的なRAG：固定パイプラインを通じて質問ごとに1回検索するため、レイテンシとコストが低く、予測可能です。1つか2つの文章で回答できる質問に適しています。
- Self-RAGとCorrective RAG：Self-RAG（2023）は、検索するタイミングを決め、自身の出力を評価するリフレクショントークンを出力するようモデルを学習させます。Corrective RAG（2024）は、検索文書のスコアが低い場合にウェブ検索を開始する検索評価器を追加します。どちらも、固定パイプラインの一部にエージェントの動作を組み込んでいます。
- GraphRAG：文書から構築したナレッジグラフから、エンティティ、関係性、コミュニティの要約を検索します。エージェントは、ツールの1つとしてグラフクエリを呼び出せます。
- エージェント型ワークフロー：複数のステップを実行するLLMシステムのより広い分類で、Agentic RAGは情報の検索に特化した手法です。
- ディープリサーチエージェント：1つの質問に対して多数の検索を行うAgentic RAGで、複数のエージェントに分担させることもよくあります。Anthropicのマルチエージェント調査システムでは、リード役のClaude Opus 4エージェントが並列に動作するClaude Sonnet 4のサブエージェントにサブタスクを割り当て、Anthropic社内の調査評価で単一のOpus 4エージェントを90.2%上回りました。
実際のアプリケーション#
- エンタープライズ調査アシスタント：データウェアハウス、文書ストア、ウェブにまたがる質問に回答します。たとえば、社内の売上データと競合他社が公表した結果を比較します。
- カスタマーサポート：エージェントは、あるシステムで注文状況を確認し、別のシステムから返品ポリシーを取得して、返金の対象になるか判断してから返信します。
- 製造のトラブルシューティング：アシスタントは、故障報告に記載された機械のメンテナンスログとマニュアルのページを取得し、マニュアルにエラーコードの説明がない場合は過去のインシデントチケットを検索します。
- エージェント型コーディング：コーディングエージェントはリポジトリを検索し、見つけたファイルを読み、途中で見つけた名前を使って再検索してからコードを編集します。
コストと障害モード#
ステップを1つ増やすごとにLLMの呼び出しが必要になるため、Agentic RAGは単一パスより遅く、コストも高くなります。Anthropicによるマルチエージェント調査システムの分析では、エージェントは通常、チャットの約4倍のトークンを使い、マルチエージェントシステムでは約15倍に達することが分かりました。また、エージェントには固定パイプラインでは起こらない失敗もあります。類似したクエリを繰り返す、重要な文書を見つける前に停止する、誤ったツールを呼び出す、初期の誤りを後続のすべてのステップに引き継ぐなどの問題があり、自信に満ちたハルシネーションにつながる場合があります。本番システムでは、ステップ数の上限を設定し、すべてのトレースを記録し、エージェント評価によって一連の軌跡全体を採点します。Anthropicの分析によると、BrowseComp閲覧ベンチマークの性能差の80%は、トークン使用量だけで説明できました。
