本文へスキップ
ReviewRamble

週刊ブリーフ

AIのレビューを、あなたの受信箱に。

  • ツール、モデル、MCPサーバー、リポジトリの新しいレビュー(結論を最初に)
  • 変更があったときに再確認した価格と評価
  • 公開された新しい分析記事

モデル、エージェント、MCPサーバー、そして本当に時間をかける価値のあるツール。

週に1通です。配信停止は各メールのリンクからできます。 メールアドレスの利用について

エージェント型 RAG

エージェント型 RAG(agentic RAG)とは、AI エージェントが実行する検索拡張生成です。エージェントはいつ検索するか、何を検索するか、どの情報源を使うかを決め、最初の結果が不十分なら検索し直せます。

別名: agentic retrieval, agentic retrieval-augmented generation

執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法

従来の検索拡張生成は固定のパイプラインです。質問を埋め込みに変え、上位のチャンクを取得し、1 回だけ生成します。2 つの契約書を比べる、ログとコードをたどってバグを追うなど、何段階もの手順が必要な質問ではうまくいきません。エージェント型 RAG は、検索をループで動く AI エージェントに任せます。

仕組み

モデルは関数呼び出しを通じて、1 つ以上のツールとして検索を受け取ります。ベクトルインデックス、キーワードインデックス、SQL データベース、ウェブなどです。エージェントループの各ターンで、モデルは追加の情報が必要かを判断し、クエリを書き(多くの場合は書き換えたクエリです)、結果を読み、もう一度検索するか回答します。質問をサブクエスチョンに分け、それぞれを別の情報源に振り分けることもできます。

例

「値上げした地域で、前四半期に解約率は上がったか」と聞かれると、エージェントは価格変更の記録を調べ、次に地域別の解約率の表を調べ、両者を比べてから回答します。

初期の形

Self-RAG(2023 年)は、いつ検索するかを自分で判断し、取得した文章を批評するようにモデルを訓練しました。現在のシステムの多くは、専用のモデルを訓練するのではなく、汎用モデルにプロンプトを与えてツールでこれを行わせています。

トレードオフ

エージェント型 RAG はより難しい質問に対応できますが、検索が 1 回増えるたびにモデル呼び出し、レイテンシー、コストが増え、エージェントがループしたり早すぎる段階で止まったりすることがあります。手順の数に上限を設け、LLM オブザーバビリティツールで各ツール呼び出しを記録し、単純な検索には普通の RAG を使い続けてください。ディープリサーチ製品は、このパターンを長時間動かす形です。

関連用語

検索拡張生成(RAG)
検索拡張生成(retrieval-augmented generation、RAG)とは、システムがまず文書の集まりから質問に関連する文章を検索し、その文章を言語モデルに渡して、それに基づいて回答させるパターンです。
AI エージェント
AI エージェント(AI agent)とは、言語モデルが次の手順を自分で決めるシステムです。固定の台本に従うのではなく、ツールを呼び出し、結果を読み、タスクが終わるまで繰り返します。
エージェントループ
エージェントループ(agent loop)とは、AI エージェントの中核にある繰り返しのサイクルです。モデルがツール呼び出しを求め、アプリケーションがそれを実行して結果を返し、モデルが次に何をするかを決めます。
クエリ書き換え
クエリ書き換え(query rewriting)とは、検索の前にユーザーの質問を明確にする、分割する、関連語を加えるなどして変更し、リトリーバーがその答えとなる文章を見つけやすくすることです。
ツール呼び出し
ツール呼び出し(tool calling)は関数呼び出し(function calling)とも呼ばれ、モデル API の機能の 1 つです。スキーマで関数を記述すると、モデルはその 1 つを呼び出す構造化されたリクエストを返し、コードがそれを実行して結果を返します。
ディープリサーチ(AI)
ディープリサーチ(deep research)とは、調査の問いについて計画を立て、多数のウェブ検索を行い、見つけた情報源を読み、引用付きの長いレポートを書く AI エージェントの機能です。数秒ではなく数分かかります。

出典