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。