ライフスタイル
エージェント型検索拡張生成(Agentic RAG):いつ再検索が必要か
エージェント型検索拡張生成では、モデルが検索の判断に関与し、質問とすでに得られた根拠に応じて情報源の選択、クエリの書き換え、追加検索を行います。本記事では LangGraph のドキュメントにある具体的なフローを採用し、会場の利用条件の比較を例に固定型 RAG との違いを示すとともに、停止条件、権限、検索履歴、コスト管理を説明します。読後には、タスクに動的な探索が必要か、予測可能な固定フローで十分かを判断できるようになります。
読了目安 11 分

エージェント型検索拡張生成は、英語では Agentic RAG といい、通常、いつ、どこを検索し、情報の取得後に追加検索が必要かを、処理の中でモデルが判断する RAG システムを指します。拡張されるのは検索の判断であり、情報が自動的に正しくなるわけでも、必ず複数のエージェントが必要になるわけでもありません。一度の検索で答えられる質問なら、検索は一度で構いません。不足が見つかったときに初めて、手順を増やす理由が生まれます。
この名称には、広く合意された単一のアルゴリズム仕様がありません。本記事では LangGraph の公式チュートリアルに沿った実装上の意味を採用します。モデルが検索ツールの呼び出しを選択でき、フローが文章の関連性を確認し、必要なら質問を書き換えたうえで回答を生成するというものです。自己内省型検索拡張生成(Self-RAG)の論文も必要に応じた検索と自己確認を研究していますが、特定のリフレクショントークン(reflection tokens)を用いる仕組みを学習させるものなので、すべての Agentic RAG を Self-RAG と呼ぶことはできません。
次のクエリを自ら決める
固定型 RAG では多くの場合、ユーザーの質問をあらかじめ定めた検索器に送り、見つかった内容を生成器に渡します。一方、エージェント型のフローでは、モデルが途中の結果に応じて次の行動を変えられます。例えば、元の質問にイベント会場が二つ含まれており、最初に会場紹介を見つけた後、モデルが設備の利用規則が不足していると気づき、規則のインデックスを追加検索する場合です。ここでの価値は、根拠の不足に応じて情報を補うことにあり、モデルがすでに知っている内容を繰り返し言い直すことではありません。
実装では、自由に判断できる範囲を明確にする必要があります。モデルは検索文や許可された情報源を選べますが、読み取り権限、実行時間の上限、どのエラーで中止するかは、引き続きアプリケーションが管理します。モデルの判断をそのままフロー全体の仕様として扱うと、単純な質疑応答が見通しの立たない探索タスクに変わってしまいます。エージェントの柔軟性とプログラムによる制限は、同時に必要な設計条件です。
根拠の不足から検索に戻る
理解しやすいループは、回答すべき小さな問いを列挙し、ツールを選んで情報を取得し、新しい情報がどの主張を裏付けられるかを確認したうえで、回答、追加検索、停止のいずれかを決める流れです。関連性の確認が答えるのは「この文章は質問に関係する内容を扱っているか」であり、十分性の確認が答えるのは「結論を出すのに十分か」です。会場紹介は質問との関連性が高くても、収容人数が書かれていないことがあります。この二つの確認を混同してはいけません。
停止条件はタスクと一緒に設定するのが望ましいでしょう。必要なすべての項目に出典があれば比較を生成でき、情報が互いに矛盾するなら、その食い違いを明示すべきです。検索しても同じ文書しか得られない状態が続くなら、停止して不足項目を列挙できます。成功とはモデルが「自信があります」と言うまで続けることではなく、読者が事前に求めた情報に根拠がそろうことです。ツールが失敗した場合も失敗状態を残し、接続エラーを「情報が見つからなかった」と誤って記載してはいけません。
詳しい説明を読む
検索で根拠を取得して十分かを確認し、十分なら回答、不足ならクエリを書き換えて検索に戻り、補えない場合は停止する
実例:コミュニティ活動の会場を比較する
入力を「河畔教室と山城会館を比較して、投影設備とバリアフリーの入口が必要な読書会に適しているのはどちら?」とします。これは架空の学習用シナリオです。最初の検索では二つの会場の設備一覧が得られ、河畔教室には投影設備がありますが、山城会館には室内の写真しかありません。エージェントは山城会館の設備に関する根拠が不足していると判断し、利用マニュアルを追加検索すべきです。入口の条件は会場の配置図や公式の説明で調べる必要があり、写真から推測してはいけません。
期待される出力は、投影設備が提供されるか、入口が質問の要件を満たすか、各項目の出典、管理者への確認がまだ必要な事項を、項目ごとに比較したものです。マニュアルに「支援を提供可能」とだけ書かれていても、特定の入口が利用できる根拠としては不十分なので、未確認と明記すべきです。この場合、検索を一度追加することで情報が見つかる可能性はありますが、モデルの推論を増やしても、文書に記録されていない事実を補うことはできません。
質問を「山城会館の連絡先電話番号を調べて」に変えるなら、固定型の検索で十分かもしれません。エージェントが計画を立て、確認してから検索すると、かえって待ち時間や誤りの機会が増えます。同じシステムでも、タスクの複雑さに応じて経路を選べます。明確な単一項目の検索は短いフローで処理し、複数の情報源をまたぐ比較で初めて動的な追加検索を有効にします。これは設計上のトレードオフであり、エージェント型の方式がすべての質問に優れると保証する出典はありません。
防ぐべきものはハルシネーションだけではない
エージェント型検索でよくある失敗は、クエリのドリフトです。最初は入口の条件を調べていたのに、何度か書き換えるうちに、一般的なバリアフリー旅行の検索に変わってしまいます。別の失敗として、同じ意味の文で繰り返し検索し、同じ内容を得ているのに複数の独立した根拠として扱うことがあります。元の質問、回答済みの項目、文書の識別子を保存して重複する情報を見分けられるようにし、追加検索のたびに、どの具体的な不足を解消するのかを説明させる必要があります。
情報が十分かどうかをモデル自身が判断する場合も、過度に楽観的になることがあります。重要な項目については、有効な出典が付いているかをプログラムで確認したり、引用が主張を裏付けているかを人が抜き取り確認したりできます。プログラムが検証できるのは設計済みの条件だけであり、あらゆる意味を自動的に理解するわけではありません。そのため、情報の不足、矛盾、出典の日付も評価に含める必要があります。ツールによる読み取りは毎回、同じユーザーの権限に従うべきであり、次の手順をエージェントが決めるからといって、アクセス範囲を広げてはいけません。
ループを追加する価値をどう評価するか
方式を比較する際は、同じ版の文書と同じ質問を使い、固定型 RAG とエージェント型フローそれぞれについて、回答の網羅性、引用による裏付けの程度、ツール呼び出し回数、待ち時間を記録します。改善が複数の文書をまたぐ質問に限られるなら、対象を絞った経路の振り分けを維持すればよく、全面的に置き換える必要はありません。評価には答えのない質問も含め、エージェントが停止できるかを観察し、成功できる実演用の質問だけで楽観的な結論を出さないようにします。
読者が製品紹介を見る際には、最初に何が見つかり、なぜ再検索し、その後何が補われ、いつ停止したかという、一連の検索履歴をすべて見せるよう求めることができます。こうした情報を表示できて初めて、システムが追加した手順が役立っているかを判断する余地が生まれます。エージェント型 RAG の核心は、根拠に応じて検索を調整することです。スケジューリング、再試行、監視、複数人での協働は、その動作を支えるエンジニアリングの仕事であり、すべてをエージェントの推論能力とひとまとめに呼ぶべきではありません。
システムが検索の進捗を表示するなら、画面上の「確認中」も実際の動作に対応させる必要があります。検索が予定されたことは、ツールが正常に結果を返したことを意味せず、ツールが結果を返したことも、根拠を読み終えたことを意味しません。こうした状態の違いを保つことで、ユーザーは待ち時間の理由を理解でき、開発チームもツールへの接続、文書の解析、モデルの判断のどの段階で止まっているかを把握しやすくなります。
| 方法 | 処理の重点 | 留意点 |
|---|---|---|
| 固定型 RAG | 所定の経路で検索 | フローを予測しやすい |
| Agentic RAG | 途中で得た根拠に応じて次の手順を選択 | 停止条件と予算の制限が必要 |
| Self-RAG | 必要に応じた検索と内省の仕組みを学習 | 特定の研究手法である |
検索拡張生成(RAG)とは:回答に確認可能な根拠を添える検索拡張生成(RAG)とは:回答に検証できる根拠を添える検索拡張生成は、まず外部データから関連する内容を探し、それを言語モデルに渡して回答を組み立てます。この記事ではイベントの申込規約に関する質問応答を例に、インデックス作成、検索、生成、出典確認を分解し、検索やファインチューニングとの違い、引用があっても誤答する理由を説明します。読めば、原因がデータの更新漏れ、文書の検索漏れ、モデルによる根拠の過剰解釈のどこにあるかを判断でき、どのような場合に「わからない」という回答を保つべきかもわかります。記事全文を読む
エージェントループ(Agent Loop)とは:判断、操作、フィードバック
エージェントオーケストレーション(Agent Orchestration)とは:役割分担と成果物の受け渡し順序を決める
AI 用語総索引:Loop Engineering から生成 AI まで
この記事が役に立ったら、必要な方にシェアしてください
同じテーマの記事
ライフスタイル
グラフ検索拡張生成(GraphRAG):関係から文書群全体を読み解く
GraphRAG はエンティティとその関係を検索に取り入れ、文書をまたぐ関連性や全体のテーマについての回答を支援します。本記事では Microsoft の原論文と公式ドキュメントを対象に、エンティティ抽出、コミュニティ要約、ローカル検索、グローバル検索を解説し、地域イベントの記録を例に、問いによって異なる経路が必要なことを示します。また、グラフの接続漏れ、名称の誤統合、要約の歪みが回答にどう影響するかを説明し、見栄えのよい関係図を検証済みの事実と取り違えないようにします。
ライフスタイル
ナレッジグラフ(Knowledge Graph):事物と関係を明確にする
ナレッジグラフはエンティティと関係でデータを整理し、「誰が何に参加し、どこで、いつ起きたか」をリンクに沿って検索できるようにします。本記事ではコミュニティイベントのデータを例に、エンティティの識別、関係の方向、出典、時間を説明します。リソース記述フレームワーク(RDF)とプロパティグラフの表現の違いを紹介し、グラフが可視化や信頼できる事実と同じではないことも解説します。読めば、データがグラフ化に適しているかを判断でき、テーブル、ベクトル検索、グラフ検索拡張生成(GraphRAG)との組み合わせ方も理解できます。
ライフスタイル
ハイブリッド検索(Hybrid Search):語句の正確さと意味を両立
ハイブリッド検索は、全文検索やベクトル検索などの異なる検索結果を統合し、正確なコードと自然言語による要求の両方に対応します。本記事では機器の取扱説明書の検索を例に、候補の取得、重複排除、順位融合、再ランキングを解説します。逆数順位融合(RRF)が順位を使って異なる検索結果を統合する仕組みを紹介するとともに、組み合わせればあらゆる面で精度が上がるわけではないことも説明します。コードを含む質問、言い換えた質問、答えのない質問で品質を確認し、権限、フィルター、重複コンテンツによる偏りを見分けられるようになります。
ライフスタイル
検索拡張生成(RAG)とは:回答に検証できる根拠を添える
検索拡張生成は、まず外部データから関連する内容を探し、それを言語モデルに渡して回答を組み立てます。この記事ではイベントの申込規約に関する質問応答を例に、インデックス作成、検索、生成、出典確認を分解し、検索やファインチューニングとの違い、引用があっても誤答する理由を説明します。読めば、原因がデータの更新漏れ、文書の検索漏れ、モデルによる根拠の過剰解釈のどこにあるかを判断でき、どのような場合に「わからない」という回答を保つべきかもわかります。
出典
上記の参考資料および記載の確認日時点の情報をもとに整理しています。料金・時刻・機能・利用規約は変更される場合があるため、ご旅行や予約・購入の前には該当する公式サイトで最新情報をご確認ください。