SNIFFOUT
  1. TOP
  2. スニフアウトAIメディア
  3. RAG
  4. Agentic RAG とは?AI エージェントが検索を判断する仕組みと使いどころ
GUIDE約 7 分

Agentic RAG とは?AI エージェントが検索を判断する仕組みと使いどころ

Agentic RAG は、AI エージェントがどのデータをどう探すか、情報が足りるか、答えが根拠と合うかを判断し、検索を繰り返して答える RAG です。従来の RAG との違い、4 つの動き、向く質問と入れる前に決めることを説明します。

目次
  1. 従来の RAG との違い
  2. Agentic RAG の 4 つの動き
  3. 1. ルーティング:どこを、どう探すかを決める
  4. 2. マルチステップ検索:問いを分けて、順に調べる
  5. 3. 自己検証:答えが根拠と合っているかを確かめる
  6. 4. 聞き返し:情報が足りない質問を確かめる
  7. 代表的な手法
  8. 使いどころ:1 回の検索では答えが出ない業務
  9. 入れる前に決めておくこと
  10. まとめ

Agentic RAG(エージェンティック RAG)とは、RAG の検索の進め方を固定せず、AI エージェントが「どのデータを、どの方法で探すか」「集めた情報で足りるか」「答えが根拠と合っているか」を判断しながら、必要なら検索を繰り返して答える仕組みです。従来の RAG が 1 回の検索で回答をつくるのに対し、検索と判断のループを回します。複数の資料を組み合わせないと答えられない質問や、社内文書と Web と顧客データをまたぐ質問に向いています。

研究の世界でも整理が進んでいて、2025 年 1 月に公開されたサーベイ論文は、Agentic RAG を、振り返り、計画、道具の使用、複数エージェントの協調という 4 つの設計パターンで検索を管理する RAG と説明しています。ここでは私の著書の内容を中心に、仕組みと使いどころを説明します。

従来の RAG との違い

基本的な RAG(Naive RAG)は、質問に意味の近い文書の一部(チャンク)を 1 回探し、それを材料に回答します。著書では、このやり方の限界を 3 つ挙げました。

  1. 検索が 1 回きりで、結果を見てから「別の情報も調べないといけない」と気づく質問に対応できない
  2. 検索する場所があらかじめ決めたデータに固定されていて、状況に応じて見に行く先を変えられない
  3. 意味の近さで探すベクトル検索だけでは、文脈が欠けたり、必要な量の情報を集めきれなかったりする
従来の RAGAgentic RAG
検索の回数1 回足りなければ繰り返す
検索する場所あらかじめ決めたデータ質問に応じて社内文書、Web、社内のシステムなどを選ぶ
検索の方法主にベクトル検索ベクトル検索、キーワード検索、全文の読み込みなどを使い分ける
回答の確かめしない根拠と食い違いがないかを確かめる
時間と費用小さい判断と検索の回数ぶん増える
向く質問1 か所を読めば答えられる質問複数の情報を組み合わせる質問

Agentic RAG の 4 つの動き

利用者の質問がエージェントの帯に下り、ルーティング、検索、足りるかの判断のループを回って、回答と自己検証を経て利用者に戻る流れ。検索では下の帯の道具を呼び出す

質問はエージェントの帯に下り、探し方の選択、検索、足りるかの判断を、足りるまで繰り返します。ループは回数の上限で止め、最後に回答を根拠と照らし合わせてから利用者に返します。下の帯の道具は一例で、どれを使えるようにするかは業務で決めます。

1. ルーティング:どこを、どう探すかを決める

質問の中身に応じて、検索のやり方をエージェントが振り分けます。著書では、振り分けの軸を 4 つに整理しました。

振り分けの軸例
データソース社内文書を見るか、Web 検索や外部の API で新しい情報を取るか
検索の方法ベクトル検索、全文の読み込み、キーワード検索、ページ単位の索引のどれを使うか
パラメータ何件のチャンクを、どの粒度で取ってくるか
索引ファイルに付けたタグから、どのカテゴリを優先して探すか

2. マルチステップ検索:問いを分けて、順に調べる

1 回の検索では答えにたどり着けない質問は、小さな問いに分けて順に調べます。著書の例では「A 社との提携が、自社の技術ロードマップに与える影響を教えて」という質問に対し、A 社の事業を調べ、自社のロードマップを確かめ、過去の提携事例を分析し、最後に統合して答えます。

似た動きに、検索結果を見てから「まだ足りない」と判断したときだけ別の検索をかける反復検索もあります。人が調べものの途中で新しい疑問を見つけ、さらに深掘りしていく動きに近いものです。

3. 自己検証:答えが根拠と合っているかを確かめる

一度つくった回答が事実にもとづいているかを、エージェント自身が別の検索で確かめます。著書では、社内文書をもとにつくった回答が、外部の新しい情報と矛盾していないかを Web 検索で確かめる例を挙げました。もっともらしい作り話(ハルシネーション)を抑える手当てです。

4. 聞き返し:情報が足りない質問を確かめる

「有給のことを教えて」のように質問の条件が足りないときは、利用者へ聞き返します。おすすめは、一度検索してみて、拾った資料が条件で割れたときだけ聞き返すやり方です。聞き返さなくても答えられる質問で、利用者を待たせずに済みます。設計の詳しいところは「RAG の精度を上げるクラリフィケーション」で扱っています。

代表的な手法

Agentic RAG は、こうした判断を RAG に組み込む考え方の総称で、実現する手法はいくつもあります。よく名前が挙がるものを並べます。

手法何をするか出典
ReAct「考える」と「検索などの行動」を交互に繰り返すYao ら、2022 年
Self-RAG検索が要るかどうかをモデル自身が判断し、取ってきた文書と自分の出力を特殊なトークンで評価しながら生成するAsai ら、2023 年
Corrective RAG(CRAG)検索結果の質を評価し、質が低ければ Web 検索で補うYan ら、2024 年
Agentic Searchベクトル DB を用意せず、エージェントがキーワード検索を呼び出し、結果を見て検索語を直しながら繰り返す津本 海の著書

著書では、Agentic Search はベクトル DB や索引の構築が要らず実装が簡単な一方、推論を何度も繰り返すためトークンの消費が大きく膨らみやすいと書きました。どの手法も、精度と引き換えに時間と費用を使う点は同じです。

使いどころ:1 回の検索では答えが出ない業務

著書では、実用的な RAG をつくろうとすると、こうしたエージェント的な要素を入れないと期待どおりに動かないケースが多いと書きました。典型が、営業の提案づくりを支援するエージェントです。

営業支援エージェントが、Web と CRM、社内資料、過去の議事録、Web と調べる先を乗り換えながら 4 段階で調べ、提案の筋書きに統合する路線図

横の点線が調べる先、太線がエージェントのたどる順番です。調べる先が Web、CRM、社内資料、過去の議事録と分かれ、前の調査結果を見て次に何を探すかが決まります。こうした業務では、1 回の検索で答えをつくる RAG では材料がそろいません。

反対に、社内規程への質問のように 1 か所を読めば答えられる業務なら、Agentic RAG は過剰です。Anthropic も AI エージェントのつくり方を解説した 2024 年 12 月の記事で、できるだけ単純な方法から始め、複雑にするのは結果がはっきり良くなる場合だけにするよう勧めています。手順が決まっている業務なら、検索と判断の分岐をあらかじめ決めたワークフロー型で足りることも多いです。

質問の種類ごとに、向く構成を並べるとこうなります。

質問の例向く構成理由
有給は 1 時間単位で取れますか?普通の RAG規程の 1 か所を読めば答えられる
この報告書を要約して全文の読み込み(入口で振り分ける)一部だけを読む RAG は、全体の把握が苦手
去年と今年で、出張規程はどこが変わった?Agentic RAG年度ごとに別々に探し、突き合わせる必要がある
A 社との提携は、自社のロードマップにどう影響する?Agentic RAG社外と社内の情報を、何段階も組み合わせる
私が注文した商品はいつ届く?検索ではなくシステム連携本人の注文データを、ログイン情報で確実に特定する

1 つのシステムにこれらの質問が混ざって届くなら、入口のルーティングで振り分け、Agentic RAG のループは必要な質問にだけ使います。すべての質問でループを回すと、簡単な質問まで遅く、高くなります。

入れる前に決めておくこと

  1. 止める条件:最大で何ステップまで繰り返すか、新しい情報が出なくなったら止めるか。決めないと、回答がいつまでも終わらないことがある
  2. 使わせる道具と権限:どのデータソースに触れてよいか。顧客の個人データは意味の近さで探させず、ログイン情報などで本人のデータを特定してから渡す
  3. ログ:どの道具を何回呼び、どの情報を回答に使ったか。外れたときの原因を追えるようにする
  4. 評価:最終的な回答だけでなく、途中でどんな検索をしたかも採点の対象にする(「RAG の評価方法」)
  5. 人の確認:お客様に出す回答や金額など、間違えると困る出力は、人が確かめてから使う

もう一つ、エージェントが何度探し直しても、元のデータが読めていなければ答えの材料は増えません。Excel や PowerPoint の表や図がテキストになっていないなら、先にデータを RAG Ready に直す必要があります。株式会社スニフアウトの RAG Ready Converter は、その変換を行うツールです。

AI エージェントを人が見守りながら動かすか、運用中は任せきりにするかの考え方は「Human-on-the-Loop と Human-out-of-the-Loop」で、RAG の仕組みから精度向上の施策の選び方までを体系的に学ぶ場としては RAG技術研修 を用意しています。

まとめ

  • Agentic RAG は、AI エージェントが探し方を選び、足りなければ探し直し、答えを確かめてから返す RAG
  • 主な動きは、ルーティング、マルチステップ検索、自己検証、聞き返しの 4 つ
  • 複数の情報源を組み合わせる質問に向く。1 か所を読めば答えられる質問なら、普通の RAG で足りる
  • 時間と費用は増えるので、止める条件、道具と権限、ログ、評価、人の確認を先に決める
  • 元データが読めていなければ効かないので、データの前処理は別に手当てする
FAQ

よくある質問

Agentic RAG と普通の RAG は、どちらを選べばいいですか?
1 か所を読めば答えられる質問が中心なら、普通の RAG で足ります。複数の資料や、社内文書と Web、顧客データをまたいで組み合わせないと答えられない質問が多いなら、Agentic RAG を検討します。まず普通の RAG で質問集を使って測り、どの種類の質問で落ちるかを見てから決めるのが確実です。
Agentic RAG は遅く、高くなりませんか?
なります。検索と判断を繰り返すぶん、LLM の呼び出しと読み込む文字数が増え、回答までの時間と費用がかさみます。最大のステップ数や、新しい情報が出なくなったら止める条件を決めておき、すべての質問ではなく必要な質問だけに使う設計にします。
Agentic RAG と AI エージェントは何が違いますか?
Agentic RAG は、AI エージェントの仕組みを RAG の検索と回答に使ったものです。AI エージェントはもっと広く、メールの作成やシステムの更新のような行動まで担います。大きな AI エージェントの中に、RAG を道具の一つとして組み込む設計もよく使われます。
Agentic RAG を入れれば、データの前処理はいらなくなりますか?
いりません。エージェントが何度探し直しても、元の Excel や PowerPoint の表や図がテキストとして読めていなければ、答えの材料は増えません。データの前処理と Agentic RAG は、別々に効く手当てです。
Related Service

この記事に関連するサービス

Author津本 海株式会社スニフアウト 代表取締役CEO

東京大学大学院 複雑理工学専攻卒業。理論物理学・ヒューマンインターフェースを専門とし、大手化粧品メーカー・ゲーム会社で AI/機械学習の開発に従事。2022年11月に株式会社スニフアウトを創業。RAG と AI エージェントの解説書を執筆している。