Agentic RAG
Agentic RAGは、自治型AIエージェントが、取得するかどうか、どのように取得するかを判断し、クエリを書き換え、ツールを呼び出し、結果を評価し、必要に応じて再度取得を行う、検索拡張生成の一形態です。1回だけ取得してから回答を生成する標準的なRAGとは異なり、取得を反復、計画、検証から成る動的なプロセスへと変えます。
Agentic RAG は、自律エージェントが動的に検索を実行する RAG です—反復し、計画し、ツールを使用しながら—標準的な RAG のように「1 回取得してから生成する」単一パスとは対照的です。
その決定的な特徴は、エージェントの判断です。つまり、検索するかどうか、どのツールや知識ソースを使うか、クエリをどう書き換えるか、結果が不十分な場合に再度検索するかを、エージェントが自律的に決定します。
あるレビュー論文（arXiv:2501.09136）は、Agentic RAG の4つの中核パターンとしてreflection, planning,tool use、そして multi-agent collaborationを挙げています。
アーキテクチャは、単一エージェント（ルーター）から、マスターエージェントが複数の専門エージェントを調整するマルチエージェント設計、さらにはグラフベースのフレームワークまで多岐にわたります。
これは、マルチホップ推論、曖昧な質問、複数の知識ソースにまたがるタスクなどの複雑な作業において標準的な RAG を上回り、より正確で文脈を踏まえた回答を生成します。
Agentic RAG とは何ですか？
Agentic RAG は、自律的で目標指向のAI agentを検索拡張生成（RAG）パイプラインに組み込みます。標準的な RAG が「query → retrieve → generate」という固定的なワンショットの流れに従うのに対し、Agentic RAG ではエージェントが検索そのものをiterative, dynamic processとして扱います。エージェントは、そもそも検索するかどうかを判断し、どのツールや知識ソースを用いるかを選び、独自にクエリを書き換え、取得した文脈を評価し、不十分であれば再度検索したうえで、最終的に回答を生成します。
Weaviate の定義によれば、Agentic RAG は RAG パイプライン内で AI agents を使用し、その構成要素を統合して単純な検索と生成を超えるアクションを実行することを指します。重要なのは、検索を反復的なプロセスへと変え、最終回答を生成する前に、エージェントが文脈を推論し、評価し、再検索し、検証する点です（Shorten & Monigatti, 2024）。言い換えれば、この概念の独自性は、単に何が追加されたか（エージェント）だけでなく、エージェントが検索プロセス全体を通じてjudges, iterates, and uses toolsするという事実にあります。
Standard RAG と Agentic RAG の違い
両者の違いは、「検索がどれだけうまく行われるか」ではなく、「誰が検索プロセスを制御し、どのように制御するか」にあります。Standard RAG は人間が事前に定義したパイプラインをそのまま実行するだけですが、Agentic RAG ではエージェントが状況を観察し、フローを組み替えることができます。
Aspect | 標準RAG（Vanilla RAG） | エージェント型RAG |
|---|---|---|
検索フロー | クエリ → 検索 → 生成という固定的なワンショットフロー | エージェントが検索、評価、再検索を反復する動的フロー |
制御の所在 | 人間が設計した静的なパイプライン | エージェントの自律的判断（いつ、どのように検索するかの決定） |
外部ツール利用 | なし（単一のベクトル検索を中心とする） | 複数ツールの選択的利用—ベクトル検索、ウェブ検索、計算ツール、外部APIなど |
クエリ前処理 | なし（入力クエリをそのまま検索） | エージェントがクエリを書き換え、分解し、精緻化する |
マルチステップ検索 | 単一検索（ワンショット） | マルチホップの反復検索に対応 |
結果検証 | 検索結果の検証なし | 文脈上の関連性やハルシネーションの可能性を評価し、結果が弱い場合は再検索する |
コストと速度 | 一般的に高速かつ低コスト | 反復とツール呼び出しにより、より遅く、よりコストがかかる |
最適な質問 | 単純で、1つの事実に基づくクエリ | マルチホップ、曖昧、または複合推論を要するクエリ |
上の4つの中心的な行、すなわち外部ツールの使用、クエリ前処理、複数ステップの検索、結果の検証は、標準RAGとAgentic RAGの決定的な違いとしてWeaviateが挙げるまさにその次元です。NVIDIAの技術ブログも同じ対比を示しており、「標準RAGはシンプルで、クエリし、検索し、生成する」のに対し、「agentic RAGは動的で、エージェントがクエリし、精緻化し、RAGを数あるツールの1つとして使用し、時間の経過に伴ってコンテキストを管理する」と要約しています（Sessions, 2025）。
中核となる行動パターン
Agentic RAGにおいてエージェントが実際に行うアクションは、いくつかのカテゴリに分類される傾向があります。調査論文では、それらをreflection、planning、tool use、そしてマルチエージェント協調という4つの中核パターンに整理しています（Singh et al., 2025）。
Reflection: エージェントは、検索結果や生成された回答が質問に合っているかを自ら確認し、十分でなければクエリを書き直して再検索します。
Planning: 複雑な質問を複数のサブステップに分解し、検索の順序を計画します（マルチホップ推論）。
Tool Use: ベクトル検索を超えて、Web検索、計算機、外部APIなど、複数のツールの中から適切なものを選択して呼び出します。
Multi-Agent Collaboration: マスターエージェントが、社内文書、メール、Web検索などをそれぞれ担当する複数の専門エージェントに作業を分配し、その結果を統合します。
アーキテクチャの分類体系とその背景
Agentic RAGの構造は、エージェントの数と制御方式によって分類されます。Weaviateは、single-agent RAG (a router)を最もシンプルな形態として挙げています。これは、エージェントが単純なルーターとして機能し、複数の知識ソースのうちどれから追加コンテキストを取得するかを決定する構造です。より複雑なmulti-agent RAGでは、1つのマスターエージェントが複数の専門的な検索エージェント間で情報検索を調整し、独自の社内データ、個人アカウント（メールやチャット）、公開Web検索をそれぞれ別のエージェントが担当します（Shorten & Monigatti, 2024）。
調査論文（arXiv:2501.09136）ではさらに踏み込み、エージェントの数、制御構造、自律性のレベル、知識表現の方式に基づいて整理された、Agentic RAGアーキテクチャの体系的な分類を提示しています。そこでは標準RAGを「静的なワークフロー」と位置づけ、「多段階推論や複雑なタスク管理に必要な適応性を欠く」と説明する一方、Agentic RAGは自律エージェントを組み込むことで、柔軟性、拡張性、コンテキスト認識を確保すると述べています（Singh et al., 2025）。
ユースケース
Agentic RAG は、単一の事実を調べる用途よりも、複数の知識ソースをまたぎながら段階的に推論する作業でこそ、その強みを発揮します。調査論文では、アプリケーション領域としてヘルスケア、金融、教育、企業向け文書処理が挙げられています（Singh et al., 2025）。NVIDIA のブログでは、エージェントが「推論モデルを使って回答の関連性を確認し、クエリを書き換えながら、最良の応答が得られるまで反復する」振る舞いが強調されており、顧客サポート、法務サービス、企業のナレッジ管理など、文脈を豊富に含む回答を必要とする複雑なアプリケーションに有利だと説明しています（Sessions, 2025）。ただし、反復的な検索とツール呼び出しは、標準的な RAG と比べてレイテンシーとコストを押し上げるため、一般的な設計としては、質問の複雑さに応じて両者を使い分ける、あるいは組み合わせる方法が採られます。