RAG（エージェント）とは
RAG（Retrieval-Augmented Generation、検索拡張生成）をエージェントに適用する手法とは、AIエージェントが外部の知識ベースやドキュメントから関連情報を検索し、その情報を活用してより正確で最新の応答やアクションを生成するアプローチです。
| ひとことで言うと | エージェントが必要に応じて社内文書を検索し、その内容をもとに回答する仕組み。 |
|---|---|
| どこで使う | 社内規程QA、製品マニュアル参照、過去案件の検索。 |
| 注意点 | 検索の精度が回答の精度を決める。文書の整備と更新が欠かせない。 |
エージェントにおけるRAGの役割
LLMは学習データに含まれない最新情報や企業固有の情報を知りません。RAGにより、エージェントは必要な情報をリアルタイムに外部から取得し、その情報に基づいて判断・行動できます。これによりハルシネーション（事実に基づかない情報の生成）を大幅に低減できます。
1質問を受け取る利用者の問い合わせ
▶
2検索が必要か判断自力で答えられるか
▶
3検索して取得関連文書を引く
▶
4十分か評価足りなければ再検索
▶
5出典付きで回答根拠を示す
↺ 情報が足りなければ3〜4をくり返す
エージェント型RAGの仕組み
単純なRAGではユーザーのクエリに対して一度だけ検索を行いますが、エージェント型RAG（Agentic RAG）では、エージェントが検索クエリを自ら生成し、結果を評価し、必要に応じて追加検索を行うという反復的なプロセスを実行します。複数のデータソースの使い分けや、検索結果の品質判断もエージェントが自律的に行います。
実装のポイント
エージェント型RAGの実装では、適切なチャンキング戦略、高品質な埋め込みモデルの選択、効果的な検索アルゴリズム（ハイブリッド検索など）、検索結果のランキングとフィルタリングが重要です。LangChainやLlamaIndexなどのフレームワークがこれらの実装を支援しています。