エージェント型RAG：「考えて検索する」設計

「3 ヶ月前の議事録と直近の決算資料を比較して、どう変わったか教えて」のような複雑な質問は、1 回の検索では答えが出ません。AI（Artificial Intelligence） が自分で検索を繰り返す Agentic RAG（Retrieval-Augmented Generation） が必要です。本記事では、ふくふくが受託案件で実装してきた Agentic RAG の構成パターンを共有します。

Agentic RAG が必要なケース

• 比較質問：「A と B の違い」「3 ヶ月前と現在の比較」── 2 つ以上の検索が必要
• 多段階質問：「○○ を作った人が他に何を作ったか」── 答えが次の検索のキーになる
• 集計質問：「過去 1 年の売上推移」── 複数文書から数値を抽出して集計
• 条件付き質問：「もし A なら B、A でなければ C」── 動的な分岐が必要

Agentic RAG の動作（5 ステップ）

1. 11. 計画：質問を分解し、必要なサブクエリ（複数）を生成
2. 22. 検索ループ：各サブクエリを順次 or 並列で検索、結果を中間メモに
3. 33. 評価：取得した文書が質問に十分か LLM（Large Language Model） 自身が判定。不足なら追加検索
4. 44. 統合：複数の文書から論点を抽出、矛盾や追加情報を整理
5. 55. 回答：統合結果を根拠付きで生成、引用元を明記

実装パターン：LangChain の AIエージェント + Tool

from langchain.agents import initialize_agent, Toolfrom langchain.tools.retriever import create_retriever_tool
# 検索ツールを Agent に渡すsearch_tool = create_retriever_tool(    retriever=vectorstore.as_retriever(search_kwargs={"k": 5}),    name="search_documents",    description="社内文書を検索する。質問に必要な情報を取得するときに使う。")
# Agent 初期化（ReAct パターン）agent = initialize_agent(    tools=[search_tool],    llm=llm,    agent="chat-zero-shot-react-description",    verbose=True,    max_iterations=5,  # 検索ループの上限（暴走防止）)
# 実行result = agent.invoke({"input": "3ヶ月前の議事録と直近の決算資料を比較して差分を出して"})print(result["output"])

実用上の落とし穴

• ループ暴走：max_iterations を入れないと「検索 → 不足 → 再検索」が無限ループ。3〜5 回が上限の目安
• コスト爆発：1 質問で 5〜10 倍のトークンを消費する。通常 RAG より 3〜5 倍コスト
• 応答時間：検索ループ分の遅延、5〜30 秒は普通。ストリーミングで進捗を見せる UI 設計が要
• 選定ミス：Agent が間違った Tool を選ぶ → 関係ない文書を取得。Tool の description が肝

通常 RAG vs Agentic RAG の使い分け

ふくふくの進め方

「社内ナレッジ RAG が複雑な質問に答えられない」というご相談には、質問の分類設計 → 単純/複雑のルーティング → Agentic 部分の実装を 1〜2 ヶ月で。ループ上限・タイムアウト・進捗 UIまで含めた本番品質の Agentic RAG を構築します。

次回予告

EP.08 はコスト最適化。トークン数を半分にしながら精度を落とさない手法 5 つを、計算式付きで共有します。