RAGは外部の資料から関連情報を検索し、生成時の根拠としてモデルへ渡す仕組みです。AIエージェントは目標に応じて検索やツールを選び、結果を確かめながら処理を進めます。 したがって両者は競合する技術ではありません。RAGをエージェントが使える検索手段の一つにすると、社内知識を根拠に次の行動を決められます。
AIエージェント開発を体系的に学びたい方は、AIエージェントが学べるおすすめスクールで、AI活用、Python実装、マンツーマン支援の違いを比較できます。
| 観点 | RAG | AIエージェント |
|---|---|---|
| 主な役割 | 関連情報を検索して回答へ加える | 目標に向けて手順と道具を選ぶ |
| 入力 | 質問、検索対象 | 目標、状態、利用可能な道具 |
| 出力 | 根拠を含む回答材料 | 回答、更新、通知などの実行結果 |
| 主な評価 | 検索精度、根拠性 | 完了率、安全性、費用 |
RAGは質問に必要な知識を取り出す仕組み
RAGの中心は、文書を分割して検索可能にし、質問と近い断片をモデルへ渡す処理です。 AnthropicのContextual Retrieval解説では、文書の分割、埋め込み、検索、取得した断片の利用という基本工程が示されています。
典型的な流れは次の通り。
- 規程やマニュアルを小さな単位へ分割する
- 各断片を索引へ登録する
- 質問に関連する断片を検索する
- 断片と質問をモデルへ渡して回答を作る
RAGだけでも根拠付きの回答を作れる構成。ただし、回答後に申請を作成するか、担当者へ確認するかまでは通常決めません。
エージェントは検索を必要な時点で選び直す
固定的なRAGは、質問を受けたら一度検索して回答する直線的な構成です。エージェント型では、検索結果が不足していれば質問を書き換え、別の検索先を試し、必要な情報がそろったかを判定します。 MicrosoftのRAG設計ガイドも、検索を道具として動的に使うエージェント型RAGと、固定パイプラインを区別しています。
問い合わせ対応なら、社内規程を検索した結果だけで回答できる場合もあれば、顧客情報や注文状態を別システムで確認する場合もあります。後者で検索から外部操作へ橋を架ける役割がエージェント。
組み合わせると検索、判断、行動が一つの流れになる
Google CloudのRAG参照アーキテクチャでは、検索基盤と生成処理に加えて、エージェントが検索を制御する構成も整理されています。
| 段階 | 問い合わせ対応の例 | 失敗時の扱い |
|---|---|---|
| 検索 | 返品規程を取得 | 別の検索語で再試行 |
| 判断 | 返品条件を満たすか照合 | 不足項目を利用者へ確認 |
| 行動案 | 返送案内を下書き | 担当者レビューへ回す |
| 確定 | 承認後に案内を送信 | 送信せず記録を残す |
重要なのは、検索結果を命令として扱わないこと。文書内に不正な指示が混ざっていても、権限規則や利用者の依頼を上書きさせない境界が必要です。
精度は検索と行動を分けて評価する
回答が誤っている原因をモデルだけに求めると、改善点を見失います。 Anthropicのエージェント評価ガイドは、実際の仕事を反映した課題と採点基準を設ける重要性を説明しています。
評価を次の層へ分解します。
- 必要な文書が検索上位へ入ったか
- 取得した文書から正しい根拠を選べたか
- 不足時に再検索または確認へ進めたか
- 許可された操作だけを実行したか
- 最終状態が業務上の完了条件を満たしたか
NIST AI RMFの測定に関する資料が示すように、運用中の監視とリスク測定も欠かせません。検索精度が高くても、誤送信の影響が大きい処理は人の承認を残します。
AIエージェントのアーキテクチャと合わせると、検索、状態管理、ツール実行をどこで分離するか整理できます。
RAG型AIエージェントでよくある質問
RAGを導入すればAIエージェントになりますか？
RAGを追加しただけでは、通常は検索拡張された回答システムです。目標に応じて検索の要否や次の操作を選び、結果を見て処理を続ける制御まで備えると、エージェント型に近づきます。名称よりも選択と行動の範囲で判断します。
ベクトル検索だけを使えば十分ですか？
質問と文書の性質によります。意味の近さを捉える検索に加え、製品番号や固有名詞を拾いやすいキーワード検索を組み合わせる方法もあります。実際の質問集で検索結果を測り、方式を選ぶのが確実です。
社内文書を使う場合に最初に決めることは何ですか？
利用者ごとの閲覧権限を検索結果にも反映することです。索引へ登録できた文書を全員へ返してよいとは限りません。取得、生成、ログ保存の各段階で機密区分と保持期間を決めます。
検索の根拠と実行権限を別々に設計する
RAGは必要な知識を取り出し、エージェントはその知識を使って次の手順を選びます。二つの役割を分けると、検索ミスと実行ミスを個別に発見できます。
- RAGは外部知識を回答へ加える仕組み
- エージェントは検索を含む道具を状況に応じて選ぶ
- 検索、判断、行動の各段階へ停止条件を置く
- 検索精度と業務の完了率を別々に測る
検索以外の道具も同じ形式で接続したい場合は、MCPとAIエージェントの関係で、接続の標準化と安全な権限管理を確認できます。
