ai-agents-for-beginners
(このレッスンのビデオを見るには上の画像をクリックしてください)
Agentic RAG
このレッスンでは、エージェント型Retrieval-Augmented Generation (Agentic RAG) について包括的に解説します。これは、大規模言語モデル（LLM）が外部情報を取得しつつ、自律的に次の行動を計画する新しいAIのパラダイムです。静的な検索して読取るだけのパターンとは異なり、Agentic RAGはツールや関数呼び出し、構造化された出力を挟みながら、LLMを繰り返し呼び出すループを含みます。システムは結果を評価し、クエリを洗練し、必要に応じて追加ツールを呼び出し、満足のいく解決策が得られるまでこのサイクルを継続します。
はじめに
このレッスンでは以下を扱います。
- Agentic RAGの理解： 大規模言語モデル（LLM）が外部データソースから情報を引き出しつつ、自律的に次の行動を計画する新しいAIのパラダイムを学びます。
- 反復的なメーカー-チェッカースタイルの把握： LLMの繰り返し呼び出しのループ、ツールや関数呼び出し、構造化された出力が交互に行われる仕組みを理解し、正確性の向上や不正確なクエリの処理方法を学びます。
- 実践的応用例の探求： Agentic RAGが特に効果的なシナリオ、例として正確性重視の環境、複雑なデータベース操作、長期的なワークフローを認識します。
学習目標
このレッスンを修了すると、以下を理解またはできるようになります。
- Agentic RAGの理解： 大規模言語モデル（LLM）が外部データソースから情報を収集しつつ、自律的に次のステップを計画する新しいAIパラダイムを学べます。
- 反復的メーカー-チェッカースタイル： ツールや関数呼び出し、構造化出力を伴うLLMへの繰り返し呼び出しループの概念を掴み、正確性向上と誤ったクエリ処理との関係を理解できます。
- 推論プロセスの所有： システムが自身の推論プロセスを所有し、予め定義された経路に依存せず問題へのアプローチを自律的に決定する能力を理解します。
- ワークフロー： エージェントモデルが市場トレンドレポートを取得し、競合他社データを特定し、社内販売指標を相関させ、発見を統合し戦略を評価するプロセスを理解します。
- 反復ループ、ツール統合、メモリ： システムが状態とメモリを維持しながら繰り返しの相互作用パターンに依存し、無駄なループを避けて情報に基づいた判断を行う仕組みを学べます。
- 故障モードの処理と自己修正： システムの強力な自己修正機能、繰り返し・再クエリ、診断ツール利用、人間の監視の活用を探ります。
- エージェンシーの境界： Agentic RAGの限界、特定ドメインの自律性、インフラ依存性、ガードレールへの尊重を理解します。
- 実用的なユースケースと価値： 正確性重視の環境、複雑なデータベース操作、長期ワークフローなど、Agentic RAGが効果を発揮するシナリオを認識します。
- ガバナンス、透明性、信頼： 説明可能な推論、バイアス制御、人間の監視を含むガバナンスと透明性の重要性を学びます。
Agentic RAGとは？
Agentic Retrieval-Augmented Generation (Agentic RAG) は、大規模言語モデル（LLM）が外部情報を取得しつつ、自律的に次の行動を計画する新たなAIパラダイムです。静的な検索して読取るパターンと異なり、Agentic RAGではツールや関数呼び出し、構造化された出力を挟みながらLLMを反復的に呼び出します。システムは結果を評価し、クエリを洗練し、必要に応じて追加ツールを呼び出し、満足のいく解決策が得られるまでこのサイクルを継続します。この反復的な「メーカー-チェッカー」スタイルによって、正確性が向上し、誤ったクエリの処理が可能になり、高品質な結果が保証されます。
システムは積極的に自身の推論プロセスを所有し、失敗したクエリの書き換えや異なる検索方法の選択、Azure AI Searchのベクター検索、SQLデータベース、カスタムAPIなど複数ツールの統合を行います。エージェント型システムの特徴は推論プロセスを自律的に所有する能力であり、従来のRAG実装が事前定義された経路に頼るのに対し、見つけた情報の質に基づいて次のステップのシーケンスを自ら決定します。
Agentic Retrieval-Augmented Generation (Agentic RAG) の定義
Agentic Retrieval-Augmented Generation (Agentic RAG) は、LLMが外部データソースから情報を取得するだけでなく、自律的に次の行動を計画する新たなAIパラダイムです。静的な検索・読取パターンや入念にスクリプト化されたプロンプトシーケンスとは異なり、Agentic RAGはツールや関数呼び出し、構造化出力を交えたLLMへの反復的な呼び出しループを含みます。システムは得られた結果を評価し、クエリを洗練し、必要に応じて追加ツールを呼び出し、満足のいく解決策が得られるまでこのサイクルを継続します。
この反復的な「メーカー-チェッカー」スタイルは正確性向上、不正確なクエリの構造化データベース（例：NL2SQL）への処理、高品質でバランスの取れた結果の保証を目的としています。入念に作成されたプロンプトチェーンのみに頼るのではなく、システムは推論プロセスを主体的に所有します。失敗したクエリを書き直し、異なる検索方法を選択し、Azure AI Searchのベクター検索、SQLデータベース、カスタムAPIなど複数ツールを統合してから回答を最終決定します。これにより過度に複雑なオーケストレーションフレームワークを不要にします。代わりに比較的シンプルな「LLM呼び出し → ツール使用 → LLM呼び出し → …」というループで洗練され根拠のある出力を得られます。
推論プロセスの所有
システムを「エージェント型」とする特徴は、推論プロセスを自ら所有する能力にあります。従来のRAG実装は人間がモデルの経路を事前に定義し、何をいつ検索するかをチェーン・オブ・ソート（思考の連鎖）として設計することが多いです。 しかし、本当にエージェント型のシステムは内部で問題へのアプローチ方法を決定します。単なるスクリプト実行ではなく、得られた情報の質に基づきステップのシーケンスを自律的に決めるのです。 例えば製品発売戦略の作成を求められた場合、全研究や意思決定のワークフローを詳述するプロンプトだけに頼らず、エージェント型モデルは独自に次のことを決めます。
- Bing Web Groundingを使って最新の市場トレンドレポートを取得する
- Azure AI Searchで関連する競合情報を識別する
- Azure SQL Databaseで過去の社内販売指標を相関させる
- Azure OpenAI Serviceで結果を統合し、一貫した戦略にまとめる
- 戦略の穴や不整合を評価し、必要なら別の検索を実行する これらのステップ—クエリの改善、情報源の選択、回答の満足までの繰り返し—は、人間が事前にスクリプト化するのではなく、モデルが決定します。
反復ループ、ツール統合、メモリ
エージェント型システムはループ型の相互作用パターンに依存します。
- 初回呼び出し: ユーザーの目的（ユーザープロンプト）がLLMに提示されます。
- ツール呼び出し: モデルが情報不足や曖昧な指示を検知すると、ベクターデータベース検索（例：Azure AI Search ハイブリッド検索）や構造化SQL呼び出しなどのツールや検索手段を選択して追加情報を集めます。
- 評価と改善: 返却されたデータをレビューし、十分かどうかを判断。足りない場合はクエリを洗練し、別のツールを試すか、方針を調整します。
- 満足するまで繰り返し: システムが最終的に十分な明瞭さと根拠を得て、よく推論された回答を提示できるまでこのサイクルを続けます。
- メモリと状態: システムはステップ間で状態とメモリを保持し、過去の試行結果を記憶。無駄なループを避け、より情報に基づく判断が可能です。
時間が経つにつれ進化的な理解の感覚が生まれ、モデルは人間の介入やプロンプトの書き換えなしに複雑な多段階タスクを進められます。
故障モードの処理と自己修正
Agentic RAGの自律性は強力な自己修正メカニズムも含みます。システムが行き詰まった場合（関連性のない文書取得や不正確なクエリなど）には次の対応を行えます。
- 繰り返しと再クエリ: 低品質な回答を返す代わりに、新しい検索戦略を試みたり、データベースクエリを書き直したり、代替データセットを調査します。
- 診断ツールの使用: 推論ステップのデバッグやデータの妥当性確認を助ける追加機能を呼び出すことがあります。Azure AI Tracingのようなツールは堅牢な可観測性と監視に重要です。
- 人間の監督にフォールバック: 重要度の高い場面や繰り返し失敗する場合は、モデルが不確実性を示し人間の指導を求めることがあります。人間の是正フィードバックを受けて以降の処理に反映させます。
この反復的かつ動的なアプローチにより、モデルは継続的に向上し、一発限りのシステムではなく、セッション中のミスから学習するシステムになります。
エージェンシーの境界
エージェント型RAGはタスク内での自律性を持つものの、人工汎用知能（AGI）とは異なります。その「エージェント型」能力は人間開発者が提供したツール、データソース、ポリシーに限定され、自分でツールを発明したりドメイン外に踏み出したりできません。代わりに手元のリソースを動的にオーケストレーションする能力に長けています。 より高度なAI形態との主な違いは以下の通りです。
- ドメイン固有の自律性： Agentic RAGシステムは既知のドメイン内でユーザー定義の目標を達成することに注力し、クエリ書き換えやツール選択で結果を改善します。
- インフラ依存： システムの能力は開発者が統合したツールやデータに依存し、人間の介入なしにこれらの限界を超えることはできません。
- ガードレールの尊重： 倫理指針、コンプライアンスルール、ビジネスポリシーは非常に重要で、エージェントの自由度は安全措置や監視メカニズムによって常に制限されます（望ましいことに）。
実用的なユースケースと価値
Agentic RAGは反復的な洗練と精度が求められる状況で特に効果を発揮します。
- 正確性重視の環境： コンプライアンスチェック、規制分析、法務調査において、エージェントモデルは繰り返し事実を検証し複数ソースを参照、クエリを書き直して徹底的に検証された回答を生成します。
- 複雑なデータベース操作： クエリが失敗しやすい構造化データ処理では、Azure SQLやMicrosoft Fabric OneLakeを用いてクエリを自律的に改善し、最終結果がユーザーの意図に合致することを保証します。
- 長期ワークフロー： 新たな情報が現れるにつれて長期的なセッションが進化し、Agentic RAGは継続的に新情報を取り込み、問題空間の理解が深まるにつれて戦略を変えることができます。
ガバナンス、透明性、信頼
これらのシステムが推論をより自律的に行うにあたり、ガバナンスと透明性が重要です。
- 説明可能な推論： モデルは行ったクエリ、参照したソース、結論に至る推論ステップの監査証跡を提供できます。Azure AI Content SafetyやAzure AI Tracing / GenAIOpsのようなツールが透明性維持とリスク低減に役立ちます。
- バイアス制御とバランスの取れた検索： 開発者は検索戦略を調整し、バランスの取れた代表性のあるデータソースを考慮し、Azure Machine Learningを使った高度なデータサイエンス組織向けのカスタムモデルで出力に偏りや歪みがないか定期的に監査できます。
- 人間の監督とコンプライアンス： 敏感なタスクでは人間によるレビューが不可欠です。Agentic RAGは重要な判断で人間の判断を置き換えるのではなく、より徹底的に検証された選択肢を提供することでそれを補完します。
行動の記録を明確に提供するツールの存在は不可欠です。そうでなければ多段階プロセスのデバッグは非常に困難になります。以下はLiteral AI（Chainlitを開発した会社）のAgent実行例です：
結論
Agentic RAGは複雑かつデータ集約的なタスクに対するAIシステムの自然な進化を示しています。ループによる相互作用パターンを採用し、自律的にツールを選択、クエリを洗練して高品質な結果が得られるまで継続することで、静的なプロンプト依存型から適応的でコンテキストに応じた意思決定者へ進化しています。人間が定めたインフラや倫理指針に制約されつつも、これらのエージェンシー能力がエンタープライズやエンドユーザーに対しより豊かで動的、そして有用なAI体験をもたらします。
Agentic RAGについてもっと質問がありますか？
Microsoft Foundry Discord に参加し、他の学習者と交流し、オフィスアワーに参加してAIエージェントに関する質問を解決しましょう。
追加リソース
- Azure OpenAI ServiceでのRetrieval Augmented Generation（RAG）実装: Azure OpenAI Serviceで自身のデータを使用する方法を学べるMicrosoft Learnの包括的なモジュールです
- Microsoft Foundryによる生成AIアプリケーションの評価: 公開データセット上でのモデルの評価と比較、Agentic AIアプリケーションおよびRAGアーキテクチャについて解説しています
- Agentic RAGとは | Weaviate
-
Agentic RAG: エージェントベースRetrieval Augmented Generationの完全ガイド – generation RAGからのニュース
- Agentic RAG：クエリの再形成と自己クエリでRAGを強化する！Hugging FaceオープンソースAIクックブック
- RAGにエージェンティックレイヤーを追加する
- 知識アシスタントの未来：Jerry Liu
- エージェンティックRAGシステムの構築方法
- Microsoft Foundry Agent Serviceを使ってAIエージェントをスケールする
学術論文
- 2303.17651 Self-Refine: 自己フィードバックによる反復的改善
- 2303.11366 Reflexion: 言語エージェントによる言語強化学習
- 2305.11738 CRITIC: 大規模言語モデルはツールインタラクティブ批評で自己修正できる
- 2501.09136 エージェンティック情報検索増強生成：エージェンティックRAGに関する調査
このエージェントのスモークテスト（任意）
Lesson 16でエージェントのデプロイ方法を学んだ後、このレッスンのTravelRAGAgentの回答が知識ベースに基づいているかを確認するスモークテストがtests/lesson-05-smoke-tests.jsonで行えます。実行方法はtests/README.mdを参照してください。
前のレッスン
次のレッスン
免責事項： 本書類は AI 翻訳サービス Co-op Translator を使用して翻訳されています。正確性を期していますが、自動翻訳には誤りや不正確な部分が含まれる可能性があることをご承知おきください。原文の原語版が正式な情報源とみなされるべきです。重要な情報については、専門の人間による翻訳を推奨します。本翻訳の利用により生じたいかなる誤解や解釈違いについても、当方は責任を負いかねます。