Agentic RAGは、最近RAGの精度向上において注目を集めている手法の一つです。 その名が示す通り、従来のRAGにAgentの機能を統合したもので、特にAgentが持つ「推論」「行動計画」「リフレクション（反省・評価）」などの高度な能力を活用することで、従来型のRAGよりも精度の高い検索結果を実現できる仕組みです。
Agentic RAGとRAGの違いについて：
従来のRAGの基本的なワークフローは以下のようなものです：
ユーザーのクエリをベクター化してベクターストアで関連情報を検索し、その検索結果とクエリをLLMに渡して回答を生成します。
一方、Agentic RAGのワークフローは⇩のようになります：
赤色の部分が従来のRAGから改善されたポイントです。具体的には次の2点です。
① 複数の検索手段を活用した柔軟な検索
従来のRAGでは、通常一つのベクターストアだけを用いて検索を行いますが、Agentic RAGでは、さまざまなタイプの検索手法を柔軟に組み合わせて使用します。例えば、従来のベクターストアに加え、グラフ型のインデックス、RDBMS（リレーショナルデータベース）によるインデックス、さらにはWeb検索など、多様な情報源を備えています。Agentがユーザーの質問内容をもとに最適な検索方法を判断して実行できるようになります。
② Agentによるリフレクション機能
もう一つ重要な改善点は、リフレクションの導入です。Agentが検索結果を取得した後、その情報が質問への回答を生成するために十分かどうかを自主的に評価する機能です。もし不十分と判断された場合、Agentは追加で別の検索手法を選択し、さらに情報を収集するという行動を取ります。検索プロセスそのものを動的に改善できる仕組みがAgentic RAGには備わっています。
まとめ：
Agentic RAGは、検索可能な情報源の多様化とAgentのリフレクション機能を通じて、従来のRAGシステムよりも高い精度で情報を取得できます。また、複雑な質問に対しても、より的確かつ包括的な回答を提供することが可能になります。特に、複雑かつ専門的な質問が多いビジネス用途や高度な知識を要求される分野において、非常に有効なソリューションだと考えられます。
より詳しい情報は以下のリンクをご覧ください。