論文概要（Abstract）
Agentic Retrieval-Augmented Generation（Agentic RAG）は、従来のRAGパイプラインに自律的AIエージェントを統合するパラダイムです。本サーベイ（Singh et al., 2025）は、Naive RAGからAdvanced RAG、Modular RAG、そしてAgentic RAGへの進化を4段階で体系化し、反復的な検索精錬・戦略的計画・適応的マルチステップ検索が可能なシステムの設計原則とアーキテクチャパターンを網羅的に整理しています。
この記事は Zenn記事: LangGraph×Claude Sonnet 4.6で実装する階層的Agentic RAG検索パイプライン の深掘りです。
情報源
- arXiv ID: 2501.15228
- URL: https://arxiv.org/abs/2501.15228
- 著者: Aditi Singh, Abul Ehtesham, Saket Kumar, Tala Talaei Khoei
- 発表年: 2025
- 分野: cs.AI, cs.LG, cs.NE
背景と動機（Background & Motivation）
大規模言語モデル（LLM）は高い言語理解・生成能力を持つ一方、学習データの知識カットオフ、コンテキストウィンドウの制約、ハルシネーションという根本的な課題を抱えています。Retrieval-Augmented Generation（RAG）はこれらの課題に対して、外部知識を動的に取得することで対応しますが、従来のRAGは「1回の検索→1回の生成」という固定的なパイプラインに限定されていました。
複雑なマルチホップ質問や、リアルタイム情報が必要なタスクでは、この単純なパイプラインでは不十分です。Agentic RAGは、RAGをエージェントのツールの一つとして組み込み、自律的に検索計画を立て、結果を評価し、必要に応じて再検索する仕組みを実現します。
本サーベイは、この進化の全体像を初めて体系的に整理した論文として重要です。
主要な貢献（Key Contributions）
- 貢献1: RAGの進化をNaive → Advanced → Modular → Agenticの4段階で体系化した初の包括的分類体系
- 貢献2: Agentic RAGの3つのアーキテクチャパターン（Single-Agent / Multi-Agent / Hierarchical Multi-Agent）を定義し、各パターンの適用条件を明確化
- 貢献3: メモリ種別（短期・長期・作業記憶）と計画メカニズム（ReAct / CoT / MCTS）を横断的に整理し、設計指針を提示
技術的詳細（Technical Details）
RAG進化の4段階
本サーベイが提案する分類体系の核心は、RAGシステムの進化を4段階で捉えることです。
Stage 1: Naive RAG
最も基本的な構成で、「検索→生成」の単一パスを実行します。
\[a = \text{LLM}(q \oplus \text{Retrieve}(q, \mathcal{D}))\]ここで、$q$はクエリ、$\mathcal{D}$はドキュメントコーパス、$\oplus$はコンテキスト結合を表します。シンプルだが、検索品質が低い場合にノイズが生成品質を劣化させます。
Stage 2: Advanced RAG
検索前処理（クエリ拡張、HyDE）と検索後処理（リランキング、コンテキスト圧縮）を追加します。
\[a = \text{LLM}(q \oplus \text{Rerank}(\text{Retrieve}(\text{Expand}(q), \mathcal{D})))\]検索品質は改善されますが、固定的なパイプラインのため柔軟性に欠けます。
Stage 3: Modular RAG
検索・リランキング・生成をモジュール化し、パイプラインの各段階を交換可能にします。LangChainやLlamaIndexが代表的なフレームワークです。
Stage 4: Agentic RAG
エージェントループを導入し、Plan → Retrieve → Reflect → Refine → Answerのサイクルを実現します。
1
2
3
Plan → Retrieve → Reflect → Refine → Answer
↑ |
└──────── Feedback ←───────────┘
このループにより、検索結果が不十分な場合にクエリを書き換えて再検索したり、複数のツール（Web検索、コード実行、構造化DB）を組み合わせたりすることが可能になります。
Agentic RAGの3アーキテクチャパターン
パターン1: Single-Agent RAG
1つのエージェントが検索・推論・生成を統合的に管理します。
代表手法:
- ReAct-RAG: 推論（Reasoning）と行動（Acting）を交互に実行
- Self-RAG: 検索の必要性を自己判断し、結果を自己批評
- Adaptive-RAG: クエリ複雑度に応じて検索戦略を切り替え
Zenn記事で紹介されている階層的検索パイプラインは、このSingle-Agentパターンの発展形に位置づけられます。1つのエージェント（Claude Sonnet 4.6）がkeyword_search / semantic_search / chunk_readの3ツールを使い分けます。
パターン2: Multi-Agent RAG
専門化されたエージェントが協調動作します。
| エージェント | 役割 |
|---|---|
| Router Agent | クエリを適切な検索ソースにルーティング |
| Retrieval Agent | Dense/Sparse/KBベースの検索を実行 |
| Reasoning Agent | 取得した証拠を統合して推論 |
| Critic Agent | 回答品質を評価し、必要に応じて再検索を指示 |
この構成は、LangGraphのStateGraphでノードとエッジとして自然に表現できます。
パターン3: Hierarchical Multi-Agent RAG
親エージェントがタスクを分解し、子エージェントに割り当て、結果を集約します。大規模ドキュメントコーパスを扱うエンタープライズRAGに適しています。
\[a = \text{Parent}(\text{Aggregate}(\text{Child}_1(q_1), \text{Child}_2(q_2), \ldots, \text{Child}_n(q_n)))\]エージェントメモリの3分類
| メモリ種別 | 内容 | 実装例 |
|---|---|---|
| Short-term | インコンテキストの検索結果 | LangGraphのStateに格納 |
| Long-term | ベクトルストアのエピソード記憶 | FAISS / Chroma / Pinecone |
| Working Memory | 中間推論チェーン | LangGraphのsearch_history |
Zenn記事のsearch_historyとvisited_chunksは、まさにWorking Memoryの実装例です。これらがないと、エージェントが同じチャンクを何度も読み直し、トークン消費が爆増するとA-RAG論文でも指摘されています。
計画メカニズム
サーベイは3つの主要な計画メカニズムを特定しています。
- ReAct: 推論ステップと行動ステップを交互に実行。最も広く使われている。
- Chain-of-Thought before Retrieval: 検索前に推論チェーンを生成し、検索クエリの質を向上。
- Monte Carlo Tree Search (MCTS): 推論パスを探索木として表現し、UCBポリシーで最適パスを探索。最新のMCTS-RAG（Hu et al., 2025）がこのアプローチの代表例。
実装のポイント（Implementation）
本サーベイの知見をLangGraphで実装する際の重要なポイントをまとめます。
検索戦略の選択
| 検索手法 | 実装例 | 適するクエリ |
|---|---|---|
| Dense Retrieval | FAISS + text-embedding-3-small | 概念的な類似性検索 |
| Sparse Retrieval | BM25 / TF-IDF | キーワード完全一致検索 |
| Hybrid | RRF（Reciprocal Rank Fusion） | 両方の長所を組み合わせ |
| Graph-based | Neo4j / Knowledge Graph | 構造化された関係性の検索 |
Zenn記事のkeyword_search（Sparse）とsemantic_search（Dense）の組み合わせは、Hybridアプローチの一形態です。
エージェントループの安全弁
サーベイが明確に指摘する重要な課題は、エージェントループのスタック問題です。検索ループが無限に続く、あるいは非一貫な検索戦略を生成する可能性があります。
1
2
3
4
5
6
7
8
9
10
# Zenn記事のiteration_countによる安全弁は、
# サーベイが推奨するベストプラクティスの実装例
MAX_ITERATIONS = 5
def should_continue(state: MainState) -> str:
if state.get("iteration_count", 0) >= MAX_ITERATIONS:
return "force_answer" # 強制回答
if has_tool_calls(state):
return "tools"
return "end"
スケーラビリティの課題
サーベイは、反復検索のレイテンシが検索ラウンド数の2乗で増加する可能性を指摘しています。
\[\text{Latency} \propto n^2 \cdot t_{\text{retrieval}}\]ここで$n$は検索ラウンド数、$t_{\text{retrieval}}$は1回の検索レイテンシです。Zenn記事のクエリ複雑度ルーター（Haiku 4.5で分類）は、この問題に対する実用的な解決策です。単純なクエリには不要な反復検索を省略できます。
実験結果（Results）
本サーベイ自体はベンチマーク実験を行っていませんが、引用論文群のベンチマーク結果を集約しています。
| 手法 | HotpotQA | PopQA | MuSiQue | パターン |
|---|---|---|---|---|
| Naive RAG | ~67% | ~48% | ~38% | Stage 1 |
| Self-RAG | ~70% | ~52% | ~41% | Stage 4 (Single) |
| Adaptive-RAG | ~72% | ~54% | ~43% | Stage 4 (Single) |
| CoRAG | ~86% | ~74% | ~55% | Stage 4 (Single) |
| A-RAG | 94.5% | - | - | Stage 4 (Single) |
Stage 4（Agentic RAG）の手法群が、Stage 1（Naive RAG）に対して一貫した改善を示しています。特にマルチホップQAタスク（HotpotQA、MuSiQue）での改善が顕著です。
実運用への応用（Practical Applications）
サーベイは以下の5つの応用領域を特定しています。
- エンタープライズ知識管理: 社内文書検索（Hierarchical Multi-Agent RAGが最適）
- 医療文献検索: 正確性と根拠の追跡が必須な領域
- 法律文書分析: 判例と法令の横断検索
- コード生成: ドキュメント検索を伴うコーディングアシスタント
- 科学文献統合: 複数論文の知見を統合するリサーチアシスタント
Zenn記事のユースケース（社内検索の回答精度改善）は、1番目のエンタープライズ知識管理に直接対応します。Hierarchical Multi-Agent構成を採用する場合、LangGraphのサブグラフ機能で親エージェントと子エージェントを自然に分離できます。
関連研究（Related Work）
- ReAct (Yao et al., 2022): 推論と行動の交互実行。Agentic RAGの基盤となるパラダイム。
- Self-RAG (Asai et al., 2023): 検索の必要性を自己判断する反省トークンの導入。Single-Agent RAGの代表的手法。
- IRCoT (Trivedi et al., 2022): 検索とChain-of-Thought推論のインターリービング。Agentic RAGの先駆的手法。
- Lewis et al. (2020): RAGの原論文。Stage 1（Naive RAG）の定義。
まとめと今後の展望
本サーベイは、RAGの進化を4段階で体系化し、Agentic RAGの設計パターンを明確に分類した重要な貢献です。Zenn記事で実装した階層的検索パイプラインは、Single-Agent RAG（Stage 4）の発展形として位置づけられ、A-RAG論文の3層検索ツール設計と整合しています。
今後の研究方向として、標準的なAgentic RAG評価ベンチマークの策定、効率的なマルチエージェント協調プロトコルの開発、検索拡張型推論モデル（RAGとChain-of-Thought学習の統合）が挙げられています。
参考文献
- arXiv: https://arxiv.org/abs/2501.15228
- Related Zenn article: https://zenn.dev/0h_n0/articles/a4cd3a7f1cf4ce
- Yao et al. (2022): ReAct: Synergizing Reasoning and Acting in Language Models
- Asai et al. (2023): Self-RAG: Learning to Retrieve, Generate, and Critique Through Self-Reflection
- Trivedi et al. (2022): Interleaving Retrieval with Chain-of-Thought Reasoning
- Lewis et al. (2020): Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks