「検索不足」を自己判断させる：LangGraphとChromaDBによる高度なエージェンティックRAGの構築（第2弾）

本記事は、従来のRAG（Retrieval-Augmented Generation）が持つ「一度の検索」という構造的な限界を克服するため、「Agentic RAG」という高度なシステムを構築した技術解説です。このシステムは、LangGraphを用いて複雑な思考プロセスをグラフ構造で実現しています。従来のRAGでは、質問（Q）に対して一度検索を行い、得られた文書（D）を基に回答を生成しますが、Agentic RAGでは、LLM（Claude）が「この文書で十分か？」を評価（evaluate）し、情報が不足していると判断した場合、自らクエリを書き換え（improve_query）、再検索（retrieve）を繰り返すループ機構が組み込まれています。

このアーキテクチャは、[analyze]（クエリ分析）→ [retrieve]（検索）→ [evaluate]（評価）→ [generate]（生成）→ [reflect]（自己評価）というサイクルを形成します。特に[evaluate]ノードが「不足している情報」を特定し、[retrieve]ノードへ戻る条件分岐（ルーティング）が核心です。このループにより、複合的な質問（例：「認証とSQLインジェクション対策を両方教えて」）に対し、単なる情報収集に留まらず、必要な情報を能動的に探し出す能力が飛躍的に向上しました。

実証実験では、複合質問（Q2）において、従来のRAGでは「記載がありません」で終わっていた認証の詳細情報が、Agentic RAGによって2回の検索を経て補完され、回答の質が明確に向上しました。しかし、ドキュメント自体に存在しない「横断的な考察」を求める質問（Q3）の場合、検索回数が増えてもスコアが改善しないという「エージェンティックな限界」も指摘されています。記事は、このシステムを「回答品質重視」「複合的な質問対応」に最適なケースとして推奨しつつ、実用上の課題として「過剰な再検索」や「早期終了ロジックの必要性」を提言しています。

---

背景

従来のRAGは、質問を一度検索し、得られた文書をそのままLLMに渡すシンプルな構造でした。しかし、複雑な質問や複数のドキュメントにまたがる情報を求める場合、一度の検索では必要な情報が網羅できず、回答の質が低下するという構造的な課題がありました。本記事は、この課題を解決するため、LLMに「思考」と「自己修正」のプロセスを組み込むことを目指しています。

重要用語解説

• LangGraph: 大規模言語モデル（LLM）の実行フローをグラフ構造で定義・管理するためのライブラリ。複雑なステップや条件分岐を持つAIエージェントの構築に用いられます。
• Agentic RAG: 単なる検索と生成に留まらず、LLMが検索結果を評価し、不足情報を判断して自律的にクエリを修正・再検索を繰り返す、高度な情報検索・生成システム。
• ChromaDB: ベクトルデータベースの一種。文書やクエリを数値ベクトルに変換し、類似度に基づいて関連性の高い情報を高速に検索するために利用されます。本記事では、検索の「記憶」と「蓄積」の役割を担っています。

今後の影響

本技術は、単なる情報検索ツールから、ユーザーの意図を深く理解し、能動的に情報を補完する「思考型AI」への進化を示しています。これにより、専門的な知識や複数の視点からの比較分析が必要な業務分野（例：法律、医療、高度な技術コンサルティング）でのAI活用が大きく進むと予想されます。ただし、コストと複雑性が増すため、用途に応じた使い分けが重要となります。