検索で得た文章だけでは質問に答えきれないとき、不足内容を特定して検索し直す。GoogleのAgentic RAGは、検索結果を使って回答を生成するRAGに情報の充足度を判定するエージェントを組み込み、回答前の反復検索につなげた。
複数の情報源をたどる質問を分解する
Google ResearchとGoogle Cloudが共同開発した検索・回答システムのAgentic RAGは、複数の情報源を段階的にたどる質問を扱う。Googleが比較対象とする単段のRAGでは、質問に対応する文書を取得し、その内容からLLMが回答を生成する。
新しい処理では、検索先を整理するPlanner Agentと、依頼を検索可能な質問へ分解するQuery Rewriterが役割を分担する。複数の項目を含む依頼を個々の検索へ展開し、それぞれに必要な情報を集める。
質問と草案を照らし合わせて不足を特定
取得した文章は、情報の充足度を判定するsufficient context agentへ渡される。この判定役は元の質問だけでなく、システムが作った回答草案と取得した文章も照合し、質問に答えるための情報がそろっているかを評価する。
情報が足りなければ、判定役は不足の理由と具体的なフィードバックを生成する。検索が不十分だという判定に加え、元の質問のどの部分に答える情報が欠けているかを、次の検索へ渡す。
不足内容を追加検索へ戻し、回答の生成へ進む
不足内容のフィードバックを受け取ると、Query Rewriterが新しい検索を作り、検索を担うRAG Agentが追加の情報を取得する。最初に得た文章だけで回答を仕上げる処理から、欠けた情報を狙って探し直す処理へ進む。
追加取得した情報は、充足度の判定を再び受ける。sufficient context agentが必要な情報がそろったと判断すると検索を終了し、回答をまとめるSynthesis Agentが最終回答を生成する。
事実性を問う評価で標準的なRAGを上回る
Googleは、事実性を問うデータセットを使った評価で、Agentic RAGが標準的なRAGより高い正確性を示したと報告している。比較結果は、情報の充足度判定と反復検索を含むシステム全体についての評価として示されている。