Agentic Graph RAG、Advanced RAG、Naive RAGの違いは、検索をどこまで作り込むかにある。RAG(Retrieval-Augmented Generation)は、LLMが知らない情報を外部の検索結果で補う仕組みで、一種類ではない。最小構成のNaive RAG、検索精度を底上げするAdvanced RAG、部品を差し替えられるModular RAG、知識グラフを使うGraph RAG、検索そのものをエージェントに任せるAgentic RAG(Agentic Graph RAGはこの2つの組み合わせ)まで、用途で選ぶ型が違う。この記事は5つの型の仕組みと違い、使い分けを1本で整理する。

RAG全体の構築手順やベクトルDB選定から読みたい場合は、先にRAGとは?仕組み・構築・ベクトルDB選定までの2026年実装マップを見るとよい。

30秒でわかる RAGの5つの型

  • ・Naive RAGは「分割→ベクトル検索→生成」の直線。試作向きで、検索ミス・断片化・ノイズの3問題を抱える
  • ・Advanced RAGはクエリ拡張・ハイブリッド検索・rerankingで3問題を潰す。本番の最初の選択肢
  • ・Graph RAGは関係性の統合に強いが索引化が高コスト。Agentic RAGは多段階推論に強いが遅くて高い

FIVE RAG TYPES型の選び方

質問が複雑になるほど、重い型が要る

運用の手間

Naive RAG

試作・学習向け。3つの問題を抱える

Advanced RAG

本番の入口。拡張・ハイブリッド・rerank

Graph RAG

文書をまたぐ関係の統合。索引化が高コスト

Agentic RAG

検索を反復。コストとレイテンシが増える

質問の複雑さ

出典: 本文の比較表(定性的な整理)

RAGとは:LLMの限界を外部検索で補う基本

LLMは訓練データの範囲でしか答えられない。訓練後の情報や社内文書は知らず、知っているはずの事実でも誤って答える「hallucination」が起きる。RAGは「検索してから生成する」ことでこれを緩和する。モデルの重みを変えないので、知識の更新はDBへの追加で済む。

基本パイプラインは2フェーズだ。下のアニメーションで流れを確認できる。

オフライン(インデキシング):文書を読み込む → チャンクに分割 → 埋め込みモデルでベクトル化 → ベクトルDBに保存
オンライン(クエリ):質問をベクトル化 → Top-kの類似チャンクを検索 → 質問と合わせてプロンプト化 → LLMが回答

RAGパイプライン アニメーション

課題 Fine-tuning RAG
知識カットオフ 再訓練が必要 DB更新のみ
社内ドキュメント参照 大量データが必要 インデキシングのみ
出典の提示 不可 チャンクURLを付与可能
更新コスト 高(GPU必要) 低(DBに追加)

知識の更新や社内文書の参照が目的ならRAG、文体や推論パターンを学習させたいならFine-tuningを使う。多くの場合はRAGを先に試し、限界に達してから検討するのが効率的だ。

Naive RAGとは:基本構成と3つの問題

Naive RAGとは、分割・ベクトル検索・生成だけで組む最もシンプルなRAGだ。LangChainとChromaで書くと次の形になる。

from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain.chains import RetrievalQA
from langchain_community.document_loaders import DirectoryLoader

documents = DirectoryLoader("./docs", glob="**/*.md").load()
chunks = RecursiveCharacterTextSplitter(
    chunk_size=500, chunk_overlap=50,
    separators=["\n\n", "\n", "。", "、", " ", ""]
).split_documents(documents)

vectordb = Chroma.from_documents(
    documents=chunks,
    embedding=OpenAIEmbeddings(model="text-embedding-3-small"),
    persist_directory="./chroma_db",
)
qa_chain = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(model="gpt-4o-mini", temperature=0),
    chain_type="stuff",
    retriever=vectordb.as_retriever(search_kwargs={"k": 5}),
    return_source_documents=True,
)
print(qa_chain.invoke({"query": "RAGの構築方法を教えてください"})["result"])

このコードは本稿では実行確認していない(未検証)。LangChainは版でimport先が変わるため、使う版のドキュメントで確かめてほしい。Naive RAGには3つの構造的な問題がある。

・検索ミス:コサイン類似度に頼るため、「価格」と「料金」のように言い換えられると外れることがある
・チャンクの断片化:機械的な分割で関連情報が別チャンクに分かれ、「前の続き」が必要な回答が作れない
・ノイズ:Top-kに無関係なチャンクが混ざると回答精度が落ち、「Lost in the Middle」問題も悪化する

Naive RAGを本番に直接入れない

「RAGを入れたのに回答が的外れ」という事象の多くは、検索側の改善で対処できる。次のAdvanced RAGの技法を先に当てる。

Advanced RAGとは:Naive RAGの検索精度を上げる3段階

Advanced RAGとは、Naive RAGの検索ミス・断片化・ノイズを、パイプラインの3段階で順に潰す設計だ。

PROBLEM TO FIX3つの問題と対処

Naive RAGの3つの問題に、Advancedは段階ごとに答える

Naive RAGの問題

Advanced RAGの対処

Naive RAGの問題: 検索ミス(言い換えに弱い)

Advanced RAGの対処: クエリ拡張・HyDE・ハイブリッド検索

Naive RAGの問題: チャンクの断片化

Advanced RAGの対処: チャンク分割と文脈の持たせ方を見直す

Naive RAGの問題: 無関係チャンクのノイズ

Advanced RAGの対処: Cross-Encoderでreranking

出典: Gao et al. 2024(arXiv 2312.10997)の整理をもとに本文で対応づけた

Pre-Retrieval(検索の前):クエリ拡張は、質問を「LLM 価格」「大規模言語モデル コスト」のように複数の言い方に展開して検索し、結果を統合する。HyDE(Hypothetical Document Embeddings)は、LLMに仮の回答文を書かせ、その文のベクトルで検索する手法だ。質問文より回答に近い文体のベクトルで探すほうが当たりやすい。

Retrieval(検索):ベクトル検索は意味の近さに、BM25は固有名詞や専門用語の一致に強い。両方を組み合わせるハイブリッド検索でリコールを補う。

from langchain_community.retrievers import BM25Retriever
from langchain.retrievers import EnsembleRetriever

bm25 = BM25Retriever.from_documents(chunks)
bm25.k = 5
vector = vectordb.as_retriever(search_kwargs={"k": 5})

ensemble = EnsembleRetriever(retrievers=[bm25, vector], weights=[0.6, 0.4])
results = ensemble.invoke("RAGの仕組みを教えてください")

重み 0.6 / 0.4 は例示の値で、コーパスごとに評価して決める。

Post-Retrieval(検索の後):Cross-Encoderで質問とチャンクの組を同時に採点するreranking(再ランキング)を行い、(例として)Top-20から上位5件に絞ってノイズを落とす。

Gao et al. のサーベイ(arXiv 2312.10997)は、RAGをNaive・Advanced・Modularの3つに分けて整理している。個々の改善幅は、データセットと構成で大きく変わるため、自分のデータをRAGAsなどで測ることが前提になる。

Modular RAGの考え方:Advanced RAGの機能を独立したモジュールにし、交換や条件分岐ができるようにした設計だ。

モジュール 役割 例
検索 複数ソースから取得 ベクトルDB + 検索エンジン + SQL
ルーティング 質問を適切な検索先へ振り分け 最新情報はWeb、社内情報はDB
メモリ 過去の会話履歴を参照 複数ターンの対話
フュージョン 複数クエリの結果を統合 RAG Fusion

Graph RAGとは:関係性を辿って複数文書を統合する

従来のRAGは文書を独立したチャンクとして扱う。一方、業務知識は「誰が何を担当し、どの文書が何を参照するか」という関係でできている。Graph RAGは文書からエンティティ(人物・組織・概念)と関係を抽出して知識グラフを作り、検索時にグラフを辿る。複数文書にまたがる情報をまとめて取り出せる。

Microsoftの研究(2024年。論文は arXiv 2404.16130)では、データセット全体を俯瞰するグローバル質問でNaive RAGを上回る結果が示された。特定の事実を問うローカル質問では、Naive RAGと同程度かやや劣る場合もある。実装にはMicrosoftのGraphRAGやLightRAGがある。LightRAGはLightRAGの知識グラフRAGガイドで解説した。

Graph RAGが向くのは、条項同士の参照がある法務文書、引用関係を持つ論文DB、部品の依存関係を持つ製品マニュアルなどだ。一方、インデキシングにLLM呼び出しが大量に要る。「〇〇の価格は?」のような単純な事実検索では、Naive/Advanced RAGのほうが速く安い。

Agentic RAG・Agentic Graph RAGとは:検索をエージェントに任せる反復ループ

Agentic RAGは、検索の計画と見直しをLLMエージェントが担う型だ。クエリを設計して検索し、取得結果で回答を試み、足りなければクエリを直して再検索する。十分な情報が揃ったところで回答を生成する。LangGraphやLlamaIndexのエージェント機能で実装できる。

AGENTIC LOOP反復検索

Agentic RAGは足りるまで検索を回す

LLM

が判断

  1. クエリ設計
  2. 検索
  3. 回答を試す
  4. 不足なら修正
出典: 本文の説明。ループ上限は実装側で決める

複雑な多段階推論に効く反面、ループの回数だけAPIコストとレイテンシが増える。ループ上限と予算を先に決めておく。

Agentic Graph RAG(Agentic GraphRAG) は、このエージェントの検索先にGraph RAGを加えた構成を指す。エージェントが質問に応じて、ベクトル検索・グラフ検索・Web検索のどれを使うか選び、足りなければ別の経路で再検索する。Graph RAGだけでは検索経路が固定で、Agentic RAGだけでは文書間の関係を辿れない、という両方の弱点を補う狙いだ。この名前の公式な標準仕様は確認していないので、実装ごとに中身が違うと考えたほうがよい。エンタープライズ向けにはRAGFlowのようにGraph RAGとAgentic RAGの要素を持つ実装もある(要素の有無は各リポジトリで要確認)。

Agentic Graph RAGを含むRAGの種類の比較と用途別の選び方

型 実装難易度(目安) 検索精度(目安) コスト 主な用途
Naive RAG ★☆☆☆☆ △ 低 プロトタイプ・学習
Advanced RAG ★★★☆☆ ○ 中 本番の一般用途
Modular RAG ★★★★☆ ○〜◎ 中〜高 マルチソース・ルーティング
Graph RAG ★★★★☆ ◎(複数文書の統合) 高 法務・研究・組織ナレッジ
Agentic RAG ★★★★★ ◎(多段階推論) 非常に高 リサーチ・複雑な分析

用途別の目安は次のとおり。

・社内FAQ・サポート:Advanced RAG。HyDEとハイブリッド検索でリコールを確保し、rerankingで絞る
・法務・契約書:Graph RAGを検討。インデキシングコストが規模に見合うか先に見積もる
・リサーチ支援:Agentic RAG。ループ上限とレイテンシの許容範囲を決めてから入れる

ベクトルDBは別の選択になる。小規模・試作はChroma、既存のPostgreSQLがあればPgvector、本番の中〜大規模はQdrantやMilvus、ハイブリッド検索内蔵ならWeaviate、フルマネージドならPineconeが代表的だ。比較はベクトルデータベース比較2026にまとめてある。

選んだ型の効果は、感覚でなく指標で測る。

指標 意味 ツール
Context Recall 正解情報を検索で取れているか RAGAs
Context Precision 取得チャンクに不要な情報が少ないか RAGAs
Faithfulness 回答がコンテキストに忠実か RAGAs
Answer Relevance 回答が質問に関連しているか RAGAs
MRR / NDCG 検索ランキングの精度 BEIR

まとめ

試作はNaive RAG、本番の入口はAdvanced RAG、関係性の統合が要るならGraph RAG、多段階推論ならAgentic RAGという順で考える。いきなりGraph RAGやAgentic RAGに行かず、評価指標で課題を特定してから段階的に足すのが現実的な道筋だ。ゼロからの実装はLangChain公式のRAG from Scratchが体系的な参考になる。

参照ソース