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
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

| 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
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
- クエリ設計
- 検索
- 回答を試す
- 不足なら修正
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
- RAG Survey: A Comprehensive Survey of Retrieval-Augmented Generation for Large Language Models (arXiv 2023-12 / 2024改訂)
- From Local to Global: A Graph RAG Approach (arXiv 2404.16130)
- Microsoft GraphRAG 公式リポジトリ
- LangChain RAG From Scratch
- LightRAG: Simple and Fast Graph-based RAG (EMNLP 2025)
- RAGAs: Evaluation Framework for RAG Pipelines





