Galirage Inc.
🔍

(概要編)検索を“AI任せ”に。Azure AI Searchに『Agentic Retrieval』搭載【MS Build 2025】

に公開

はじめまして、はやとです!

株式会社Galirage(ガリレージ)という「生成AIに特化して、システム開発・アドバイザリー支援・研修支援をしているIT企業」で、COOをしております◎

この記事では、Microsoft Build 2025でMicrosoftが発表した『Agentic Retrieval』について解説します!

Agentic Retrievalの概要

MSBuild 2025において、RAG(Retrieval-Augmented Generation)の検索モジュールに関する新たな発表がありました。

それが『Agentic Retrieval』です。

この技術は、従来のRAGにおける検索のプランニングから実行までを自動化し、API経由で簡単に利用可能にします。

本記事では、MSBuild 2025で発表された内容をレポート形式で紹介します。

(より詳細なレポートを後日配信予定です^^)

もしも、RAGそのものについて深く知りたい方は、こちらをご覧ください◎

https://zenn.dev/umi_mori/books/llm-rag-langchain-python

SearchからAgentic Retrievalへ

RAGという技術においては、検索という機能が重要な役割を果たします。

Agentic Retrievalが登場した背景として、従来のRAGにおける検索モジュールの精度の低さがあります。

従来のRAGにおける検索モジュールでは、シンプルな質問には対応できました。

ただし、複雑なRAGアーキテクチャを採用・構築しない限り、複雑なクエリに対しては、検索の精度が低下する課題がありました。

RAGにはさまざまな手法がありますが、基本的なRAGとしては以下のようなワークフローで構築をしていました。

  • Level 1
    • Keyword search:キーワード検索
    • Vector search:ベクトル検索
    • Hybrid:上記2点のハイブリット検索
  • Level 2
    • Results as-is:検索をして取得をした結果をそのまま使用する。
    • Reranking:検索をして取得をした結果を、ユーザークエリとの関係性に基づいてランキング付けをする

Agentic Retrievalの特徴

そこで登場したのが『Agentic Retrieval』です。

ざっくりというと、以下の3つの処理をデフォルトで実施するようなRAGです。

  1. クエリの再構成(Query planning)
  2. クエリの並列実行(Fan-out query execution)
  3. 結果の結合(Results merging)

より具体的には、Agentic Retrievalでは次のようなフローで検索処理を行います。

  1. ユーザークエリを読み込む
  2. ユーザークエリに加え、デフォルトで会話履歴も考慮する。
  3. Query planningを実施する。具体的には、以下のような内容を実施する。
    1. 会話履歴内容を活用し、インプット情報のスペルを修正する。
    2. 必要に応じて、ユーザークエリをよりシンプルな複数のクエリに分解をする。(decomposition)
    3. (分解したクエリを)同じ意味を持つような言い換えをする。
  4. Query planningで分解をしたクエリを検索処理を並列に実行する
  5. 最後にそれらをマージして結果を提供する。

以下は、元のユーザークエリが3つのサブクエリに分解される際の、観点を示した例になります。

Agentic Retrieval APIの概要

このAgentic Retrievalはどのように使用することができるのでしょうか?

Agentic RetrievalはAPI経由で使用することができます。

以下のような構造でリクエストとレスポンスを提供します。

  • リクエスト例

  • レスポンス例

レスポンスの中の「アクティビティ」には、エージェントが具体的にどのように処理を行ったかが明示されます。

検索精度

Agentic Retrievalを活用した場合、これまでの検索(Retrieval)と比較をすると、大幅な精度向上を記録しました。

こちらにより詳細な評価のセットアップが記載されているため、詳細は割愛します◎

https://techcommunity.microsoft.com/blog/azure-ai-services-blog/up-to-40-better-relevance-for-complex-queries-with-new-agentic-retrieval-engine/4413832

まとめ

今回紹介した『Agentic Retrieval』をRAGの検索モジュールを採用することで、誰でも簡単に高性能な検索機能を実装することができます。

今後、RAGの導入を検討する企業にとって、高性能なRAGシステムを構築するための1つの道具となるでしょう。

最後に

最後まで本記事を読んでくださり、ありがとうございました◎

この記事を通して、少しでもあなたの学びに役立てていただけると嬉しいです!


参考文献

https://techcommunity.microsoft.com/blog/azure-ai-services-blog/introducing-agentic-retrieval-in-azure-ai-search/4414677

https://zenn.dev/umi_mori/books/llm-rag-langchain-python

Galirage Inc.
Galirage Inc.

Discussion