
プロジェクトエディターエージェントを作ろう! vol.5 〜Agentic RAG〜
前回
前回ではチャンキング戦略に触れました。いづれのチャンキングの方法も元の文章をチャンクという単位に分けて、チャンクを意味的なベクトルに変換するembeddingを行います。つまりベクトル変換とユーザーからの問い合わせについてはベクトル検索を行います。
近年、開発現場などで使用されるClaude Codeはソースコードの検索にベクトル検索を行いません。エージェントがgrepなどのツールを利用して検索するAgentic RAGが利用されます。エージェントによる推論なども組み合わさり高い精度で検索が行われます。
Agent RAGがベクトル検索のRAGと比べて全て優れているわけではなく、検索対象によって精度や処理時間が異なってきます。
頻繁に変更される流動性の高いデータ(ローカルのファイル環境など)にはファイル検索型Agentic RAGが適しており、大規模なデータや全体最適を求める場合にはベクトル検索など既存の手法が依然として有効です。
プロジェクトエディターエージェントへの適応を考えると、プロジェクトの記録は刻一刻と増加していることを踏まえるとベクトル検索が適しているように感じます。一方で記録の中で新たな知見の発見やもしくはコードを見る必要性などを踏まえるとAgentic RAGが適しているようにも感じます。
プロジェクトの利用状況を踏まえると、ドキュメントのあたりをつけるためにはベクトル検索のRAGを用いて、その結果を用いて一次情報の検索方法にあたりを付けて、その後、Agentic RAGで検索するにより、コンテキストを踏まえた精度の高い検索ができようになるかもしれません。
検索スキルの修正
ベクトル検索とエージェントによる検索を組み合わすためにプロジェクトエディターエージェントの検索スキルを変更しました。検索の流れは下記になります。
予備調査(ベクトル検索+グラフ検索)
調査項目の整理
本調査(エージェントによる検索)
今まで項目1のベクトル検索+グラフ検索のみで回答していたのを項目2、3を経て回答するように変更しました。
以下、検索スキルの実行画面です。

予備調査から本調査に移行しているのがわかります。今回はAgentic RAGについて触れました。プロジェクトという記録が多い対象について検索精度を上げるためには複数の手法を取り入れていくことが必要かもしれません。