Google、AIの多段階検索を強化

Google Researchチームは、新しいagentic RAGフレームワークを導入しました。これはGemini Enterprise Agent Platformに組み込まれており、現在パブリックプレビュー中のCross-Corpus Retrievalという機能の基盤となっています。この取り組みは、企業検索における既知の失敗モードを対象としています。標準的な単一ステップのRAGは、複数の情報源にまたがる多段階のクエリには対応していませんでした。例えば、「プロジェクトXで使用されているサーバーの仕様は何ですか？」と尋ねた場合、システムはサーバーIDが記載されたドキュメントを見つけるかもしれませんが、そのIDを使って2番目のデータベースで仕様を検索する方法を知りません。結果として、回答は部分的であるか、「見つかりませんでした」と返ってきます。Googleの新しいAgentic RAGとはAgentic RAGは、データソースを計画し、推論し、反復的に操作します。これにより、複雑なクエリを処理して信頼性と精度を高めます。Googleのバージョンは、Gemini Enterprise Agent PlatformでホストされているAgentic RAGを搭載したCross-Corpus Retrievalです。他のマルチエージェントRAGフレームワークと同様に、連携して機能するエージェントを使用します。それらとは異なり、応答を生成する前に十分なコンテキストチェックを追加します。標準的なRAGと比較して、事実に関するデータセットでの精度を最大34%向上させます。Googleの調査チームは、独自の内部データセットでもテストしました。これにより、ドメイン固有のタスクにおいて、より良い根拠と推論精度の向上を報告しています。マルチエージェントアーキテクチャの仕組みこれを1つの検索エンジンではなく、組織化された研究部門と考えてください。「Vanilla」RAGシステムは、質問をドキュメントに一致させるだけです。その後、LLMがその一致から応答を生成します。マルチエージェントフレームワークは、仕事を専門的な役割に分割します。Orchestratorは、リクエストが単一ステップの仕事ではないと判断し、委任します。Planner Agentは、データソース間の情報経路をマッピングします。Query Rewriterは、曖昧なリクエストを複数の正確な検索クエリに変換します。Search Fanout Agentは、それらのクエリをさまざまな検索ソースに送信します。最後に、LLMが収集されたコンテキストを集約して応答を生成します。このフレームワークが異なる点主な違いは