[論文レビュー] Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG

Aditi Singh, Abul Ehtesham+2 more|ArXiv.org|Jan 15, 2025

Reinforcement Learning in Robotics被引用数 17

ひとこと要約

この調査はAgentic RAGを詳述し、その原理・アーキテクチャ・ワークフローパターン・応用・実装課題を、分類法と他のRAGパラダイムとの比較とともに解説します。

ABSTRACT

Large Language Models (LLMs) have revolutionized artificial intelligence (AI) by enabling human like text generation and natural language understanding. However, their reliance on static training data limits their ability to respond to dynamic, real time queries, resulting in outdated or inaccurate outputs. Retrieval Augmented Generation (RAG) has emerged as a solution, enhancing LLMs by integrating real time data retrieval to provide contextually relevant and up-to-date responses. Despite its promise, traditional RAG systems are constrained by static workflows and lack the adaptability required for multistep reasoning and complex task management. Agentic Retrieval-Augmented Generation (Agentic RAG) transcends these limitations by embedding autonomous AI agents into the RAG pipeline. These agents leverage agentic design patterns reflection, planning, tool use, and multiagent collaboration to dynamically manage retrieval strategies, iteratively refine contextual understanding, and adapt workflows to meet complex task requirements. This integration enables Agentic RAG systems to deliver unparalleled flexibility, scalability, and context awareness across diverse applications. This survey provides a comprehensive exploration of Agentic RAG, beginning with its foundational principles and the evolution of RAG paradigms. It presents a detailed taxonomy of Agentic RAG architectures, highlights key applications in industries such as healthcare, finance, and education, and examines practical implementation strategies. Additionally, it addresses challenges in scaling these systems, ensuring ethical decision making, and optimizing performance for real-world applications, while providing detailed insights into frameworks and tools for implementing Agentic RAG.

研究の動機と目的

• リアルタイムで文脈を意識した回答の必要性を動機づける。静的な事前学習データを超えて。
• RAGパラダイムの進化を概観し、Agentic RAGを自律的・エージェント主導のアプローチとして紹介する。
• Agentic RAGアーキテクチャの分類法を提供し、実践的な実装戦略を概説する。
• 実世界の展開におけるスケーリング・倫理・性能の課題を特定する。
• 将来の研究を導くための主要なエージェント的ワークフロー・パターンとアーキテクチャ設計を強調する。

提案手法

• RAGの基礎概念とその進化（Naïve RAG、Advanced RAG、Modular RAG、Graph RAG）を提示する。
• エージェント知能とエージェントパターン（反省、計画、ツールの使用、マルチエージェント協調）を導入する。
• エージェント的ワークフローパターン（プロンプト連鎖、ルーティング、並列化、オーケストレーター–ワーカー、評価者–最適化）を説明する。
• Agentic RAGシステムの分類法（単一エージェント、マルチエージェント、グラフベース）を提供する。
• パラダイム間のフレームワーク特性と性能への影響を比較する。
• 応用例、ベンチマーク、データセット、および実装ツールを議論する。

実験結果

リサーチクエスチョン

• RQ1 Agentic RAGを可能にする基礎原理とパターンは何か。
• RQ2 Agentic RAGアーキテクチャは、柔軟性、スケーラビリティ、タスク処理の点で従来のRAGパラダイムとどう異なるか？
• RQ3 適応的なマルチドメインの検索と生成を最もよく支援するワークフローパターンとツールは何か？
• RQ4 現実世界のタスクにAgentic RAGを展開する際の主な課題（スケーラビリティ、倫理、待機時間）は何か？
• RQ5 どの領域（ヘルスケア、金融、教育）がAgentic RAGの恩恵を最も受けるか、そしてその理由は？

主な発見

パラダイム	主要特徴	強み
Naïve RAG	Keyword-based retrieval (TF-IDF, BM25); simple retrieve-read workflow	Simple, easy to implement; suitable for fact-based queries
Advanced RAG	Dense retrieval, neural re-ranking; multi-hop retrieval	High precision retrieval; better contextual relevance; higher compute
Modular RAG	Hybrid sparse/dense retrieval; tool integration; composable pipelines	High flexibility and customization; scalable across domains
Graph RAG	Graph-based retrieval; relational reasoning; context enrichment	Relational reasoning; mitigates hallucinations; good for structured data tasks
Agentic RAG	Autonomous agents; dynamic decision-making; iterative refinement	Adaptable to real-time changes; scalable multi-domain tasks; high accuracy

• Agentic RAGは自律的意思決定、反復的な洗練、リアルタイムタスクのための動的ワークフローを可能にする。
• 単一エージェント、マルチエージェント、グラフベースのAgentic RAGアーキテクチャを区別する詳細な分類法。
• 反省、計画、ツールの使用、マルチエージェント協調といったエージェント的ワークフローパターンは適応性と精度を向上させる。
• モジュラー、グラフ、エージェント的RAGパラダイムは、スケーラビリティ、待機時間、複雑さの間で異なるトレードオフを提供する。
• 医療、金融、教育にまたがる応用は、倫理的AIの意思決定の実践的関連性と課題を浮き彫りにする。