知識検索（RAG）

従来のインデックス作成・検索・生成のプロセスに従う、基盤的な「Retrieve-Read」フレームワーク

検索前および検索後の最適化を加えて強化した RAG。クエリ拡張、リランキング、コンテキストのキュレーションなどを含む

交換可能なモジュールを備えた柔軟な RAG アーキテクチャで、反復的・適応的・非逐次的な検索パターンをサポートする

自己反省型の RAG。検索の必要性を適応的に判断し、リフレクショントークンを用いて検索の品質を評価する

品質評価と再検索を通じて、質の低い検索結果を自動的に検出・修正する RAG システム

ナレッジグラフで強化した RAG。エンティティ間の関係とコミュニティ検出を活用し、全体像を把握するクエリに対応する

テキスト、画像、音声、動画、構造化データのソースを扱い、統合する検索拡張生成

自己主導で計画・検索・推論を行う能力を備えた、自律的な検索拡張生成システム

マルチエージェントのエージェンティック AI システムにおいて、明示的なクエリではなく抽象的な推論パターンに基づいて情報を検索する。

検索の前にユーザーのクエリを書き換えたり拡張したりして、埋め込みが関連文書の近くに配置されるようにする。HyDE は仮説的な回答文書を生成し、それを埋め込むことで実際の近傍を見つけ、マルチクエリ拡張は複数の言い換えを発行して結果を統合し、ステップバック・プロンプティングは質問を抽象化して、まず背後にある原理を取得する。これらの変換は、リトリーバーを訓練することなく、ゼロショット検索において大きな性能向上をもたらす。

検索インデックスをチャンクのフラットなリストではなく、多階層のツリーとして構築する。RAPTOR はチャンクを再帰的に埋め込み、クラスタリングし、要約するため、クエリは任意の抽象レベルから検索でき、必要に応じて全体像の統合結果や末端（リーフ）の詳細を返せる。Anthropic のコンテキスチュアル・リトリーバル（contextual retrieval）は、埋め込みの前に各チャンクへ LLM が書いた短い文脈説明を前置し、孤立したチャンクが文書全体に根ざした状態を保てるようにする。

ユーザーの意図を明確化し、明示的なリサーチ計画を立て、その後、多数の情報源にわたって検索・読解・ギャップ評価の反復ループを（多くの場合、並列のサブエージェントを介して）実行したうえで、インライン引用付きの単一の長文レポートへと統合する、複合的で長期スパンのリサーチアーキテクチャ。これは OpenAI Deep Research、Gemini Deep Research、Anthropic Research の背後にある組み立て済みのアーキタイプであり、独自のサーベイ文献も持つ。`agentic-rag-systems` とは別物であり、後者は単一のパイプライン内で検索の判断を下すものであって、複数ラウンドにわたる計画駆動のレポート統合を行うものではない。また `supervisor-worker-pattern` とも別物であり、後者はリサーチ固有の計画・ギャップチェック・引用パスを持たない汎用的なオーケストレーションである。

コードに特化した検索で、埋め込みの代わりに（あるいは埋め込みと併用して）プログラム構造を活用する。リポジトリは tree-sitter によって AST、およびシンボルと依存関係のグラフへと解析される。ファイルやシンボルはグラフ中心性でランク付けされ（Aider の PageRank 重み付けタグマップ）、グラフ走査ツールが呼び出し・定義・インポートの各エッジをたどり（AutoCodeRover やコードグラフ系エージェント）、スペクトルベースのフォールトローカライゼーションが失敗したテストから探索範囲を絞り込める。これにより、コーディングエージェントは自身のコンテキストウィンドウをはるかに超える大きさのリポジトリから、最小限で関連性の高いコンテキストを組み立てられる。`graph-rag` とは別物であり、後者のグラフはコードの意味論ではなく文書中のエンティティから構築される。