「社内の資料をAIに読ませて、質問に答えてもらう」。この仕組みはRAG(ラグ、検索拡張生成)と呼ばれ、生成AIを業務で使うときの定番になりました。
ところが最近は、クラシックRAG、GraphRAG、Agentic RAGと、種類を表す言葉が増えています。「結局、何が違うのか」「うちはどれを使えばよいのか」と迷う方も多いのではないでしょうか。
この記事では、3つのRAGの仕組み・費用・選び方を、コードを使わずに整理します。Pythonで実際に動かす方法は、シリーズの続きの記事で扱います。
この記事は「3つのRAG」シリーズの第1回(総論)です。
- たとえ話で、もっとやさしく知りたい方:note版「3つのRAG、何が違う?」
- シリーズの一覧:この記事の末尾「次に読む記事」
先に結論を3つお伝えします。
- 3つの違いは、2つの軸で整理できます。クラシックRAGとGraphRAGは「資料の持ち方」の違い、Agentic RAGは「AIの動かし方」の違いです。
- 最初の一歩はクラシックRAGです。答えられなかった質問の種類を見てから、GraphRAGやAgentic RAGを足します。
- 3つは、どれか1つを選ぶものではありません。組み合わせて使えます。
RAGの基本をおさらい
ChatGPTのような生成AIは、世の中の一般的な知識は持っています。しかし、あなたの会社の就業規則や、昨日の会議の内容は知りません。
そこで、質問が来たらまず社内の資料を探し、見つけた資料をAIに渡してから答えてもらいます。これがRAGです。試験にたとえると、何も見ずに答える「暗記テスト」ではなく、「持ち込み可のテスト」をAIに受けてもらう仕組みです。
- 質問に関係のありそうな資料を探す
- 質問と資料を、いっしょにAIに渡す
- AIが資料をもとに答える

3つのRAGは、このうち「資料をどう持ち、どう探すか」と「全体をどう進めるか」が違います。
先に用語を整理する
先に、この記事で出てくる用語を整理します。いま全部覚える必要はありません。本文で出てきたときに、ここへ戻って確認してください。
| 用語 | 意味 |
|---|---|
| チャンク | 文書を段落くらいの長さに切り分けた、短いかたまり |
| 埋め込み | 文章の意味を、数値の並びに変換したもの。意味の近い文章は、近い数値になる |
| ベクトル検索 | 埋め込みどうしの近さで、意味の近い文章を探す方法 |
| キーワード検索 | 言葉そのものが一致するかどうかで探す、昔からある方法 |
| ハイブリッド検索 | ベクトル検索とキーワード検索を組み合わせる方法 |
| リランキング | 検索で集めた候補を、質問との関連が高い順に並べ直すこと |
| 索引(インデックス) | すばやく探せるように、あらかじめ整理して保存したデータ |
| エンティティ | 文書に登場する「もの」。会社、製品、部署、人など |
| ナレッジグラフ | エンティティを点、関係を線で表した図。人物相関図のようなもの |
| コミュニティ要約 | グラフの中で関係の深いグループごとに、あらかじめ作っておく要約 |
| エージェント | 指示を受けて、自分で手順を考えながら作業を進めるAI |
| ツール | エージェントが使える道具。文書検索、データ集計、Web検索など |
3つのRAGの仕組み
3つとも、「事前の準備」「質問が来たときの動き」「得意なこと」「苦手なこと」の順に見ていきます。
クラシックRAG:かたまりを検索して渡す
いちばん基本的な形です。「Naive RAG」と呼ばれることもあります。たとえるなら、辞書を引いて調べる方法です。
事前の準備として、社内の文書をチャンクに切り分け、それぞれを埋め込みに変換して、索引に保存します。
質問が来たときは、質問も同じように埋め込みに変換し、近いチャンクを上位数件だけ選びます。選んだチャンクと質問をAIに渡し、回答を作ってもらいます。検索は1回きりです。
得意なことは、「有給休暇は何日繰り越せる?」のように、答えが文書のどこか1か所に書いてある質問です。準備が軽く、回答も速く返せます。
苦手なことは2つあります。
- つながりをたどる質問:必要な情報が複数の文書に分かれていると、まとめて拾えないことがあります。
- 全体を見渡す質問:AIに渡るのは数件のチャンクだけなので、「この1年の議事録から主な課題をまとめて」には答えにくくなります。
最近の標準:ハイブリッド検索とリランキング
ベクトル検索は、言い回しが違っても意味の近い文章を拾えます。その反面、型番や社内用語のように「その言葉そのもの」を探すのは苦手です。キーワード検索は、その逆です。
そこで、両方を組み合わせるハイブリッド検索と、集めた候補を並べ直すリランキングを加える構成が広く使われています。たとえばMicrosoftの公式ドキュメントは、ハイブリッド検索を「ベクトル検索とキーワード検索の長所を組み合わせるもの」と説明し、並べ直しの機能と併用すると検索の的確さが大きく向上するとしています(Microsoft Learn:Hybrid search、2026年11月19日確認)。
この記事では、こうした検索の工夫を加えたものも含めて「クラシックRAG」と呼びます。工夫を加えても、「選んだチャンクを1回だけ渡す」という骨格は変わらないためです。
GraphRAG:関係をグラフにして、たどる
クラシックRAGの「つながりが見えない」という弱点を補う方式です。たとえるなら、人物相関図をたどって調べる方法です。
事前の準備として、AIが社内の文書を読み、エンティティ(会社、製品、部署など)と、その関係を抜き出します。それをつなげてナレッジグラフを作り、さらに関係の深いグループごとにコミュニティ要約を作っておきます。
ローカル検索とグローバル検索
質問が来たときの動きは、大きく2通りあります。
- ローカル検索:特定のエンティティを起点に、グラフの線をたどって調べます。「X社の火災は、どの部署に影響する?」のような質問に向きます。
- グローバル検索:コミュニティ要約を集めて、データ全体についての質問に答えます。「全体として、主な課題は何?」のような質問に向きます。
Microsoft Researchも、通常のベクトル検索によるRAGに対するGraphRAGの利点として、データ全体に関わる質問に答えられることを挙げています(Microsoft Research:LazyGraphRAG、2026年11月19日確認)。
苦手なことは、準備と維持の重さです。
- 準備の費用:すべての文書をAIに読ませるので、クラシックRAGよりずっと費用がかかります(詳しくは「費用と手間を比べる」で扱います)。
- 更新の手間:文書が増えたり変わったりすると、グラフと要約も直す必要があります。
- 抜き出しの間違い:AIが関係を読み違えると、グラフそのものが間違ってしまいます。
Agentic RAG:AIが計画し、調べ直す
ここまでの2つは、「探して、渡して、答えて、終わり」という一方通行でした。Agentic RAGは、AIがエージェントとして、調べ方そのものを自分で決めます。たとえるなら、調査員に調査を任せる方法です。
事前の準備として、エージェントが使えるツールを用意します。社内文書の検索、データの集計、Web検索などです。
質問が来たときは、次の流れを繰り返します。
- どう調べるかを計画する
- ツールを選んで調べる
- 集まった結果で足りているかを確かめる
- 足りなければ、言葉や方法を変えて調べ直す
大事な点は、Agentic RAGが「検索の方式」ではなく「進め方」だということです。クラシックRAGもGraphRAGも、Agentic RAGから見ればツールのひとつになります。
得意なことは、「売上が落ちた原因を、営業日報と売上データから分析して」のように、複数の情報源と何段階もの手順が必要な調査です。1回目の検索で見つからなくても、調べ直せます。
苦手なことは3つあります。
- 時間と費用:AIを何度も呼び出すので、1回の質問あたりの時間と費用が増えます。
- 動きの読みにくさ:同じ質問でも調べ方が変わることがあり、なぜその答えになったのかを確かめにくくなります。
- 止めどころ:調べ直しが続きすぎないよう、回数の上限を決めておく必要があります。
2つの軸で整理する
3つを順番に紹介すると、「クラシック → Graph → Agentic」と一直線に進化したように見えます。しかし、実際には見ている軸が違います。
- 資料の持ち方:バラバラのかたまり(チャンク)で持つか、つながりのグラフで持つか
- AIの動かし方:1回調べて答えるか、考えながら調べ直すか
この2つの軸で見ると、「GraphRAGとAgentic RAGのどちらが上か」という問いは成り立たないことがわかります。資料の持ち方と、AIの動かし方は、別々に決められるからです。
では、エージェントが何度も調べ直せるなら、グラフは不要になるのでしょうか。2026年4月に公開された比較研究は、エージェント型の検索は構造の不足を部分的に補えるものの、複数の情報をまたぐ推論ではグラフを使う方式が安定して強い、と報告しています。同じ研究は、一般的な質問応答では、構築費用の低い通常のRAGも実用的な選択肢だとしています(Fan ほか「Do We Still Need GraphRAG?」arXiv:2604.09666、2026年11月19日確認)。
同じ質問で比べると、何が起きるか
このシリーズでは、架空の会社の社内文書を使い、次の3つの質問で3方式を比べていきます。
- 質問1:有給休暇の繰越ルールは?(答えが1か所にある)
- 質問2:サプライヤーX社で火災が起きた。どの部署に影響する?(複数の文書をたどる)
- 質問3:主力商品の売上が落ちた原因を、営業日報と売上データから分析して。(複数の情報源と手順が必要)
次の表は、仕組みから考えた予想です。実際に動かした結果ではありません。実際の結果は、シリーズ第5回で検証します。
| 質問 | クラシックRAG | GraphRAG | Agentic RAG |
|---|---|---|---|
| 質問1(1か所にある答え) | ○ 答えられる | ○ 答えられるが、準備が大げさ | ○ 答えられるが、時間と費用が余分 |
| 質問2(つながりをたどる) | △ 関係が同じ文書に書かれていないと難しい | ○ グラフをたどって答えられる | △〜○ 調べ直しで補える場合がある。グラフをツールに持てば○ |
| 質問3(複数の情報源と手順) | × 集計や段階的な調査ができない | △ 関係はたどれるが、集計はできない | ○ ツールを使い分けて調べられる |
費用と手間を比べる
費用は、「準備」「質問1回あたり」「運用」の3つに分けて考えます。
| 項目 | クラシックRAG | GraphRAG | Agentic RAG |
|---|---|---|---|
| 準備の費用 | 小さい(埋め込みを作るだけ) | 大きい(全文書をAIに読ませる) | 使うツールによる(文書検索を使うなら、その準備が必要) |
| 質問1回あたりの費用と時間 | 小さい(AIの呼び出しは1回) | ローカル検索は中くらい、グローバル検索は大きめ | 大きい(AIを何度も呼び出す) |
| 運用の手間 | 小さい(変わった文書だけ作り直す) | 大きい(グラフと要約の更新が必要) | 中くらい(ツールの保守と、動きの監視が必要) |
自社の費用を見積もる式
AIの利用料は、やり取りする文章の量(トークン数)で決まります。見積もりは、次の式で考えます。
- 準備の費用 ≒ 文書全体のトークン数 × 処理の単価
- 質問1回の費用 ≒(質問 + 渡す資料 + 回答のトークン数)× 単価 × AIを呼び出す回数
クラシックRAGの準備は、埋め込みを作る処理だけなので単価が低く済みます。GraphRAGの準備は、全文書を生成AIに読ませて関係の抜き出しと要約をさせるので、単価が大きく上がります。Agentic RAGは、質問1回の式の「AIを呼び出す回数」が増えます。
GraphRAGの準備費用は、下げる工夫が進んでいる
GraphRAGの準備費用は、導入の壁として知られてきました。これに対してMicrosoft Researchは、要約づくりを質問の時点まで先送りする「LazyGraphRAG」という方式を発表しています。同社は、この方式の準備費用を「ベクトル検索によるRAGと同じで、従来のGraphRAGの0.1%」と報告しています(Microsoft Research:LazyGraphRAG、2026年11月19日確認)。0.1%は、約1000分の1にあたります。
ここに挙げた数値は、発表元が特定の条件で測ったものです。文書の種類や使うAIによって変わります。また、この分野は変化が速いため、内容は今後変更される可能性があります。
どれから始めるか:選び方の判断フロー
おすすめは、「軽いものから始めて、足りないものを足す」進め方です。
- まずクラシックRAGで始める。ハイブリッド検索とリランキングも、最初から入れておきます。
- 正解つきの質問集で試す。実際に聞かれそうな質問と、その正解を数十件用意し、答えられなかった質問を集めて分類します。
- 多かった失敗の種類に合わせて、足す。
- 探し漏れや言葉の不一致が多い → チャンクの切り方と検索の設定を見直す
- つながりや全体像の質問が多い → GraphRAGを足す
- 複数の情報源や、手順の多い調査が多い → Agentic RAGを足す
- 同じ質問集で測り直す。良くなったかを確かめ、2に戻ります。
最初から全部を入れることは、おすすめしません。費用がかさむうえに、どの工夫が効いたのかがわからなくなるためです。
導入前に知っておきたい注意点
どの方式を選んでも共通する注意点が3つあります。
- 閲覧権限:検索結果に、質問した人が見てはいけない文書が混ざらないようにします。人事や経営の資料を扱う場合は、とくに重要です。
- 評価:正解つきの質問集を先に作り、方式や設定を変えるたびに測ります。これがないと、良くなったのか悪くなったのかを判断できません。
- 元の文書の質:古い版の文書、内容の重複、表や画像が中心の文書は、どの方式でも精度を下げます。方式を選ぶ前に、文書の整理から始めるほうが効果的なこともあります。
RAGを使わないほうがよい場合
RAGは万能ではありません。次のような場合は、別の方法が向いています。
- 文書が少ない場合:数ページ程度なら、検索の仕組みを作らず、全文をそのままAIに渡すほうが簡単で確実です。
- 口調や出力の形式を覚えさせたい場合:知識を足すのではなく、AIの振る舞いを変えたいときは、指示文の工夫や追加学習(ファインチューニング)が向いています。
まとめ
簡単に、今回の内容をまとめます。
- RAGは、AIに資料を渡してから答えてもらう仕組みです。
- クラシックRAGは、チャンクを検索して渡します。準備が軽く、答えが1か所にある質問に向きます。
- GraphRAGは、関係をグラフにしてたどります。つながりと全体像の質問に向きますが、準備と更新が重くなります。
- Agentic RAGは、AIが計画して調べ直します。複雑な調査に向きますが、時間と費用が増えます。
- 違いは「資料の持ち方」と「AIの動かし方」の2つの軸で整理できます。
- まずクラシックRAGで始め、答えられなかった質問の種類に合わせて足していきます。
次に読む記事
このシリーズでは、3つのRAGをPythonの最小限のコードで実際に作り、同じ質問で比べていきます。
- 第1回:3つのRAGの違いと選び方(この記事)
- 第2回:クラシックRAGを最小限のコードで作る
- 第3回:GraphRAGを最小限のコードで作る(準備中)
- 第4回:Agentic RAGを最小限のコードで作る(準備中)
- 第5回:同じ質問で3つを比べる(準備中)
コードなしで、たとえ話を中心に知りたい方は、note版「3つのRAG、何が違う?」
もあわせてご覧ください。
