RAGの種類8選｜Naive・Graph・Agenticの違いと使い分け早見表

RAGにはNaive RAG・Advanced RAG・Modular RAGという進化段階の分類と、GraphRAGやHybrid Search、HyDE、Corrective RAG/Self-RAG、Adaptive RAG、Multimodal RAG、Agentic RAGといった目的別の分類があり、代表的なものを合わせると8種類に整理できます。結論として、社内Wiki検索など一般的な用途はHybrid Search＋Advanced RAGが基本形になり、関係性の把握が重要ならGraphRAG、複雑な業務を自律的に遂行させたいならAgentic RAGが向いています。本記事ではNaive・Graph・Agenticの違いを軸に、8種類の仕組みと使い分けを早見表で整理します。

そもそもRAGとは？なぜ種類を知る必要があるのか

RAG（Retrieval-Augmented Generation）とは、LLMに外部知識を取り込み、ファインチューニングなしでドメイン固有のコンテキストに基づいた回答精度を高める手法です。標準的なRAGパイプラインは「情報検索コンポーネント」と「生成LLM」の2要素で構成され、検索した情報の質と生成の質の両方が最終的な回答精度を左右します（IBM）。この基本構造を理解しておくと、なぜ多様な種類のRAGが生まれてきたのかが見えてきます。

RAGの基本構造とは？検索フェーズと生成フェーズ

RAGは大きく「検索フェーズ」と「生成フェーズ」の2段階で動作します。検索フェーズではユーザーの質問を埋め込みベクトルに変換し、ベクトルデータベースから関連度の高い文書を取得し、生成フェーズではその文書を根拠としてLLMが自然な回答文を組み立てます。

検索フェーズの精度が低いと生成フェーズでどれだけ高性能なLLMを使っても回答の質は上がらないという点は、RAGの種類を検討するうえで最初に押さえておきたい前提です。この検索精度をどう高めるかという発想の違いが、後述する各種類の分岐点になっています。

フェーズ	主な処理	使われる技術	精度に影響する要素
検索フェーズ	質問の埋め込み化と類似文書の取得	Embedding・ベクトルDB・キーワード検索	チャンキング精度・検索アルゴリズム
生成フェーズ	取得文書を根拠にした回答生成	LLM・プロンプト設計	コンテキストの取捨選択・要約力

Naive RAGの弱点とは？種類が多様化した理由

最も基本的なNaive RAGは、質問文をそのままベクトル化して検索するため、質問と回答で使われる語彙が異なる場合や、複数文書に情報が分散している場合に検索精度が落ちるという弱点を抱えています。この弱点を補うために、前処理・後処理を加えるAdvanced RAGや、関係性を扱うGraphRAG、自己評価を行うSelf-RAGなど多様な種類が生まれてきました。

導入を検討する際は、以下のような観点であらかじめ自社の課題を洗い出しておくと、どの種類のRAGが必要かの判断がしやすくなります。

本記事の分類軸とは？進化段階と目的別手法の関係

本記事では「進化段階（Naive→Advanced→Modular）」という構造面の分類と、「目的別手法（GraphRAG・Hybrid・HyDE・Corrective/Self・Adaptive・Multimodal・Agentic）」という機能面の分類を分けて整理します。目的別の各手法は、Advanced RAGやModular RAGの枠組みの中に実装される要素という位置づけです。

TechSuite株式会社の「AI検索パートナーズ」は、生成AIが引用・推薦する仕組みを構造化データ・意味的文脈・知識の一貫性・エンティティ認識・想定質問の分解といった観点から技術的に捉え、LLMO・GEO・AEOの施策を一次情報設計まで踏み込んで支援しています。RAGの検索精度を高める考え方は、AI検索エンジンにコンテンツを正しく引用させる仕組みづくりとも通じる部分があります。

RAGの種類8選と使い分け早見表

代表的なRAGの種類はNaive・Advanced・Modularという進化段階に加え、Multimodal・Graph・Hybrid・Corrective（Self含む）・Adaptive・Agenticの8種類に整理できます。まずは全体像をマップで把握し、そのうえでNaive・Graph・Agenticの違いを早見表で比較すると、自社に合う種類が絞り込みやすくなります。

8種類の一覧マップとは？それぞれの一言サマリ

8種類はそれぞれ得意分野が異なり、Naiveは最初の一歩、Multimodalは図面や画像を含む検索、HyDEは曖昧な質問への強さ、Correctiveは正確性最優先、Graph・Hybridは関係性の活用、Adaptiveは難易度に応じた戦略切替、Agenticは外部ツールや複数タスクの統合という特徴を持ちます（Qiita）。

種類	一言サマリ	代表的な実例
Naive RAG	最も基本的な検索と生成の構成	社内FAQ Bot
Multimodal RAG	図面・画像を含めた検索	設計図面の検索
HyDE	仮想回答から検索し曖昧な質問に強い	契約書検索
Corrective/Self-RAG	自己評価で正確性を最優先	医療相談AI
Graph RAG	関係性・全体像の理解	脅威インテリジェンス分析
Hybrid RAG	ベクトルとグラフの併用	新薬研究
Adaptive RAG	難易度に応じ検索戦略を切替	ECの顧客サポート
Agentic RAG	外部ツールや複数タスクを統合	マーケット調査

Naive・Graph・Agentic使い分け早見表

結論として、シンプルな一問一答であればNaive、関係性や全体傾向の把握が必要ならGraph、複数ステップの調査や実行を自律的に任せたいならAgenticという使い分けが基本になります。

3種類は精度・コスト・実装難度のバランスが大きく異なるため優劣ではなく適材適所で選ぶという考え方が重要です。以下の早見表を参考に、自社の用途に近いものから検討してみてください。

比較軸	Naive RAG	Graph RAG	Agentic RAG
仕組み	質問をそのまま検索	ノードとエッジで関係性を検索	複数エージェントが計画・実行
精度	基本的	関係性理解に強い	相互検証で高精度
実装難度	低い	中〜高い	高い
コスト	低い	中程度	計算コストが高い
向くユースケース	社内FAQ・単純検索	調査業務・全体傾向の把握	複雑な業務の自動化

選び方の判断基準とは？3ステップで絞り込む

種類選びに迷う場合は、まず用途が単純な一問一答か複雑な調査業務かを判断し、次に情報同士の関係性が重要かどうかを確認し、最後に自律的なタスク実行が必要かを検討するという3ステップで絞り込めます。

TechSuite株式会社の「AI検索パートナーズ」は、コンサルティングという性質上、業種・規模・商材・課題に合わせてすべて顧客ごとに個別設計を行い、対象となる検索導線やコンテンツ構造のボトルネックを特定したうえで解決策の実行まで伴走します。RAGの種類選定も同様に、テンプレートではなく個別の要件に基づいて判断することが望ましいといえます。

進化段階で見るRAGの種類：Naive・Advanced・Modular

RAGは構造面で見るとNaive RAG（最も基本的な構成）、Advanced RAG（検索の前処理・後処理を追加）、Modular RAG（機能を部品化して柔軟に組み合わせる構成）という3段階の進化として整理できます（Taskhub）。この進化段階を理解すると、目的別の手法がどこに位置づけられるかが把握しやすくなります。

Naive RAGとは？最も基本的な検索と生成の構成

Naive RAGとは、ユーザーの質問をそのまま埋め込みベクトル化し、ベクトルデータベースから関連文書を検索してLLMに渡す、最も基本的な構成のRAGです。実装のハードルが低く、社内FAQボットのようにSlack経由で社内Wikiを検索する用途などで実例として使われています（Qiita）。

Naive RAGはまず動かすための最初の一歩として位置づけられ、精度に課題が出た段階でAdvancedやModularへ拡張していく発想が現実的です。最初から複雑な構成を目指す必要はなく、小さく始めて課題に応じて拡張するアプローチが取りやすい種類といえます。

Advanced RAGとは？前処理と後処理で精度を高める

Advanced RAGとは、検索前（Pre-Retrieval）にクエリの書き換えや分解を行い、検索後（Post-Retrieval）にリランクなどの後処理を加えることで、Naive RAGの検索精度の弱点を補う構成です。質問文と文書内の語彙のずれを吸収しやすくなる点が大きな利点です。

Hybrid Searchはキーワード検索とベクトル検索を併用するもので、実用的なRAGにおける事実上の標準的な手法とされ、精度に悩んだ場合はまずハイブリッド検索が適切に実装されているかを確認するのが第一歩になるとされています（Taskhub）。

Modular RAGとは？部品化して柔軟に組み合わせる

Modular RAGとは、検索・記憶・書き換え・検証といった機能をそれぞれ独立した部品（モジュール）として扱い、必要に応じて柔軟に組み合わせて構成するアーキテクチャです。GraphRAGやHyDE、Self-RAGといった目的別の手法も、多くはこのModular RAGの枠組みの中に部品として組み込まれます。

段階	特徴	主な処理
Naive RAG	最もシンプル	質問をそのままベクトル検索
Advanced RAG	前処理・後処理を追加	クエリ書き換え・リランク
Modular RAG	機能を部品化	検索・記憶・検証を柔軟に組合せ

TechSuite株式会社の「AI検索パートナーズ」は、AIを活用した高度なコンテンツ制作の仕組みを「バクヤスAI記事代行」事業で培っており、その制作エンジンとナレッジをLLMO対策に転用しています。Modular RAGのように機能を部品化して組み合わせる発想は、想定質問の分解に沿って高品質なコンテンツを大量かつ高速に設計する制作フローとも近い考え方です。

目的別に選ぶ高精度RAGの種類とは？

目的別に見るRAGの種類には、関係性を扱うGraphRAG、精度を検証するCorrective RAG・Self-RAG、質問傾向で戦略を切り替えるAdaptive RAG、画像などを扱うMultimodal RAGがあり、それぞれ解決したい課題が異なります。用途に合わせて選ぶことで、検索精度とハルシネーション対策の両面を強化できます。

GraphRAGとは？関係性・全体像を理解する

GraphRAGとは、データをノード（点）とエッジ（線）で構造化したナレッジグラフを用いて検索する手法で、情報同士の繋がりや全体像を理解するのに強みがあります。情報が複数文書に分散した抽象的な質問や「全体の傾向を教えて」といった全体要約タスクに強く、主要ベンダーも注力している分野です（Taskhub）。

GraphRAGは単純なキーワード一致では見つけられない間接的な関係性を辿れる点がNaive RAGとの最大の違いです。脅威インテリジェンス分析（攻撃者から手法、脆弱性への関連付け）のような用途で実例として活用されています（Qiita）。

HyDEとCorrective RAG・Self-RAGの仕組みとは？

HyDEとは、質問文から一度LLMで仮想的な回答文（模範解答）を生成し、その仮想回答を使って類似文書を検索する手法です。質問と回答で使われる単語や文体が異なりやすいため、質問が短く曖昧な場合に特に有効とされ、契約書検索のように法務用語が曖昧になりやすい場面で使われています（Qiita）。

Self-RAGは生成した回答が検索情報に基づいているか、質問に適切に答えているかをAI自身がスコアリングし、低品質であれば再生成する手法です。Corrective RAGは検索結果の信頼性を評価し、不正確であればWeb検索などで補完する手法で、両者ともハルシネーションのリスクを大幅に低減できるとされています（Taskhub）。医療相談AIのように正確性が最優先される領域での実例があります。

Adaptive RAGとMultimodal RAGとは？

Adaptive RAGとは、質問の難易度やタイプに応じて検索戦略を切り替える手法です。簡単な質問にはFAQから即座に回答し、複雑な質問は分解して複数回RAGを実行するといった制御を行い、ECの顧客サポートなどで実例として使われています。Multimodal RAGはテキストに加えて画像・図面・音声といった非テキスト情報も統合して検索する手法です。

種類	解決したい課題	向くデータ形式	実例
GraphRAG	関係性・全体傾向の把握	構造化された関係データ	脅威インテリジェンス分析
HyDE	曖昧・短い質問への対応	専門用語を含む文書	契約書検索
Corrective/Self-RAG	ハルシネーション抑制	正確性が求められる文書	医療相談AI
Adaptive RAG	質問難易度への対応	FAQと複雑な問い合わせが混在	ECの顧客サポート
Multimodal RAG	画像・図面を含む検索	非テキストデータ	設計図面の検索

TechSuite株式会社の「AI検索パートナーズ」は、自社サイトにおいてAI Share of Voiceが高水準にあり、支援事例でAI Overviewの引用率を改善した実績があります。GraphRAGが関係性を辿って回答の根拠を示す考え方は、AI検索エンジンが引用元を選ぶ際の一次情報の構造化とも通じるところがあります。

Agentic RAGはどう違う？最終形の仕組みとユースケース

Agentic RAGとは、複数のエージェントや外部ツール（Web検索・社内DB・分析ツールなど）を組み合わせ、計画と実行を分担しながら回答を生成する手法で、従来のRAGよりも柔軟性・適応性・精度に優れるとされています。一方で計算コストが高くなる点は注意が必要です（IBM）。

従来RAGとの違いとは？柔軟性・適応性・精度

従来のRAGは単一のデータセットに接続するのに対し、エージェント型RAGは複数の外部ナレッジベースや外部ツールを利用できる点で柔軟性が高く、静的なルールではなく状況に応じた適応的な問題解決を行う点で適応性が高いとされています。さらにマルチエージェントによる相互検証によって精度も高められるとされています（IBM）。

エージェント型AIはメモリー・ルーティングや計画などの意思決定・APIによるツール呼び出しという3つの特性を持つ点が、Naive RAGやAdvanced RAGとの本質的な違いです。

Agentic RAGの仕組みとは？4種類のエージェント構成

Agentic RAGは主にルーティング・エージェント、クエリー・プランニング・エージェント、ReActエージェント、計画および実行エージェントという4つのコンポーネントで構成されます。ReActは推論とアクションを組み合わせ、各ステップの結果に応じて後続の行動を動的に調整するフレームワークです。

計画および実行エージェントはReActの進化形で、プライマリーエージェントへのコールバックなしにマルチステップを実行できるため、コスト削減と効率向上につながり、完了率と品質が高い傾向があるとされています（IBM）。

エージェントの種類	主な役割
ルーティング・エージェント	適切なデータソース・ツールへ振り分ける
クエリー・プランニング・エージェント	複雑な質問をサブタスクに分解する
ReActエージェント	推論とアクションを繰り返し動的に調整する
計画および実行エージェント	コールバックなしにマルチステップを実行する

ユースケースと注意点とは？計算コストの高さ

Agentic RAGはマーケット調査のように、複数の情報源を横断して分析・比較を行う業務との相性が良いとされています。一方でマルチエージェントの相互検証や複数回の推論を伴うため、Naive RAGやGraphRAGと比べて計算コストが高くなりやすい点は、導入前に確認しておきたい注意点です。

TechSuite株式会社の「AI検索パートナーズ」は、技術的アプローチを担う人材とAIを活用したコンテンツ制作人材が一つのチームで連携し、戦略設計から技術実装・企画・制作・効果測定・改善までを一気通貫で伴走する体制を取っています。複数の役割が連携して1つの成果を生み出すという構造は、Agentic RAGの複数エージェント連携の発想とも重なる部分があります。

自社に合うRAGの種類はどう選ぶ？

自社に合うRAGの種類を選ぶには、実装アプローチ（フルスクラッチ・マネージドサービス・SaaS）、精度・セキュリティ・開発リソース・データ形式といった比較ポイント、そして導入後に発生しやすい課題への対策をあわせて検討する必要があります。結論として、開発リソースが限られる場合はSaaSやマネージドサービスから検討するのが現実的です。

実装アプローチ別の選択肢とは？代表製品も紹介

RAGの実装アプローチには、LLMとベクトルDBを組み合わせて開発するフルスクラッチ、Azure・AWS・Google Cloudなどが提供するマネージドサービス、RAGを搭載済みのSaaS・AIチャットボットの3種類があります。代表製品としてはAzure OpenAI Service（On Your Data）、Amazon Bedrock（Knowledge Bases）、Vertex AI（Search and Conversation）、Glean、Difyなどが挙げられます（Taskhub）。

実装アプローチ	特徴	代表例
フルスクラッチ開発	柔軟だが開発リソースが必要	LLM＋ベクトルDBの自社構築
クラウドのマネージドサービス	基盤機能を活用しつつ拡張しやすい	Azure OpenAI・Amazon Bedrock・Vertex AI
RAG搭載SaaS	導入が速く運用負荷が低い	Glean・Dify

比較ポイントとは？精度・セキュリティ・リソース・データ形式

種類を選ぶ際の比較ポイントとして、回答精度とハルシネーション抑制の優先度、社内データのセキュリティ要件と保管場所、開発リソースや運用コスト、対応が必要なデータ形式（PDF・Excel・画像など）の4点を確認しておくと選定がスムーズになります。

社内Wikiやマニュアル検索であればまずHybrid SearchとAdvanced RAGの組み合わせを基本形として検討するのが現実的とされています（Taskhub）。

導入課題と対策とは？精度・前処理・レイテンシ

RAG導入後によくある課題には、精度の限界とファクトチェックの必要性、データクレンジング（前処理）の重要性、レイテンシとコストのバランスがあります。特にチャンキングの粒度や表記ゆれの統一といったデータクレンジングは、どの種類のRAGを選んでも精度に直結する重要な工程です。

TechSuite株式会社の「AI検索パートナーズ」の支援では、AI検索経由での受注率が従来のSEO経由の約3倍という実績があり、露出や検索順位だけでなく受注という成果に直結させることを重視しています。RAGの種類選定においても、精度指標だけでなく最終的な業務成果につながっているかという視点で評価することが望ましいといえます。

よくある質問

RAGとファインチューニングの違いは何ですか？併用すべきですか？

RAGは外部の辞書を引くような仕組みでデータ更新が容易で最新情報を反映しやすく、出典を明記できます。ファインチューニングはモデル自体に言い回しや専門用語を覚えさせる仕組みで、更新には再学習コストがかかります。知識の部分をRAGで、口調や専門用語の言い回しをファインチューニングで担わせる棲み分けが主流とされています（Taskhub）。

GraphRAGは従来のRAGと何が違いますか？

従来のRAG（Naive RAG）は文書単位の類似度でしか検索できませんが、GraphRAGはノードとエッジで表現したナレッジグラフを用いるため、情報同士の関係性や全体像を踏まえた検索ができる点が違いです。複数文書に情報が分散した抽象的な質問に強いとされています（Taskhub）。

社内Wikiやマニュアル検索に最適なRAGの種類はどれですか？

まずはキーワード検索とベクトル検索を併用するHybrid Searchに、クエリの書き換えやリランクを加えたAdvanced RAGの組み合わせが基本形として適しているとされています。社内リソースが限られる場合はGleanのようなSaaS、Azure環境であればAzure OpenAI Serviceの活用が候補になります（Taskhub）。

Agentic RAGはどんな企業・業務に向いていますか？

複数の情報源を横断して調査・分析・比較を行うような複雑な業務、例えばマーケット調査のような用途と相性が良いとされています。一方でマルチエージェントによる相互検証を伴うため計算コストが高くなりやすく、単純な一問一答の用途であればNaive RAGやAdvanced RAGで十分な場合が多いといえます。

まとめ

RAGの種類は、Naive・Advanced・Modularという進化段階の分類と、GraphRAG・Hybrid・HyDE・Corrective/Self-RAG・Adaptive・Multimodal・Agenticという目的別の分類の2軸で整理できます。まずは自社の用途・関係性の重要度・自律実行の要否から、Naive・Graph・Agenticのどちらに近いかを見極めることが選定の出発点になります。

そのうえで実装アプローチ（フルスクラッチ・マネージドサービス・SaaS）や、精度・セキュリティ・開発リソース・データ形式といった比較ポイントを確認すれば、自社に合ったRAGの種類を無理なく選定できます。まずはハイブリッド検索を中心とした基本形から始め、課題に応じて拡張していく進め方が現実的です。

参考にした情報源

• RAGの8種類まとめ（Qiita）
• RAGの種類と選び方（Taskhub）
• エージェント型RAGとは（IBM）
• RAGの大分類：Document／SQL／Graph（Zenn）