AIエージェントのメモリのためにベクトルRAGの代替を構築しました
We Built an Alternative to Vector RAG for AI Agent Memory (claix.dev)
要約
従来のRetrieval-Augmented Generation (RAG) は、ドキュメントをチャンク化し、埋め込みを作成してベクトルデータベースに保存するアプローチを取りますが、AIエージェントの動的なニーズには限界があります。AIエージェントは単に質問に答えるだけでなく、ツールを選択し、複数のステップを実行するため、エージェントが検索を制御する「エージェントRAG」への移行が進んでいます。この記事では、ベクトルベースのRAGの限界(チャンク化による構造破壊、類似性に基づく検索の非関連性、単一検索の限界など)を指摘し、エージェントがタスクに応じて最適なツール(構造化抽出、SQL、APIなど)を選択する、より柔軟なアプローチを提案しています。
全文翻訳
Agentic RAG vs vector RAG: database agentsのための2つの異なる選択肢
2026年10月更新。この記事は、ClaixがドキュメントAPIであった頃に最初に書かれました。現在Claixが提供するもの、すなわちリレーショナルデータベースに対する制御された検索レイヤーへと再構成されています。議論の核心である「エージェンティック」と「ベクトル」が別個の選択肢であるという点は変わっていません。
Retrieval-Augmented Generationはパイプラインとして始まりました。ドキュメントをチャンク化し、チャンクを埋め込み、ベクトルを保存し、各回答の前に最も近いパッセージを取得してモデルに渡します。説明が容易であるため、多くのチュートリアルで依然として教えられている理由の一部です。
エージェントは、その内部にあるものではなく、その形状を変えました。モデルがツール呼び出しで信頼できるようになったとき、検索はモデルが行えるもの、繰り返せるもの、またはスキップできるものへと変化し、多くのチームがしばらくそのように作業してきました。しかし、ツールの呼び出しの背後にあるものは、それ自体では変わりませんでした。多くのプロジェクトでは、チュートリアルがそのように構築したため、依然としてデータのコピーに対するベクトル検索が行われています。たとえ真実の情報源が既に答えを知っているPostgresテーブルであってもです。
AIエージェントのためのRAGとは
それは、エージェントが作業中に、自身のコンテキスト外の情報にアクセスできるようにすることです。固定パイプラインでは、そのアクセスは一度、事前に発生します。エージェンティックな設定では、エージェントが必要だと判断したときに呼び出すツールとなります。
固定パイプライン
question → embed → vector search → chunks → model → answer
エージェンティック
task → agent decides what it needs → calls a database or search tool
→ looks at the result → calls another tool, or acts
2番目のフローのどこにも、ツールが埋め込みを使用すると書かれていません。それはBM25インデックス、SQLクエリ、またはAPIである可能性があります。それが次のセクションです。
混同されがちな2つの選択肢
| 決定事項 | オプション |
|---|---|
| 検索はいつ行われますか? | 常に、生成の前(固定パイプライン)。またはエージェントがツールを呼び出すとき(エージェンティック)。 |
| 結果はどのようにマッチングされますか? | 埋め込み。キーワード検索(BM25)。それらのハイブリッド。SQLまたは構造化フィルタ。マッチングなし:データは直接コンテキストに入ります。 |
最初の行のどのオプションも、2番目の行のどのオプションとも組み合わせることができます。エージェントはBM25インデックスを呼び出すことができます。固定パイプラインはハイブリッド検索を実行できます。したがって、「エージェンティックRAG対ベクトルRAG」は異なる軸で比較しているため、それらの議論はしばしば堂々巡りになります。また、SQLクエリがモデルに情報を供給することも検索であるという意味です。RAGは、検索した情報がモデルに供給されることを必要とするだけで、検索を実行したものが何であれ関係ありません。
固定ベクトルパイプラインがデータベースレコードで苦労する点
コピーは陳腐化します。ベクトルインデックスはスナップショットです。顧客が同意を変更したり、予約がキャンセルされたり、価格が更新されたりすると、インデックスは次の同期まで間違ったままになります。その間、データベースは既に正しい答えを持っていました。
類似性はルックアップではありません。埋め込みは、2つのパッセージが同じことについてのものであることを伝えることができます。それらは、どの予約がゲストにとって次であるか、または土曜日の夕方に14件のテーブルが予約されているかを伝えることはできません。正確な値、カウント、日付に関する質問は、フィルタ、結合、または集計を要求しますが、最近傍探索はそれらのいずれも計算しません。
フラット化は関係性を失います。行はキーなしではほとんど意味をなしません。注文は顧客に属し、予約はテーブルに属し、従業員はシフトに属します。行をテキストチャンクに変換すると、データベースが強制するために構築された構造が失われます。
アクセス制御はコピーでは維持されません。ソースデータベースでは、権限がロールが読み取れるテーブルと列を決定します。データが別のストアに埋め込まれると、それらのルールはそこで再構築されなければならず、再構築のたびにプライベートに保たれるべきものが公開される可能性があります。
1回のルックアップで十分なことはめったにありません。顧客を見つけ、次に最新の予約を見つけ、ポリシーに対して預金を確認することは、それぞれが前のものに依存するいくつかのステップです。固定チェーンは、1回の検索でそれがカバーされると想定します。これは、エージェントループが実際に修正した部分です。
ベクトルストアにはメンテナンスが必要です。取り込み、同期、スキーマ変更時の再埋め込み、削除、および検索が実際に機能しているかの評価。どれも珍しいものではありませんが、製品が何もする前に存在する作業です。
これらすべてがベクトル検索を悪いツールにするわけではありません。誰かが、著者たちが使用した単語を知らずに、データ保持に関連する会社のWikiのすべてのものについて尋ねた場合、埋め込みはSQLができないことを行います。苦情は、正確な値に関する質問があるデータに対して、それらをデフォルトとして使用することについてです。
エージェンティック検索の外観
エージェントは、検索する必要があるかどうかを決定し、ソースを選択し、最初の試行がうまくいかなかった場合はクエリを書き直し、結果が十分かどうかを確認し、再度試行するか停止します。提供されるツールは、search_wiki()、query_database()、get_customer()、check_availability()、call_api()、request_human_review()のような通常のものです。
これはフロンティアではなく、現在のベースラインです。未解決の質問は、query_database()が何を得意とし、誰のルールで行われるかです。つまり、エージェントが触れることができるテーブル、返却が許可されるもの、データが存在しない場合に何が起こるか、そして誰がその質問を見ることができるかです。
エージェントのための検索の進化
大まかにこの順序で:取得して生成する。再ランキングを追加する。ベクトル、キーワード、メタデータフィルタをハイブリッド設定で混合する。エージェントが固定パスで実行するのではなく、検索をツールとして呼び出せるようにする。そして、ビジネスデータについては、コピーではなく、システムオブレコードをそのツールに向ける。初期のステップはもはや新しくありません。まだ解決されていないのは、ツールの下のレイヤーであり、一般的な接続では不十分になり、境界が重要になり始める場所です。
ベクトルベース検索の代替手段
これらを「RAGの代替手段」と呼ぶのは緩い表現です。なぜなら、それらのほとんどは外部コンテキストをモデルに渡すからです。それらは、そのコンテキストがどのように選択されるかで異なります。
直接SQL生成。モデルは質問とスキーマからクエリを作成します。プロトタイピングが柔軟で迅速です。難しい部分は、読み取り専用に保つこと、使用すべきテーブル内に保つこと、そして正確に保つことです。
事前定義されたクエリと関数ツール。固定セットの関数(get_order_status、list_bookings)を作成し、エージェントがそれらを呼び出します。予測可能で安全ですが、新しい種類の質問ごとに新しいコードが必要です。
セマンティックレイヤー。メトリックとエンティティを一度定義し、エージェントは生のテーブルではなくそれらをクエリします。分析と管理されたメトリックには適していますが、多くの場合、小規模チームが実行するには重すぎます。
データベースMCPサーバー。Model Context Protocolを介してデータベースをエージェントに公開します。接続が迅速です。アクセスモデルは、サーバーと接続するロールに依存します。
キーワードおよびハイブリッド検索。人々がコンテンツで使用するのと同じ用語で検索する場合、BM25だけでも十分なことがよくあります。ベクトルと組み合わせると、多くの範囲をカバーします。
ナレッジグラフ。類似性では捉えられない関係性を、グラフの構築と維持のコストで捉えます。
フルコンテキスト。小規模なデータセットの場合、モデルにクリーンで構造化された形式ですべてを提供することは、断片を取得するよりも信頼性が高くなる可能性があります。
構造化抽出。情報がまだPDFやスプレッドシートにロックされている場合は、フィールドに抽出し、テーブルにロードします。その後はデータベースの質問になります。
エージェントのためのデータベース検索
「Text-to-SQL」は、多くの場合、モデルがクエリを作成することを意味しますが、それは1つの実装です。会社のデータベースを扱うエージェントは、レコードを検索したり、条件に一致する行をカウントしたり、フラグを確認したり、2つのテーブルを結合したり、「いいえ」と「データが存在しない」の違いを伝えたりする必要があるかもしれません。それらすべてを、誰かが意図的に選択した制限内で実行する必要があります。それは、検索インデックスよりも制御されたインターフェースに近いものです。
Claixが位置づけられる場所
Claixは、AIエージェントのための制御されたデータ検索レイヤーです。お使いのリレーショナルデータベース(現在はPostgresとSupabase)に接続するため、データをベクトルストアにコピーしたり、その上にインデックスを構築したりしません。「ベクトルデータベースなし」だけではほとんど何も言いませんので、それが何をするかを以下に示します。
読み取り専用ロールでデータベースを接続します。Claixは構造を読み取り、レビューおよび編集するためのデータマップ(テーブル、説明、関係)をドラフトします。次にルートを作成します。各ルートは、使用できるテーブルと列、およびルールと語彙を平易な言葉で短くガイドします。最後にエージェントを作成します。エージェントはエンドポイントとなる名前、それが何をするか、いつ各ルートを使用するかを伝えるビジネスプロンプト、それに添付されたルート、そして生の検索結果または要求されたタイプで返される理由付けされた回答のいずれかである応答モードです。
エージェントを呼び出すのは1回の要求です。最大5つの質問を、期待されるタイプ(文字列、整数、ブール値、配列、またはオブジェクト)でタグ付けして送信し、同じ順序で型付けされた回答を受け取ります。その背後で、モデルはエージェントのルートの境界内でSELECTクエリを作成します。クエリは実行前に検証され、すべての要求はトレースされるため、どのルートが回答したか、何が実行されたか、何が返されたかを確認できます。許可されたテーブルに回答が含まれていない場合、フィールドは推測の代わりに空で返されます。エージェントはREST、MCP、A2A経由でアクセス可能であり、Claix Managed AIで実行するか、独自のLLMキーで使用できます。
その設計には上限があり、それを率直に言う価値があります。それは、回答がリレーショナルデータ内に存在し、関連するテーブルを記述できる場合に機能します。構造化されていないテキストに対するセマンティックな発見は行いません。そのためには、前に検索ステップが必要であり、それが埋め込みであるかBM25であるかは、それ自体の決定です。アクセスはエンドユーザーごとではなく、エージェントごとにスコープされています。各人が自分の行のみを見る必要がある場合は、データベースまたはアプリケーションでそれを強制してください。そして、モデルは許可され、有効だが間違ったクエリを作成する可能性があるため、良い説明、明示的な関係、およびトレースが重要です。情報がまだPDFにある場合、Claix Ingestはそれを構造化フィールドに抽出し、データベースにロードするため、エージェントはそれについて質問できます。
もう1つ知っておくべきことがあります。どのアージェントがどのテーブルにアクセスできるかを選択することは、あなたが制御する部分です。Claixは、エージェントが何を見ることを許可されるべきかを決定しません。それはあなたが決定したことを強制し、何が起こったかを示します。
VannaおよびLlamaIndexの代替手段
Vannaは、自分でホストして拡張するテキスト・トゥ・SQLフレームワークであり、LlamaIndexはコネクタ、インデックス、クエリエンジンを中心に構築されています。ホストして調整するフレームワークが必要な場合は、それらが適しています。そうでない場合は、他の方法があります。状態、リトライ、権限を制御したい場合は、プロバイダーSDKから直接ツールを呼び出すこと。LangChainとLangGraphは、分岐ワークフローと人間の承認ステップ用です。Cubeのようなセマンティックレイヤーは、管理されたメトリックが必要な場合です。データベースMCPサーバーは、迅速なアクセス用です。またはClaixのような管理レイヤーです。Claixはエージェントフレームワークではなく、それを置き換えるものではありません。それは、その中から呼び出されるものです。
ベクトルデータベースが依然として意味をなす場合
数百万のテキストセグメント、大規模な永続コレクション、重く繰り返されるクエリ量、同じコンテンツに対する多数のユーザー、または検索が製品である製品がある場合です。それらの場合、埋め込みはメンテナンスに見合う価値があります。有用な質問は、ベクトルかエージェントかではなく、各タスクがどの種類のルックアップを必要とするかです。セマンティック発見、正確な値、行をまたぐ集計、ライブレコード、またはドキュメントです。
データベースエージェントのためのより良いアーキテクチャ
レイヤーで考える。まず、記述されたデータモデル:ビジネス言語でのテーブル、列、関係。これにより、エージェントは各項目が何を意味するかを知ることができます。第二に、スコープされたアクセス:各機能がどのテーブルと列を使用できるか、読み取り専用接続を介して。第三に、検索操作:ルックアップ、フィルタリング、結合、カウント、比較。検証と制限付き。第四に、エージェント自身の推論:計画、ツールの選択、結果の確認、続行するかどうかの決定。第五に、ビジネスアクション:レコードの作成、誰かに通知、エスカレーション、レビューの要求。
A fixed vector pipeline can embed the rows of a bookings table and ask a model for a guest's next reservation. It may return a stale one, or one that merely looks similar. A controlled approach asks the database which reservation is next for that guest, joined with the table and the deposit, using only the columns the agent is allowed to read, and returns an object the workflow can use directly. A compliance check works the same way: has this customer accepted marketing consent is a boolean your workflow can branch on, not a paragraph to interpret. A support agent checks an order's status before replying, using only the columns it needs.
なぜエージェンティック検索がデフォルトになったのか
エージェントは、複数のステップにわたって複数のソースからのコンテキストを必要とします。検索は、データベース、CRM、計算機、ウェブ検索、人間のレビューなどのツールの1つです。それらは、証拠が十分かどうか、2つのソースが矛盾しているかどうか、そして行動しても安全かどうかを判断する必要があります。そして、予約を確認するようなタスクは、1回の検索と1回の回答には収まりません。
開発者にとって何が変わるか
作業は、1つの大きな検索パイプラインの構築から、境界を持つ小規模な機能セットの設計へとシフトします。すべてをインデックスする方法を尋ねる代わりに、エージェントがどのテーブルから、どのルールで、何を読み取れるべきか、そしてどのようにそれが行われたかを確認するかを尋ねます。データを新しいシステムに同期する代わりに、既にそれを保持しているシステムが、適切な制限を設けて回答できるかどうかを尋ねます。
実用的な意思決定フレームワーク
- 小規模データセット、既知のフィールド:検索をスキップし、コンテキストに入れます。
- リレーショナルデータベース内のデータ、正確な値に関する質問:エージェントが必要とするテーブルにスコープして、それが存在する場所でクエリします。
- 同じ質問が繰り返される場合:事前定義された関数またはルートを使用し、動作を予測可能にします。
- ドキュメント内のデータ:まず構造化フィールドに抽出するか、質問がセマンティックな場合は埋め込みで検索します。
- 複数のソース:エージェントが各ソースをツールとして呼び出せるようにします。
- 何が起こったかを知る必要がある場合:質問、ルート、結果を含むすべての要求をトレースします。
一般的な間違い
ワークフローがカウント、日付、または識別子を必要とする場合に、すべてのデータ問題をセマンティック検索として扱うこと。データベースが回答できるかどうかを確認する前に、データベースをベクトルストアにコピーすること。エージェントに広範な権限を持つ接続を与え、プロンプトに依存してそれを制御すること。テーブルを悪く説明し、モデルが列の意味を推測するようにすること。欠落データを否定的な回答として扱うこと。不明は偽とは同じではありません。エージェントが顧客または財務システムで行動することを、それが読んだものの証跡なしに許可すること。そして、「エージェンティック」と「ベクトル」を、あたかも1つの軸であるかのように比較すること。
これが現状です
エージェントが検索をツールとして呼び出す部分は確立されています。まだ解決されていないのは、ビジネスデータ向けのツールの外観です。つまり、どれだけのアクセス権が与えられるか、誰がそれを定義するか、どのように間違った回答が捕捉されるか、そして何が起こったかを確認する方法です。そこに私たちは時間を費やしています。
よくある質問
AIエージェントのためのRAGとは何ですか?
エージェントが作業中に、検索またはデータツールを介して、自身のコンテキスト外の情報にアクセスできるようにすることです。エージェントは、いつ検索するか、どのソースから検索するか、そしてさらに必要かどうかを決定できます。
エージェンティックRAGとは何ですか?
常に実行される固定ステップではなく、エージェントが呼び出すツールとしての検索です。エージェントは、いつ検索するか、クエリを書き直すか、結果が十分かどうかを確認し、続行または停止するかを決定します。
エージェンティックRAGは従来のRAGに取って代わるのですか?
大部分は、エージェントが検索ツールを呼び出すことが現在の一般的なパターンであるという意味でです。それはベクトル検索自体に取って代わるものではありません。「エージェンティック」と「ベクトル」は別個の選択肢です。
SQL検索はRAGですか?
はい。RAGは、検索された情報がモデルに供給されることを意味します。それは埋め込みを必要とせず、検索された情報がテキストチャンクである必要はありません。
キーワード検索(BM25)はRAGですか?
はい、同じ理由です。
ベクトルデータベースや埋め込みは時代遅れですか?
いいえ。それらは、大規模なテキストコレクションに対するセマンティック発見のための適切なツールです。それらは、特にデータが既にリレーショナルデータベースに存在し、質問が正確な値に関するものである場合、すべてのワークフローで必要とされるわけではありません。
ベクトルデータベースなしでエージェントを構築できますか?
はい。SQL、事前定義された関数、キーワード検索、API、またはその他のツールを使用します。ベクトルデータベースは、大規模コレクションに対するセマンティック検索を必要とするユースケースでは価値があります。
ベクトルデータベースRAGの代替手段は何ですか?
直接SQL生成、事前定義された関数ツール、セマンティックレイヤー、データベースMCPサーバー、キーワードまたはハイブリッド検索、ナレッジグラフ、およびフルコンテキストプロンプトです。
VannaとLlamaIndexの代替手段は何ですか?
プロバイダーSDKからの直接ツール呼び出し、LangChainとLangGraph、Cubeのようなセマンティックレイヤー、データベースMCPサーバー、カスタムランタイム、またはClaixのような管理レイヤーです。どれが適しているかは、ホストするフレームワークが必要か、メトリックレイヤーが必要か、またはマネージドサービスが必要かによって異なります。
Claixは埋め込みを使用しますか?
Claixはデータをコピーしたり、その上にベクトルインデックスを構築したりしません。エージェントは、許可されたテーブルと列の範囲内で、データが存在する場所でデータベースをクエリします。
Claixは私のデータベースに書き込みますか?
いいえ。Claixは読み取り専用ロールで接続します。データのロードは別の製品であるClaix Ingestであり、それを使用することを選択します。
Claixはどのデータベースをサポートしていますか?
現在はPostgresとSupabaseです。
独自のLLMキーを使用できますか?
はい。Claix Managed AIを使用するか、独自のキーを接続してモデルを選択できます。独自のキーを使用する場合、結果は選択したモデルに依存するため、本番稼働前にテストしてください。
ClaixはLlamaIndex、Vanna、またはLangChainの代替ですか?
いいえ。Claixは、カスタムランタイムまたはLangChainやLangGraphのようなフレームワークから呼び出すことができる検索レイヤーです。エージェントフレームワークを置き換えるものではありません。
Claixはエージェンティック検索にどのように適合しますか?
エージェントはそれをツールとして呼び出すことができます。REST、MCP、またはA2A経由でデータに関する型付けされた質問を行います。どのデータベースが重要かを決定しません。各エージェントが何にアクセスできるかをあなたが決定し、Claixがそれを強制し、何が起こったかを記録します。