Agentic search models (5 minute read)｜エージェント型検索モデル（5 分読了）

検索において、レゴの部品についてはよく知っています。埋め込みベクトル（Embeddings）。再ランク付け器（Rerankers）。クエリ理解。BM25。標準的なスタックで組み合わせているすべての部品です。 しかし、新たな力が台頭しています：**エージェント型検索モデル**です。検索タスクを制御するために*特化して*訓練された大規模言語モデル（LLM）です。GPT-5 やその仲間と比較すると、これらのモデルは特定のタスクやドメインに焦点を当てることがあります。より小さく、高速で、検索インフラストラクチャへの展開も容易になります。 舞台設定をしましょう。 従来のレゴの部品を用いて構築するのは、このような厚い検索モノリスです： ![image](https://softwaredoug.com/assets/2026/media/the-new-agentic-search-models/image.png) これが過去 1〜2 年間にわたって構築されてきたものです。クエリがシステムに流入します。ビジネスルールを適用し、クエリを分類します。1 つ以上の検索バックエンドを検索します。戻ってきた結果を後処理し、再ランク付けします。 すべてが非常に手動で、プログラム的であり、個別対応です。各部品は全体を見渡すことができません。各部分は問題の一部分（再ランク付け器、クエリ分類器等）に焦点を当てており、全体については無知です。 ## エージェント型検索は部品を統合して全体を統括する エージェント型検索は部品を分解し、全体を見渡します。GPT-5 や Sonnet を基盤としたエージェントは、ツールを持っていることを認識しています。ユーザーのクエリを解決するために知識や文脈を与えられます。 このエージェントはユーザーを支援します：いくつかの単純な検索プリミティブを駆使し、候補を検索して関連する結果を返すのです。厚くモノリス的な検索ではなく、基盤となる検索ツールはバックエンドインデックスに対する薄いラッパーとなります。 ![image](https://softwaredoug.com/assets/2026/media/the-new-agentic-search-models/image%201.png) 従来のスタックとは異なり、**エージェントはプロセス全体を把握します**。これは単なる段階的な縮小の連続ではありません。代わりに、モデルは利用可能なリソース（検索ツール、他のサブエージェント、またはユーザーを案内するためのナレッジベース）を活用して、ユーザーのための解決策をオーケストレーションします。 つまり、アジェンティック・サーチは検索スタックを構成要素ごとに分解するものです。各パーツはまだ重要ですが、全体を単一の知的なモデルが管理できるようになります。 ## GPT-5 は検索の本質を本当に理解していない フロンティアラボのモデル（GPT-5、Sonnet など）は 80% のケースでは良好に機能します。彼らは一般的な知識を用いてクエリを理解し、防御可能な検索結果を提示します。 しかし、実際に成果を変えるのは残りの 20% です。 **その最後の 20% に何が含まれているのでしょうか？** それは、私たちのユーザーやドメインにおける非自明な要素です。GPT-5 は、家具店において「ビストロテーブル」と検索すると、レストラン用機器ではなく「小さな屋外テーブル」を意味することを知らないのです。また、ファッション検索のユーザーが複雑なパターンよりもダークまたはシンプルなパターンをクリックする傾向があることも知りません。 なぜでしょうか？GPT-5 自体も検索で訓練されているのではないですか？ はい、もちろんそうです。 GPT-5 やその仲間たちは、「検索」を*ウェブ検索*として捉えています。主要なモデルは、ほぼ完璧に動作する検索ツールを期待し、自分たちが持っていない答えを提供するためにそれらを利用します。残念ながら、私たちの検索は Google のようにはいきません。私たちはより小規模で焦点を絞ったチームで活動しており、狭いドメイン向けによりシンプルな検索バックエンドを構築しています。私たちが求めているのは、単純な検索システムを推論しオーケストレーションできるように訓練されたエージェントです。 現在、[Cheat at Search with Agents](http://maven.com/softwaredoug/cheat-at-search) で私が教えている通り、モデルの周囲に制約とチェックを組み合わせて構築しています。しかし、この集中的なコンテキストエンジニアリングはトークンを大量に消費し、コストが嵩みます。 ## 最後の 20% を担うアジェンティック検索モデル LLM を検索に特化して訓練することはできないでしょうか？さらに言えば、私たちのドメイン内、あるいは私たちのユーザーのために検索する LLM はどうでしょうか？ この方向性のモデルが現れ始めています。SID が最初に [SID-1 モデル](https://www.sid.ai/research/sid-1) を発表しました。その後、Glean が [Waldo](https://www.glean.com/blog/waldo-launch) のリリースを発表し、Charcoal などのスタートアップも [独自のコーパスに特化](https://withcharcoal.com/) しています。 これらの代替手段を推進するチームは、文書*検索*に特化した訓練を行うことでアピールしています。彼らは有用な結果を見つけるために必要な最後の 20% に焦点を当てています。例えば Sid は、アジェンティック検索において GPT-5 と比較して [より小型でレイテンシが低い](https://www.sid.ai/research/sid-1) 点を挙げています。 その帰結について考えてみましょう。私は以前、複雑なクエリと再ランク付けパイプラインを構築しない未来について説明しました。代わりにエージェントが単純な検索プリミティブをオーケストレーションします。基本的なキーワード検索や埋め込みモデルに数個のフィルターを加える程度です。これらは基本であり、スケーラブルでシンプルな検索ツールとなります。 次に、SID-1 のようなエージェント型検索モデルをデプロイします。このモデルは、私たちのドメインにおいて何が関連性があるかを理解しており、ユーザーを獲得します。そして、関連する検索結果を見つけるためにツールをオーケストレーションできるようになります。現在、確かに焦点は RAG（Retrieval-Augmented Generation）と古典的なパッセージ検索（つまりチャンク単位）から始まりますが、これは間違いなく、e コマースから求人検索まで異なるドメインを対象とするモデルのファミリーへと拡大していくでしょう。 今日、Huggingface には金融、法律、e コマースをターゲットにした多数の埋め込みモデルが存在します。なぜエージェント型検索モデルも多数存在しないのでしょうか？ドメインに特化されたモデルです。 埋め込みは問題の一部（類似性）しか解決できませんが、エージェント型検索モデルは、クエリ理解からハイブリッド検索に至るまでのプロセス全体を包括できます。確かに現時点ではサイト検索を駆動するには遅すぎますが、これは今後数年で確実に変化していくでしょう。 私はこの未来に興奮しています。検索のあり方は根本的に異なるものになるはずです。 これらのトピックについて学びたい場合は、月曜日から開始する私の「Cheat at Search w/ Agents」クラスをチェックしてください。 エージェントを搜索に活用し、より優れた RAG を構築し、クエリ理解に LLM（大規模言語モデル）を使用する方法を学ぶために、[Cheat at Search with Agents](https://maven.com/softwaredoug/cheat-at-search) にぜひご参加ください。

エージェント型検索モデル（5 分読了）

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト