Claude Codeが選んだAgentic Search：RAGを超える社内データ活用の新戦略

AI開発の最前線で、従来のRAG（Retrieval-Augmented Generation）に代わる新しいアプローチが注目を集めています。Anthropic社のエンジニアであり、Claude Codeの創設者でもあるBoris Cheyny氏が明かした設計哲学は、私たちの社内データ活用戦略を根本から見直すきっかけとなるでしょう。

Claude Codeは当初、多くのAIシステムと同様にRAGとローカルベクターDBを採用していました。しかし、実際の運用を通じて、コードベースや構造化データの検索においては「Agentic Search」の方が圧倒的に優れていることが判明したのです。

この記事では、なぜClaude CodeがRAGからAgentic Searchへと舵を切ったのか、その技術的背景と実践的な意味について詳しく解説します。社内データの活用を検討している方、AIシステムの設計に携わる方にとって、今後欠かせない視点となるはずです。

RAGとAgentic Searchの根本的な違い

まず、従来のRAGとAgentic Searchの仕組みを理解することから始めましょう。

従来のRAGアプローチ

RAG（Retrieval-Augmented Generation）は、以下のような流れで動作します：

✅ あらかじめ文章や資料をエンベディングし、ベクトル化
✅ ベクトルデータベースに保存してインデックス化
✅ 質問に近い類似の情報を検索
✅ 検索結果をAIに渡して回答生成

このアプローチは「質問→ベクトル検索→関連文書取り出し→回答生成」というワンサイクル完結型の流れが特徴です。事前準備が命であり、データの前処理とインデックス化が成功の鍵を握ります。

Agentic Searchの革新的アプローチ

一方、Agentic Searchは全く異なる哲学に基づいています：

💡 AIが自分で考えて検索のコードを組み立てる
💡 事前にデータを保存したり、大きなインデックスは作らない
💡 前処理はほとんど行わない
💡 必要に応じてgrep、glob、ウェブサーチなどのコマンドを使用
💡 構造や設定ファイルを動的に読み取る

これは、まさに人間のエンジニアがコードを調査するときの行動をそのままAIに実行させるアプローチと言えます。

Agentic Searchの動作メカニズム

Agentic Searchがどのように動作するのか、その詳細なプロセスを見てみましょう。

4つの核心的ステップ

ステップ	内容	特徴
目的と計画の作成	検索の目標を明確化し、探索戦略を立案	人間のエンジニアと同様の思考プロセス
マルチステップ探索	段階的に情報を収集し、仮説を検証	一度の検索で終わらない継続的なアプローチ
動的ツール統合	状況に応じて最適なツールを選択・実行	grep、find、ウェブ検索など多様なツールを活用
サブエージェント分析	複雑なタスクを分割し、専門的な分析を実行	並列処理による効率化

従来のRAGとの決定的な違い

Agentic Searchは、能動的に探索計画を組み立て、必要に応じて何度もツールを呼び出しながら探索を続けます。これは、RAGの受動的なワンサイクル型アプローチとは対照的です。

実際にClaude Codeを使用すると、この動的な探索行動を確認できます。AIが自ら判断し、複数のファイルを横断的に調査し、依存関係を追跡する様子は、まさに熟練エンジニアの作業プロセスを彷彿とさせます。

なぜAgentic Searchが優れているのか：5つの決定的な理由

1. 構造情報の的確な理解

実際のコードベースや構造化されたデータでは、単に意味的に近いテキストを返すだけでは不十分です。Agentic Searchは、ファイルディレクトリ構造や依存関係といった構造情報をコンテキストとして扱うため、正確に一致するものを探すことに強みがあります。

例えば、特定の関数の定義を探す際、RAGでは意味的に類似したコメントや説明文を返してしまう可能性がありますが、Agentic Searchは実際の関数定義を正確に特定できます。

2. 運用コストの大幅削減

従来のRAGでは、以下のような運用上の課題がありました：

⚠️ インデックスの鮮度管理
⚠️ ベクターデータベースの維持コスト
⚠️ データ更新時の再インデックス作業
⚠️ ストレージコストの増大

Agentic Searchでは、これらの問題を根本的に回避できます。事前のインデックス化が不要なため、常に最新の情報にアクセスでき、管理コストも大幅に削減されます。

3. セキュリティとプライバシーの向上

コードをベクターデータベースに保存しないため、設計がシンプルになり、セキュリティリスクも軽減されます。機密性の高い社内データを扱う際、この点は特に重要な考慮事項となります。

4. 鮮度と信頼性の確保

インデックス化を行わないため、毎回新しく探索できます。これにより、常に最新の情報を取得でき、古いインデックスによる誤った情報提供のリスクを排除できます。

5. AI性能向上とコスト最適化の恩恵

現在のAI技術の進歩により、以下の要因がAgentic Searchを後押ししています：

✅ AI性能の大幅な向上
✅ 運用のシンプル化
✅ トークン単価の継続的な低下

社内データ活用への応用可能性

プロジェクト単位での実装

社内データ全般では範囲が広すぎてAgentic Searchの効果を最大化するのは困難かもしれませんが、特定のプロジェクト範囲内であれば、単純なRAGではなくAgentic Searchアプローチが有効です。

例えば、以下のような場面での活用が考えられます：

💡 特定システムの技術仕様書の検索
💡 プロジェクト固有のドキュメント群の横断的調査
💡 関連するコードベースとドキュメントの統合的分析

成功の鍵：環境整備の重要性

Agentic Searchの効果を最大化するためには、AIに何を持たせるかよりも、人間がAIに対してどんな環境を用意するかの方が実はずっと重要です。

具体的には、以下のような地味に面倒な作業こそがAIの価値を決定します：

作業項目	重要性	効果
構成を整える	高	AIの探索効率向上
命名を揃える	高	検索精度の向上
不要なファイルを消す	中	ノイズの削減
ドキュメントを放置しない	高	情報の鮮度維持
README.MDを書く	高	コンテキストの提供