企業が人工知能システムを構築する際には、しばしば課題となるポイントがあります。つまり、核心的な業務データや特有の知識は機密性が高く、長文のドキュメントや金融申告書、法的契約書、政府記録などの背後にあるため、通常は隔離されています。従来のワンショット検索拡張生成（RAG）は、固定されたテキストブロックのみを検索でき、推論の反復能力に欠けるため、このような構造が複雑な長文や複数ソース間の比較作業では力不足になることがよくあります。この業界の課題を解決するために、Mistral AIは新たなアップグレード版であるAgentic Searchを正式リリースしました。この技術は、複数ステップの検索ループメカニズムを導入しており、従来の方法の制限を打ち破るだけでなく、企業向けの複雑なドキュメントクエリ処理においてAIシステムに質的な飛躍をもたらしています。

5つのコアツールが連携し、「機械的な検索」から「能動的な推論」へ

従来のRAGの主な欠点は、「検索だけを行うが、推論や反復ができない」というものです。モデルは初回でヒットした断片的なテキストに基づいて答えなければならないのです。一方、Agentic Searchは企業が既に持っている検索インデックスを基盤としており、モデルに5つのファイルシステム操作に似たコアツールを提供します：

  • search（検索）：全体の語彙庫内で関連する初期ドキュメントを探します。
  • open（開く）：特定のターゲットドキュメントを正確に開きます。
  • navigate（ナビゲート）：ドキュメント内の特定のページ、セクション、または領域に直接移動します。
  • read（読み込む）：ターゲットの場所の具体的な内容を取得します。
  • grep（パターンマッチング）：開いたドキュメント内で特定のパターンを探します。

この一連の機能により、モデルは従来のブロック粒度に制限されなくなります。回答前に検索結果をチェックし、検索戦略を最適化し、下位証拠を深く参照するだけでなく、複数のドキュメント間で比較・照合を行うことも可能になります。これにより、検索の質はモデル自身の推論能力の向上と共に上昇していきます。

顕著な性能向上と多様なシナリオでの検証

実際の業界ベンチマークテストにおいて、Agentic Searchは非常に強力な実装力とデータの爆発的な成長を示しました：

  • FinanceBench 金融質問テスト：368枚の平均147ページの複雑なSECファイルを基にしたテストでは、検索ループを導入しただけでモデルの正確さが3倍以上に向上しました。完全なナビゲーションツールチェーンを追加すると、正確さは最高で86%に急上昇し、p90遅延は顕著に低下し、トークン消費量も最大で3分の1減少しました。
  • OfficeQA Pro 財務省公告テスト：696枚のスキャンされたPDF形式の政府財政文書で構成される難易度の高いベンチマークに対して、完全な閉ループ型エージェント検索によりモデルの正確さは画期的な向上を遂げました。これは、深いテーブルや構造化された数値クエリへの対応能力を十分に証明しています。

さらに、Agentic Searchはクラウドおよびローカル配置のニーズに完全に対応可能です。StudioやVibeのLibrariesに内蔵されている場合でも、Mistral Search Toolkitを通じて顧客独自のワークフローに統合されている場合でも、企業が機密領域のデータ価値を解放し、高精度の検索システムを構築するための強力な基盤を提供します。