エージェントが「社内文書を検索し、その内容を根拠として回答に反映する」RAG（検索拡張生成）を組み込む場合、これはどう位置づけられるか。

正解はAです。RAG（検索拡張生成）は、外部の知識を検索して根拠として文脈に加える手法です。エージェントの中では「検索ツール」を呼び出し、得た情報をもとに回答を組み立てる、ツール連携の一形態として位置づけられます。モデルを学習し直すわけではない点が重要です。

RAGとファインチューニング（再学習）の混同に注意しましょう。RAGは推論時に外部情報を取りに行く方式で、モデルの中身は変えません。エージェント文脈では「検索ツール＋根拠提示」と捉えると整理できます。

最新情報や社内固有の知識を扱わせたいときは、まず再学習ではなく検索ツール（RAG）で根拠を渡せないか検討してみましょう。学習し直すより手軽に、出典に基づいた回答を得やすくなります。

なぜAが正解か

RAG は、回答生成の前に関連情報を検索して文脈に加え、その情報を根拠に出力を作る手法です。エージェントの観点では、検索という外部機能をツールとして呼び出し、得た結果を観察として取り込んで回答に反映する流れになり、ツール連携の一形態と位置づけられます。Aはこれを正しく述べています。

なぜ他の選択肢が誤りか

Bはモデルを社内文書で再学習する工程としていますが、RAG は推論時に外部情報を参照する方式で、モデルそのものを学習し直すファインチューニングとは別物です。Cの終了条件は反復を止める判定で、検索による根拠付与とは無関係です。Dの権限引き上げもRAGの役割ではありません。RAG の本質は「検索して根拠を加える」点にあります。