最終更新日: 2025-10-17
利用上の注意
このポストは Microsoft 社の Azure 公式ドキュメント(CC BY 4.0 または MIT ライセンス) をもとに生成AIを用いて翻案・要約した派生作品です。 元の文書は MicrosoftDocs/azure-ai-docs にホストされています。
生成AIの性能には限界があり、誤訳や誤解釈が含まれる可能性があります。 本ポストはあくまで参考情報として用い、正確な情報は必ず元の文書を参照してください。
このポストで使用されている商標はそれぞれの所有者に帰属します。これらの商標は技術的な説明のために使用されており、商標権者からの公式な承認や推奨を示すものではありません。
ドキュメントの一部が更新され、エージェント検索とRAG（Retrieval-Augmented Generation）アプローチの説明が明確になりました。これには、新しい日付の設定、具体化された表現、簡略化されたデプロイメント手順および用語の統一が含まれます。
特に重大な変更はありませんが、ユーザーの理解がより明確になるような微調整が行われています。
今回の修正は、主にユーザー体験の向上と情報の明瞭化を目的としています。エージェント検索のセットアップに関するドキュメントでは、日付の更新が行われたほか、どのようなモデルが適切であるかをより明確にしています。この具体化によって、実装者は正確なモデルを選択しやすくなります。
また、RAGアプローチに関連するドキュメントでは、用語の統一がなされ、特に専門用語については一貫性が持たせられました。例えば、「LLM query planning」が「LLM for query planning」に修正されることで、読者はその概念の正確な用途を簡単に把握できるようになります。言葉の選び方によって、文章の明確さが改善され、ユーザーが情報をスムーズに得られることを目指しています。
これらの些細とも言える変更が積み重なることにより、最終的にはユーザーが求める情報をより速やかに取得できるようにするという大きな改善に繋がります。
| Filename | Type | Title | Status | A | D | M |
|---|---|---|---|---|---|---|
| agentic-retrieval-setup.md | minor update | エージェント検索のセットアップに関するドキュメントの更新 | modified | 4 | 18 | 22 |
| retrieval-augmented-generation-overview.md | minor update | RAGアプローチに関する用語の統一と説明の明確化 | modified | 2 | 2 | 4 |
@@ -4,7 +4,7 @@ author: haileytap
ms.author: haileytapia
ms.service: azure-ai-search
ms.topic: include
-ms.date: 08/26/2025
+ms.date: 10/16/2025
---
## Configure access
@@ -83,22 +83,8 @@ To get the endpoints for this quickstart, select both of the following tabs.
To use agentic retrieval, you must deploy two Azure OpenAI models to your Azure AI Foundry resource:
-+ An embedding model for text-to-vector conversion. This quickstart uses `text-embedding-3-large`, but you can use any embedding model that supports the `text-embedding` task.
++ An embedding model for text-to-vector conversion. This quickstart uses `text-embedding-3-large`, but you can use any `text-embedding` model.
-+ A [supported chat completion model](../../agentic-retrieval-how-to-create-knowledge-base.md#supported-models) for query planning and answer generation. This quickstart uses `gpt-5-mini`. Optionally, you can use one model for query planning and another model for answer generation, but this quickstart uses the same model for simplicity.
++ An LLM for query planning and answer generation. This quickstart uses `gpt-5-mini`, but you can use any [supported LLM for agentic retrieval](../../agentic-retrieval-how-to-create-knowledge-base.md#supported-models).
-To deploy the Azure OpenAI models:
-
-1. Sign in to the [Azure AI Foundry portal](https://ai.azure.com/?cid=learnDocs) and select your Azure AI Foundry resource.
-
-1. From the left pane, select **Model catalog**.
-
-1. Select **text-embedding-3-large**, and then select **Use this model**.
-
-1. Enter a deployment name. To simplify your code, we recommend **text-embedding-3-large**.
-
-1. Leave the default settings.
-
-1. Select **Deploy**.
-
-1. Repeat the previous steps, but this time, deploy **gpt-5-mini** from the model catalog.
+For deployment instructions, see [Deploy Azure OpenAI models with Azure AI Foundry](/azure/ai-foundry/how-to/deploy-models-openai).{
"modification_type": "minor update",
"modification_title": "エージェント検索のセットアップに関するドキュメントの更新"
}このコードの変更は、agentic-retrieval-setup.mdというファイルに対する修正であり、ドキュメントの更新を含んでいます。主な変更点としては、日付の更新と文言の簡略化が含まれています。具体的には、文書の日付が2025年8月26日から2025年10月16日に変更され、エージェント検索に必要なモデルの説明が明確化されました。以前は、「任意の埋め込みモデル」という表現が使われていましたが、現在は「任意の’text-embedding’モデル」と具体的に記載されています。また、デプロイメント手順が簡略化され、別のリンクにて詳細な説明を参照するように案内がされています。この変更は、ユーザーがエージェント検索を実装する際の理解を助けることを目的としています。
@@ -35,7 +35,7 @@ You can choose between two approaches for RAG workloads: agentic retrieval, or t
> [!NOTE]
> New to copilot and RAG concepts? Watch [Vector search and state of the art retrieval for Generative AI apps](https://www.youtube.com/watch?v=lSzc1MJktAo).
-## Modern RAG with Agentic Retrieval
+## Modern RAG with agentic retrieval
Azure AI Search now provides **agentic retrieval**, a specialized pipeline designed specifically for RAG patterns. This approach uses large language models to intelligently break down complex user queries into focused subqueries, executes them in parallel, and returns structured responses optimized for chat completion models.
@@ -53,7 +53,7 @@ For new RAG implementations, we recommend starting with [agentic retrieval](agen
## Classic RAG pattern for Azure AI Search
-A RAG solution can be implemented on Azure AI Search using the original query execution architecture. With this approach, your application sends a single query request to Azure AI Search, the search engine processes the request, and returns search results to the caller. There's no side trip to an LLM query planning or LLM integration in the query pipeline. There's no query execution details in the response, and citations are built into the response only if you have fields in your index that provide a parent document name or page. This approach is faster and simpler with fewer components. Depending on your application requirements, it can be the best choice.
+A RAG solution can be implemented on Azure AI Search using the original query execution architecture. With this approach, your application sends a single query request to Azure AI Search, the search engine processes the request, and returns search results to the caller. There's no side trip to an LLM for query planning or answer formulation. There's no query execution details in the response, and citations are built into the response only if you have fields in your index that provide a parent document name or page. This approach is faster and simpler with fewer components. Depending on your application requirements, it could be the best choice.
A high-level summary of classic RAG pattern built on Azure AI Search looks like this:
{
"modification_type": "minor update",
"modification_title": "RAGアプローチに関する用語の統一と説明の明確化"
}このコードの変更は、retrieval-augmented-generation-overview.mdファイルの修正に関連しており、主に用語の統一といくつかの説明の改善が行われました。特に、「agentic retrieval」という表現が、見出しレベルの文脈で大文字から小文字に変更され、スタイルの一貫性が確保されています。また、古いRAGパターンの説明部分での文言が少し明確にされ、「LLM query planning」や「LLM integration」の表現が「LLM for query planning」や「answer formulation」に修正されました。これにより、読者は何に対して言及されているかをより明確に理解できるようになりました。全体として、これらの変更は情報の明瞭さを向上させ、ユーザー体験を改善することを意図しています。