論文の概要: Towards Trustworthy and Cost-Efficient Data Integration: From Naïve RAG to Agentic RAG

• arxiv url: http://arxiv.org/abs/2607.22319v1
• Date: Fri, 24 Jul 2026 13:58:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.147896
• Title: Towards Trustworthy and Cost-Efficient Data Integration: From Naïve RAG to Agentic RAG
• Title（参考訳）: 信頼性と費用効率のよいデータ統合を目指して:NAEVE RAGからエージェントRAGへ
• Authors: Chuangtao Ma, Arijit Khan,
• Abstract要約: 大規模言語モデル(LLM)とAIエージェントは、ゼロショットおよび少数ショット設定におけるデータ統合の強い可能性を示している。 本稿では,LLMとエージェントによる信頼性,拡張性,コスト効率の両立を想定する。
• 参考スコア（独自算出の注目度）: 3.5973638383581794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) and AI agents have demonstrated strong potential for data integration in zero-shot and few-shot settings. However, they continue to face significant accuracy and cost challenges in enterprise environments due to a persistent knowledge gap. This paper envisions trustworthy, scalable, and cost-efficient integration through knowledge-grounded LLMs and agents operating within a retrieval-augmented generation (RAG) workflow. Here, trustworthiness refers to evidence-grounded, verifiable reasoning, where integration decisions are transparently supported by retrieved knowledge, robust against hallucination, and consistent across tasks. We trace the evolution from classic RAG to GraphRAG and KG-RAG (knowledge graph-based RAG), highlighting how these paradigms bridge parametric and contextual knowledge. Building on this trajectory, we explore the shift toward Agentic RAG, where autonomous multi-agent systems adaptively plan, retrieve, refine, and reason for complex integration tasks. We examine optimization strategies for cost-efficient integration, addressing computational bottlenecks in large-scale enterprise settings. Finally, we outline open challenges and future directions toward building reliable, explainable, and scalable knowledge-grounded integration systems.
• Abstract（参考訳）: 大規模言語モデル(LLM)とAIエージェントは、ゼロショットおよび少数ショット設定におけるデータ統合の強い可能性を示している。 しかし、永続的な知識ギャップのため、企業環境ではかなりの正確さとコストの課題に直面し続けている。 本稿では,知識基盤のLLMとエージェントによる信頼性,拡張性,コスト効率の両立を想定する。 ここでは、信頼感とは、理解された知識によって統合決定が透過的に支持され、幻覚に対して堅牢で、タスク全体にわたって一貫性のあるエビデンスで検証可能な推論を指す。 我々は、従来のRAGからGraphRAG、KG-RAG(知識グラフベースRAG)への進化を辿り、これらのパラダイムがパラメトリックと文脈的知識をいかに橋渡しするかを強調した。 この軌道に基づいて、我々はエージェントRAGへのシフトを探り、自律型マルチエージェントシステムは複雑な統合タスクを適応的に計画し、取り出し、洗練し、そして理由付けを行う。 大規模エンタープライズ環境での計算ボトルネックに対処し,コスト効率の高い統合のための最適化戦略を検討する。 最後に,信頼性,説明可能な,スケーラブルな知識基盤統合システム構築に向けたオープンな課題と今後の方向性について概説する。

関連論文リスト

• Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
  アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。 EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。 EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
  論文  参考訳（メタデータ） (2025-12-23T08:14:44Z)
• WebSailor-V2: Bridging the Chasm to Proprietary Agents via Synthetic Data and Scalable Reinforcement Learning [73.91893534088798]
  WebSailorは、この重要な機能を組み込むように設計された、完全なポストトレーニング方法論である。 我々のアプローチは、構造化サンプリングと情報難読化によって、新しい、不確実なタスクを生成することである。 WebSailorは複雑な情報検索タスクにおいて、すべてのオープンソースエージェントを著しく上回る。
  論文  参考訳（メタデータ） (2025-09-16T17:57:03Z)
• Graphs Meet AI Agents: Taxonomy, Progress, and Future Opportunities [117.49715661395294]
  データ構造化は、複雑で非組織的なデータをよく構造化された形式に変換することで、有望な役割を果たす。 この調査では、グラフがAIエージェントにどのように権限を与えるかを、初めて体系的にレビューする。
  論文  参考訳（メタデータ） (2025-06-22T12:59:12Z)
• Towards Trustworthy Retrieval Augmented Generation for Large Language Models: A Survey [92.36487127683053]
  Retrieval-Augmented Generation (RAG)は、AIGC(AIGC)の課題に対処するために設計された高度な技術である。 RAGは信頼性と最新の外部知識を提供し、幻覚を減らし、幅広いタスクで関連するコンテキストを保証する。 RAGの成功と可能性にもかかわらず、最近の研究により、RAGパラダイムはプライバシーの懸念、敵対的攻撃、説明責任の問題など、新たなリスクももたらしていることが示されている。
  論文  参考訳（メタデータ） (2025-02-08T06:50:47Z)
• Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG [0.8463972278020965]
  大規模言語モデル(LLM)は、人間のようなテキスト生成や自然言語理解を可能にすることによって、人工知能(AI)に革命をもたらした。 Retrieval Augmented Generation (RAG) がソリューションとして登場し、リアルタイムデータ検索を統合して文脈に関連のある応答を提供することでLLMを強化している。 Agentic Retrieval-Augmented Generation (RAG)は、自律的なAIエージェントをRAGパイプラインに埋め込むことによって、これらの制限を超越する。
  論文  参考訳（メタデータ） (2025-01-15T20:40:25Z)
• WeKnow-RAG: An Adaptive Approach for Retrieval-Augmented Generation Integrating Web Search and Knowledge Graphs [10.380692079063467]
  本稿では,Web検索と知識グラフを統合したWeKnow-RAGを提案する。 まず,知識グラフの構造化表現と高次ベクトル検索の柔軟性を組み合わせることで,LLM応答の精度と信頼性を向上させる。 提案手法は,情報検索の効率と精度を効果的にバランスさせ,全体の検索プロセスを改善する。
  論文  参考訳（メタデータ） (2024-08-14T15:19:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。