論文の概要: From Naive RAG to Deep Agentic Retrieval: An Evolving Context Engineering Pipeline for Regulatory Compliance

• arxiv url: http://arxiv.org/abs/2607.24791v1
• Date: Sun, 28 Jun 2026 14:11:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:39.068384
• Title: From Naive RAG to Deep Agentic Retrieval: An Evolving Context Engineering Pipeline for Regulatory Compliance
• Title（参考訳）: Naive RAGからDeep Agentic Retrievalへ - 規制コンプライアンスのためのコンテキストエンジニアリングパイプラインの進化
• Abstract要約: 本稿では,オンタリオ発電(OPG)における生産回収パイプラインの進化をトレースする。 提案手法は,NAG,Hybrid Search with re-level,genic function-calling Search,およびコードベースツール合成と明示的計画による深層多エージェントアーキテクチャである。 この結果から,コンテキストエンジニアリングは,大規模かつ進化する規制コーパスにおいて,ドメイン固有の微調整よりも,よりトラクタブルかつ経済的に実現可能なパスであることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented generation (RAG) is the dominant paradigm for applying large language models (LLMs) to enterprise document corpora, yet naive implementations encounter hard limits as corpus scale and query complexity grow. This paper traces the evolution of a production retrieval pipeline at Ontario Power Generation (OPG) for regulatory compliance and rate case analysis under Ontario Energy Board (OEB) reporting requirements. We examine successive stages: naive RAG, hybrid retrieval with re-ranking, agentic function-calling retrieval, and a deep multi-agent architecture with code-based tool synthesis and explicit planning, and identify the failure modes and tradeoffs that motivated each transition. We formalize the mature architecture as Progressive Evidence Acquisition with Cost-Aware Escalation (PEA-CAE): begin with low-cost, high-precision retrieval and escalate to full-document reads only when the expected evidence gain justifies latency and cost. Our findings show that context engineering is a more tractable and economically viable path than domain-specific fine-tuning for large, evolving regulatory corpora. More broadly, the progression toward deep agentic retrieval mirrors classical information retrieval ideas, introducing adaptive query reformulation, progressive document discovery, and hierarchical subagent summarization as practical system primitives. Operational traces further support the search-based nature of modern retrieval systems, where iterative evidence acquisition and adaptive planning increasingly replace single-pass retrieval as the foundation for enterprise-scale question answering.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG) は、大規模言語モデル(LLM)をエンタープライズドキュメントコーパスに適用するための主要なパラダイムである。 本稿では,オンタリオエネルギー委員会(OEB)の報告要求に基づき,規制コンプライアンスとレートケース分析のために,オンタリオ発電(OPG)における生産回収パイプラインの進化をトレースする。 そこで,本研究では,NAG,ハイブリッド検索,エージェント関数呼び出し検索,およびコードベースのツール合成と明示的計画による深層マルチエージェントアーキテクチャについて検討し,各移行を動機づけた障害モードとトレードオフを同定した。 我々は、成熟したアーキテクチャを、コスト・アウェア・エスカレーション(PEA-CAE)によるプログレッシブ・エビデンス獲得(Progressive Evidence Acquisition with Cost-Aware Escalation:PEA-CAE)として形式化し、低コストで高精度な検索から始まり、期待される証拠が遅延とコストを正当化するときにのみ、完全な文書読取へとエスカレートする。 この結果から,コンテキストエンジニアリングは,大規模かつ進化する規制コーパスにおいて,ドメイン固有の微調整よりも,よりトラクタブルかつ経済的に実現可能なパスであることが示唆された。 より広範に、ディープエージェント検索に向けた進歩は、古典的な情報検索のアイデアを反映し、適応的なクエリ再構成、プログレッシブドキュメント発見、階層的なサブエージェント要約を実用的なシステムプリミティブとして導入する。 業務トレースは, 企業規模の質問応答基盤として, 反復的エビデンス獲得と適応的計画がシングルパス検索に置き換わる, 近代検索システムの検索的性質をさらに支えている。

関連論文リスト

• Agentic AI and Retrieval-Augmented Models in Straight-Through Underwriting [7.670757733138505]
  アクチュアリーは現在、従来のルールベースの自動化から大規模言語モデルまで、幅広い設計領域に直面しています。 本稿では,これらの新しいアーキテクチャが,透明性や監査可能性,ループ内ガバナンスなど,アクチュアリな優先事項をどのようにサポートするかを検討する。
  論文  参考訳（メタデータ） (2026-07-08T18:43:34Z)
• NaviRAG: Towards Active Knowledge Navigation for Retrieval-Augmented Generation [50.16741209529908]
  NaviRAGは、パッシブセグメント検索からアクティブな知識ナビゲーションに移行する新しいフレームワークである。 NaviRAGは従来のRAGベースラインよりも検索リコールとエンドツーエンドの応答性能を一貫して改善することを示す。
  論文  参考訳（メタデータ） (2026-04-14T14:07:01Z)
• RE-TRAC: REcursive TRAjectory Compression for Deep Search Agents [144.5598958575922]
  Re-TRACはクロス軌道探索を行うエージェントフレームワークである。 Re-TRAC は BrowseComp とフロンティア LLM で連続して ReAct を 15-20% 上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-02T18:58:07Z)
• DeepSynth-Eval: Objectively Evaluating Information Consolidation in Deep Survey Writing [53.85037373860246]
  本稿では,情報統合能力を客観的に評価するためのベンチマークであるDeep Synth-Evalを紹介する。 一般チェックリスト(実例)と制約チェックリスト(構造体)を用いたきめ細かい評価プロトコルを提案する。 その結果,エージェント型プラン・アンド・ライトは単ターン生成よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2026-01-07T03:07:52Z)
• 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)
• RouteRAG: Efficient Retrieval-Augmented Generation from Text and Graph via Reinforcement Learning [69.87510139069218]
  Retrieval-Augmented Generation (RAG)は、非パラメトリック知識をLarge Language Models (LLM)に統合する 強化学習(RL)による多ターン推論へのテキストベースRAGの進歩 LLMがマルチターンおよび適応的なグラフテキストハイブリッドRAGを実現するためのRLベースのフレームワークであるモデルを導入する。
  論文  参考訳（メタデータ） (2025-12-10T10:05:31Z)
• Retrieval Augmented Generation (RAG) for Fintech: Agentic Design and Evaluation [0.16754194618631593]
  本稿では,ドメイン固有かつ密度の高い用語問題に対処するエージェントRAGアーキテクチャを提案する。 企業知識ベースから85の質問-回答-参照の3分の1をキュレートしたデータセットを用いて,標準的なRAGベースラインに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2025-10-29T13:41:36Z)
• FAIR-RAG: Faithful Adaptive Iterative Refinement for Retrieval-Augmented Generation [0.0]
  本稿では、標準的なRAGパイプラインを動的にエビデンス駆動の推論プロセスに変換する新しいエージェントフレームワークであるFAIR-RAGを紹介する。 本稿では,HotpotQA,2WikiMultiHopQA,MusiQueなどのマルチホップQAベンチマーク実験を行う。 我々の研究は、高度なRAGシステムにおける信頼性と正確な推論を解き明かすためには、明確なギャップ分析による構造化されたエビデンス駆動の洗練プロセスが不可欠であることを示す。
  論文  参考訳（メタデータ） (2025-10-25T15:59:33Z)
• Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
  文書理解は、財務分析から科学的発見への応用に不可欠である。 現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。 Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
  論文  参考訳（メタデータ） (2025-10-17T02:33:16Z)
• WebWeaver: Structuring Web-Scale Evidence with Dynamic Outlines for Open-Ended Deep Research [73.58638285105971]
  本稿では,AIエージェントが膨大なWebスケール情報を洞察に富むレポートに合成しなければならない複雑な課題であるtextbfopen-ended Deep Research (OEDR) に取り組む。 人間の研究プロセスをエミュレートする新しいデュアルエージェントフレームワークである textbfWebWeaver を紹介する。 私たちのフレームワークは、DeepResearch Bench、DeepConsult、DeepResearchGymなど、主要なOEDRベンチマークにまたがる最先端の新たなベンチマークを確立しています。
  論文  参考訳（メタデータ） (2025-09-16T17:57:21Z)
• Test-time Corpus Feedback: From Retrieval to RAG [21.517949407443453]
  Retrieval-Augmented Generation (RAG) は知識集約型NLPタスクの標準フレームワークとして登場した。 ほとんどのRAGパイプラインは、検索と推論を独立したコンポーネントとして扱い、ドキュメントを一度取り出し、さらに相互作用することなく回答を生成する。 情報検索(IR)とNLPのコミュニティにおける最近の研究は、フィードバックを取り入れた適応的検索とランキング手法を導入して、このギャップを埋め始めている。
  論文  参考訳（メタデータ） (2025-08-21T10:57:38Z)
• All for law and law for all: Adaptive RAG Pipeline for Legal Research [0.8819595592190884]
  Retrieval-Augmented Generation (RAG)は、テキスト生成タスクのアプローチ方法を変えました。 この作業では、以前のベースラインを改善した、新しいエンドツーエンドのRAGパイプラインを導入している。
  論文  参考訳（メタデータ） (2025-08-18T17:14:03Z)

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。