Mistral AIは、Mistral Search ToolkitとLibrariesで使えるAgentic Searchを発表しました。既存indexの上でsearch、open、navigate、read、grepの5 toolsを使い、長文書や複数sourceをモデルが調べ直しながら回答根拠を探します。 RAGの品質改善は、chunkやtop-k調整だけでなく、モデルがどのsourceを開き、どの部分を読んだかを制御する設計になります。企業は機密データ境界、tool log、遅延、token使用量、引用根拠の監査を合わせて評価する必要があります。 RAGを一度きりの検索から調査型の探索へ広げる Mistral AIは2026年8月20日、Agentic Searchを発表しました。Mistral Search ToolkitとLibrariesで使えるretrieval layerで、長い文書や複数sourceをAI systemが段階的に調べられるようにします。従来のone-shot RAGは、最初に返ったtop-k chunksに回答が強く依存します。Agentic Searchは、既存indexを出発点にしながら、モデルが必要なsourceを開き、該当箇所へ移動し、本文を読み、追加検索する流れを作ります。 五つのtoolsで文書内の位置まで確認する 記事では、Agentic Searchがsearch、open、navigate、read、grepの5 toolsを使うと説明しています。searchは関連文書を探し、openは特定文書を開き、navigateはpage、section、regionへ移動します。readはその位置の内容を取り出し、grepは開いた文書内のpatternを探します。FinanceBenchではcorrectnessが26.7%から86%へ上がり、OfficeQA Proでは6.3%から51.9%へ改善したとされています。p90 latencyは最大39.6%下がり、token consumptionも最大3分の1減ったと説明しています。 機密データを動かさずに探索能力を足す設計 Mistral AIは、Agentic Searchをcloudまたはon-premisesで、隔離境界を越えずに使えるportableでopenなtoolingとして位置づけています。対象は金融filings、契約、manuals、technical specifications、reportsなど、答えが特定page、table、clause、figure、footnoteにある文書です。導入先は、検索結果そのものだけでなく、モデルがどの文書を開き、どの範囲を読んだかをlogとして追えるかを確認する必要があります。誤ったsourceを読ませると、回答だけでなく判断経路も誤ります。 評価は精度、遅延、監査可能性を同時に見る Agentic Searchは、chunking strategyだけでRAG品質を上げる発想から、モデルの調査行動を設計する発想への移行を示しています。ただしmulti-step retrievalは、tool callの回数、token量、権限、引用表示の一貫性を増やします。実務では、業務文書の種類ごとに成功基準を定め、検索log、source access、failure casesをレビューする体制が必要です。特に機密資料では、便利さより先に隔離境界と監査証跡を決めることが導入判断になります。