RAG・AIエージェント・MCPとは
LLM単体では「最新情報を知らない」「社内データを参照できない」「複雑なタスクを自律実行できない」という限界があります。RAG・AIエージェント・MCPはこれらの限界を突破するための主要アーキテクチャです。
RAG（Retrieval-Augmented Generation）
RAGとは「検索（Retrieval）」と「生成（Generation）」を組み合わせた手法です。LLMが回答を生成する前に、外部のナレッジベースから関連情報を検索して取得し、その情報をコンテキストとして与えることで、精度と信頼性を高めます。
RAGのアーキテクチャ
RAGの主要コンポーネント
テキストを数値ベクトルに変換。意味的な類似度を計算するために使う。text-embedding-3-small（OpenAI）・multilingual-e5（多言語対応）が代表例。
高次元ベクトルの高速検索に特化したデータベース。pgvector（PostgreSQL拡張）・Pinecone・Weaviate・OpenSearch が代表。
ドキュメントをどの単位で分割するかが検索精度に影響。固定長・文単位・セクション単位など目的に応じて設計する。
ベクトル検索（意味的類似度）とキーワード検索（BM25）を組み合わせ、RRF（Reciprocal Rank Fusion）で統合。どちらかだけより精度が高い。
AIエージェントとは
AIエージェントとは、LLMが「ツール（検索・コード実行・APIコール・ファイル操作等）」を自律的に選択・実行しながら、複数ステップのタスクを達成するシステムです。単発の質問応答（Chatbot）とは異なり、目標に向けて自律的に計画・実行・修正を繰り返します。
エージェントのループ（ReAct パターン）
代表的なエージェントフレームワーク
MCP（Model Context Protocol）とは
MCP（Model Context Protocol）はAnthropicが2024年11月に公開したオープン標準プロトコルです。LLMアプリケーション（ホスト）と外部データソース・ツール（サーバー）を標準化されたインターフェースで接続します。
MCPが登場する前は、各AIアプリが独自のプラグイン・API連携を実装していました。MCPはこれを標準化し、「一度MCPサーバーを作れば、どのMCP対応クライアントからでも使える」エコシステムを実現します。いわばAI向けの「USB」規格です。
LLMを使うアプリケーション（Claude Desktop / Cursor / Cline など）。MCPサーバーに接続する側。
ホスト内でMCPサーバーとの通信を担うコンポーネント。プロトコルの実装部分。
特定のツール・データソースを公開するサービス（ファイルシステム / DB / GitHub / Slack 等）。
MCPが提供する3つの機能
RAG・エージェント・MCPの使い分け
大量ドキュメントから関連情報を検索して回答。ハルシネーションを抑制しながら最新情報を参照できる。
複数ファイルを参照→コード生成→テスト実行→修正のループを自律実行する。
エディタ（Cursor等）からDBスキーマ・ファイルシステム・GitHub等に標準的にアクセスできるようにする。
検索で情報収集（RAG）→分析・要約（LLM）→追加検索が必要なら再実行（エージェントループ）を組み合わせる。