RAG Engine Cross Corpus Retrievalは、Google ResearchとGoogle Cloudが2026年6月5日に公開したGemini Enterprise Agent Platformのドキュメント検索機能であり、1つの質問に必要な根拠が複数の独立したRAGコーパスに分散している場合、検索計画を立てて関連するコンテキストを集約し回答を生成するように設計されています。一般的な検索拡張生成（Retrieval-Augmented Generation, RAG）が1回の質問と1回の検索を直接結びつけるのに対し、この機能は複雑な質問を複数の検索計画とサブクエリ（Sub-query）に分解します。その後、各クエリに適したコーパスを選択的に探索し、取得したコンテキストが回答に十分かどうかを評価し、不足していれば検索を繰り返します。これは、司書が1つの書架で最初に見つけた書籍だけを読むのではなく、論文室、特許室、臨床資料室などを順に確認して回答の根拠を組み立てる方式に近いものです。 既存のRAGパイプラインは、最初の検索結果の品質に大きく依存します。質問が複数の分野を横断したり、必要な事実が異なるストレージに分散していたりする場合、単一のコーパス検索では一部の根拠しか返さないか、関連性の高いドキュメントを見逃す可能性があります。すべてのドキュメントを1つの巨大なインデックスに統合するアプローチも、コーパスごとのアクセスポリシー、更新周期、ドキュメントの性質を区別する必要がある環境では運用上の負担を生み出します。この機能の核心的な差別化ポイントは、最初の検索結果をそのまま生成モデルに渡すだけで終わらず、検索計画の策定、コーパスの選択、コンテキストの十分性評価、追加検索というAgentic RAGの循環構造を適用している点です。したがって、回答生成の前に「現在の根拠のみで質問全体を扱えるか」を判断するプロセスが検索フローに含まれます。 生命科学研究者は、論文、臨床試験文書、規制ガイドラインなど、目的や更新周期が異なる資料を別々のRAGコーパスとして維持しながら、統合された質問を処理できます。例えば、特定のバイオマーカーの作用機序、関連する臨床試験の結果、規制当局の併用診断要件を問う場合、各資料群に対してサブクエリを実行し、収集された根拠の範囲を比較するように構成できます。評価段階では、3つのコーパスの検索結果をRecall@10、根拠ドキュメント数、引用含ま率などの指標で記録し、特定の資料群の根拠が欠落している場合に該当するコーパスのみを再検索する実験設計が可能です。これは、単純なドキュメント要約よりも根跡の追跡性と資料群ごとの欠落の有無が重要な研究レビューに適しています。 もう一つの活用方法として、候補物質の検討と安全性調査があります。研究者は内部実験レポート、公開論文、毒性・安全性資料を独立したコーパスとして構成し、「候補物質の標的根拠と報告された副作用が互いに矛盾していないか」のように複数の段階的な判断が必要な質問を提出できます。検索結果は、候補物質ごとの根拠表、ドキュメントの出所、追加検討が必要な空白部で後処理され、人間が最終判断を下す前にコーパスごとの引用カバレッジを確認することができます。ただし、サポートされるAPI、コーパス接続数の上限、検索反復制御パラメータ、データセキュリティおよびリージョン条件は今回の入力に含まれていないため、運用適用前に公式ドキュメントの確認が必要です。

RAGエンジンによるクロスコーパス検索は、Google ResearchとGoogle Cloudが2026年6月5日に公開したGemini Enterprise Agent Platformのドキュメント検索機能であり、1つの質問に必要な根拠が複数の独立したRAGコーパスに分散している場合でも、検索計画を立てて関連するコンテキストを集約し回答を生成するように設計されています。一般的な検索拡張生成（Retrieval-Augmented Generation、RAG）では1つの質問と1回の検索が直接対応しますが、この機能は複雑な質問に対して複数の検索を行います。