Pythonコード不要？Elastic AI Agent と ES|QL で実現する超シンプルな次世代RAG

BLOG
2026.09.16

概要

2025年1月に公開した White Paper 用のプロジェクト（簡易RAGアプリケーション）を、Elastic AI Agent 用にリニューアルしてみました。

結論から書くと、かなり簡単に実現できるようになっています。

主な変更点

項目2025-01版2026-09版
ベースとなる Elasticsearch のバージョンv8.16.0v9.5.3
index.modestandardvectordb_document
Machine Learning Node必須不要 (代わりにEISを利用)
クエリーの言語Query DSLES|QL
密ベクトル生成用のモデル.multilingual-e5-small_linux-x86_64.jina-embeddings-v5-text-nano
セマンティックリランク用モデルなし.jina-reranker-v3.5
質問回答用LLMCohere Command R (2024年12月版)Anthropic Claude 5 Sonnet (例)
UIStreamlitElastic AI Agent

できること

Elastic AI Agent を使って、サンプルデータ「柿之助」についての質問に答えてもらうことができます。

※「柿之助」は、青空文庫からダウンロードした「桃太郎」を元に、改変したお話です（LLMが事前学習していないお話にするため）。

動作に必要な環境など

  • Elastic Cloud Enterprise License （EIS 用に必要）
  • Docker 実行環境 （筆者はWindows用のRancher Desktop 1.24.0を利用）

動作に必要な Dockerfile などは、下記に置いています。

※Elasticsearch 9.5.3、Kibana 9.5.3 は、自動的にダウンロードされます。

シーケンス図（超概略図）

動かし方

1. 準備

1.1. GitHub リポジトリのダウンロード

下記の URL から GitHub リポジトリをダウンロードします。

（方法はいくつかありますが、ここでは zip をダウンロードする手順を紹介します。）

1. Web ブラウザで、https://github.com/SIOS-Technology-Inc/elastic-blogs/ にアクセスします。

2. [<>Code] から Download ZIP をクリックします。

3. ZIP ファイルを解凍し、2026-09-rag-by-ai-agent フォルダへ移動します。

1.2. .env ファイルに必要な情報を記載します。

env.sample.txt ファイルを .env にコピーします。

cp env.sample.txt .env

.env ファイルを編集します。

...
ES_LOCAL_PASSWORD=...
KIBANA_PASSWORD=...
...
SAVEDOBJECTS_ENCRYPTIONKEY=...
...

2. ビルドおよびコンテナの起動

2.1. ビルド

docker-compose.yml があるディレクトリで下記を実行します。

docker compose build

Elasticsearch 9.5.3 および Kibana 9.5.3 のダウンロードが行われ、ビルドが行われます。

2.2. コンテナの起動

docker compose up -d

Self-Managed の Elasticsearch および Kibana が起動します。

3. EIS の設定

下記のブログを参考にして Stack Management / Cloud Connect の設定を行います。

※Self-Managed の Elasticsearch 上で、EIS を経由して、密ベクトル生成用モデル、セマンティックリランク用モデル、問い合わせへの回答用モデルを利用できるようになります。

※別途、利用料金がかかります。

4. Elasticsearch へのデータ登録

4.1. 密ベクトル生成前のテキストデータの登録

Kibana の Integration / Upload File 機能を使って下記の ndjson ファイルを kakinosuke_tmp インデックスへ登録します（DataView は不要です）。

4.2. インデックスの作成

下記の md ファイル内のリクエストを Kibana の Dev Tools から発行し、kakinosuke_202609 インデックスを作成します。

4.3. マッピングの作成

下記の md ファイル内のリクエストを Dev Tools から発行し、kakinosuke_202609 インデックスへ mapping を登録します。

4.4. _reindex

下記の md ファイル内のリクエストを Dev Tools から発行し、kakinosuke_tmp インデックス内のドキュメントを kakinosuke_202609 インデックスへコピーします。

このとき、kakinosuke_202609 インデックスには密ベクトルデータや日本語形態素解析されたデータも生成されます。

4.5. キーワード検索

下記の md ファイル内のリクエストを Dev Tools から発行し、kakinosuke_202609 インデックスに対しキーワード検索を行います。

（これは必須の操作ではありません。確認のための作業です。）

4.6. セマンティック検索

下記の md ファイル内のリクエストを Dev Tools から発行し、kakinosuke_202609 インデックスに対しセマンティック検索を行います。

（これは必須の操作ではありません。確認のための作業です。）

4.7. ハイブリッド検索

下記の md ファイル内のリクエストを Dev Tools から発行し、kakinosuke_202609 インデックスに対しキーワード検索をとセマンティック検索のハイブリッド検索(RRF)を行います。

（これは必須の操作ではありません。確認のための作業です。）

4.8. セマンティックリランク

下記の md ファイル内のリクエストを Dev Tools から発行し、kakinosuke_202609 インデックスのハイブリッド検索後の検索結果に対しセマンティックリランクを行います。

（これは必須の操作ではありません。確認のための作業です。）

5. AI Agent

※以降の画面は、Dispay Language : English で表示したものを添付しています。日本語で表示した場合には、画面イメージが多少異なります。

5.1. AI Agent の設定

Kibana の Elasticsearch / Agents から Elastic AI Agent 画面へ遷移します。

5.2. AI Agent 用の Tool の追加

さきほど作成したセマンティックリランク用のクエリーを AI Agent 用の Tool として追加します。

Elastic AI Agent の下の Tools をクリックします。Tools の画面が表示されるので、右上の [(+) Add tool] をクリックします。 さらに Create a tool をクリックします。

5.3. AI Agent 用の Tool の登録

参考: https://github.com/SIOS-Technology-Inc/elastic-blogs/blob/main/2026-09-rag-by-ai-agent/es_scripts/08_ai_agent_tool.md

Create new tool 画面が表示されるので、下記のように入力します。入力完了後、右下の [Save & test] をクリックします。

Type
  • Type : ES|QL
  • ES|QL Query : 以下のクエリーを入力

（4.8. のセマンティックリランク用 ES|QL をAI Agent Tool用に修正した内容です。）

FROM kakinosuke_202609* METADATA _score, _id, _index
| FORK (WHERE MATCH(content.semantic, ?query) | SORT _score DESC | LIMIT 10)
       (WHERE MATCH(content, ?query) | SORT _score DESC | LIMIT 10)
| FUSE RRF
| KEEP chunk_no, content, _score
| SORT _score DESC
| LIMIT 10
| RERANK ?query ON content WITH { "inference_id" : ".jina-reranker-v3.5" }
| SORT _score DESC
| LIMIT 5

  • ES|QL Parameters
    Infer parameter をクリックしてから、下記を入力します。
    • Name : query （自動表示されます）
    • Description : 検索したい内容
    • Type : string （自動表示されます）
    • Optional : false
Details
  • Tool ID : kakinosuke.get_contents
  • Description : 下記を入力
kakinosuke_202609 インデックスに対して、キーワード検索とセマンティック検索を行い、RRFで結果を統合したあと、セマンティックリランクで質問に近い順に並べ直し、上位5件の本文チャンクを返す。
Labels
  • Labels : kakinosuke

5.4. 保存した AI Agent Tool のテスト

[Save & test] をクリックすると、Tool のテスト実行画面が表示されます。

query に、下記を入力した後、[→ Submit] をクリックします。

柿之助の3人の家来は?

Response に5件の結果が表示されることを確認します。

5.5. AI Agent の作成

左上の Elastic AI Agent の [v] メニューをクリックします。さらに Available agents 一覧の [+ New agent] をクリックします。

5.6. AI Agent の登録

参考: https://github.com/SIOS-Technology-Inc/elastic-blogs/blob/main/2026-09-rag-by-ai-agent/es_scripts/09_ai_agent.md

New Agent 画面が表示されるので、以下の内容を登録していきます。

Settings タブ
  • Agent ID : kakinosuke.agent
  • Custom Instructions : 以下を入力します。
あなたは柿之助についての質問に答えるエージェントです。

# 指示1

与えられた質問を query とし、次の tool を呼び出して、結果の 5 件のドキュメントを受け取りなさい。

受け取った5件のドキュメントを指示2に渡しなさい。

- tool : kakinosuke.get_contents

# 指示2

指示1 で取得した 5 件のドキュメントを元に、与えられた質問 (query) に答えなさい。

  • Enable Elastic capabilities : false
  • Labels : kakinosuke
  • Access control : Public
  • Display name : Kakinosuke Agent
  • Display description : 柿之助に関する質問に答える AI Agent です。
  • Workflows : なし
Tools タブ

以下の手順で、kakinosuke.get_contents tool のみを利用するよう、設定します。

  1. Tool list の右上の Show active only を on にします。

2. チェックがついている tool を全て off にします。

3. 再度、Show active only を off にしてから、検索欄に “kakinosuke” と入力します。

4. kakinosuke.get_contents が表示されるので、チェックを入れて、[Save] をクリックします。

5.7. AI Agent の実行準備

Stack Management / Model Management の Feature Settings をクリックします。

Feature settings 画面が表示されるので、Global model から利用したいモデルを選択します。

（モデルの利用料金が別途かかります。）

今回は、Feature specific models を Disabled に設定しておきます（全ての AI 機能で Global model が利用されます）。

モデルを選択後、右上の [Save settings] をクリックします。

（下記は、Anthropic Claude Sonnet 5 を選択した例です。）

5.8. AI Agent の実行

Home / Elasticsearch / Agents 画面を開きます。

Elastic AI Agent の右の [v] をクリックします。Available agents の中から Kakinosuke Agent を選択します。

画面中央のプロンプトに次のように入力し、[↑] をクリックします。

柿之助の3人の家来は?

しばらく待つと以下のような回答が画面に表示されます。

回答の下の左から3番目のアイコンをクリックすると、LLM のトレースを表示することができます。

この回答の根拠 (reasoning) についても確認することができます。

回答内の 1 tool responded > で閉じられている部分を展開すると、以下のような内容が表示されます。

Found 5 results のリンクをクリックすると、根拠になった 5 件の結果も表示されます。

6. Elastic Agent Tool の呼び出し回数などの集計

Elastic Agent Tool の呼び出し回数、エラー回数、平均処理時間は、以下のクエリーで取得することが可能です。

FROM traces-agent_builder.otel-*
| WHERE span.name LIKE "execute_tool *"
| STATS calls = COUNT(*),
        errors = COUNT(*) WHERE status.code == "Error",
        avg_ms = ROUND(AVG(duration) / 1000000.0, 1)
  BY tool = attributes.gen_ai.tool.name
| SORT calls DESC

発展形

今回は非常に小さいデータの検索でしたが、巨大なデータを検索する場合にはさらなる発展形として、以下のようなことも考えられます。

  • ツールの数を増やす（いろんな条件ごとに検索対象や検索ロジックを変える）。
  • 検索時の重み付けを複数パターンにする（今回のサンプルでは、単純なキーワード検索とベクトル検索のRRFでのシンプルな重み付けのみ）。
  • 条件に応じて複数ツールを呼び分けるよう Elastic AI Agent で制御する。
  • Elastic AI Agent の処理の前半で呼ぶツールと処理の後半で呼ぶツールとを分ける。

まとめ

v8 のときの Python を使った場合よりも、v9 の Elastic AI Agent を使った方がかなり簡単に RAG を実現できるようになっています。

また、LLM の呼び出し時のトレースや、Reasoning の確認も簡単にできるようになっています。

Elastic AI Agent は、RAG 以外にも利用可能です（Observability や Security での異常発見後の処理など）。

さらに、Elastic Workflows と組み合わせて利用することも可能です。

その他、今回作成した Elastic AI Agent Tool を MCP Client から呼び出すことも可能です。

まずは、一度、Elastic AI Agent を動かしてみて、その凄さを体験していただければ、と思います。

無償トレーニングコースの紹介

2026年9月時点では、Elastic Cloud 上で受講できる AI Agent 関連の無償トレーニングコースとして以下のコースが用意されています。

  • Platform / Custom agents with Elastic Agent Builder for conversational search

※受講するには、Elastic Cloud へのユーザー登録（無料ユーザーで可）が必要です。

※内容は英語で書かれています。

参考URL