30秒サマリー
- スキーマグラフを使いLLMに渡すツール情報を絞り込む軽量ルーティング手法「SchemaRouter」をarXivで発表
- 材料科学110クエリのベンチマークで取得トークン数を2,066→227に削減しつつ精度は同水準を維持
- エンドツーエンドのレイテンシをprompt-allより2.7倍低減、出典・ライセンス情報の付与率も62%を達成
何が起きたか
Yong-eun Cho氏は2026年7月3日、arXiv（cs.AI）に論文「SchemaRouter: Field-Aware Tool Routing for Efficient Heterogeneous Agentic RAG」を投稿した。
論文が指摘する課題は、外部API・社内データベース・ベクトルストア・グラフストアを組み合わせた異種エージェント型RAGシステムにおいて、全ツール情報をLLMに渡す「過剰取得（over-fetching）」と、ベクトル類似度のみで選択する「過少取得（under-fetching）」の二つの失敗パターンが生じることだ。前者はペイロードサイズ・トークン消費・レイテンシを増大させ、後者は回答に必要なフィールドの欠落を招く。
SchemaRouterはこれを解決するための軽量ルーティング層として設計されている。ツール、エンドポイント、パラメータ、レスポンスフィールド、ドメイン概念、単位、出典、ライセンスポリシーをスキーマグラフとして表現し、クエリに対して「どのツールを呼び、どのフィールドを取得するか」を示す実行可能なツールプランを出力する。意図・概念・ソース制約の抽出に小規模LLMを使う一方、フィールド選択はグラフ上で決定論的に行われる。
材料科学分野の110クエリを使ったベンチマークでは、回答精度0.71を達成し、全フィールドを取得する「fetch-everything」と信頼区間内で同水準、全ツール情報をプロンプトに含む「prompt-all」の0.66を上回った（ただし信頼区間は重複）。取得コンテキストのトークン数はfetch-everythingの2,066に対し227、エンドツーエンドのレイテンシはprompt-allより2.7倍低い。ツール選択の完全一致率は0.93、パラメータ有効性は1.0を記録した。また回答の62%に出典・ライセンス情報が付与されたのに対し、比較手法のベースラインはほぼ0%だった。なお、選択フィールド数を最小化しようとすると精度が0.56に低下することも示しており、精度を保つ「recall-preserving projection」の重要性を指摘している。
原典ハイライト
論文は材料科学ベンチマークで、取得トークン数をfetch-everything比で約9分の1（2,066→227）に削減しながら回答精度を同水準に維持できると報告。さらに「フィールド数を単純に最小化するのは逆効果で精度が0.56に落ちる」という反直観的な知見も示している。
出典: arXiv cs.AI（論文）
So What?（なぜ重要か）
社内に複数のデータソース（DB・ベクトルストア・APIなど）を抱えるエンタープライズRAGでは、LLMに渡す情報量の制御が精度・コスト・レスポンス速度のトレードオフを左右する。SchemaRouterが示すスキーマグラフ＋決定論的フィールド選択の組み合わせは、「全部渡す」か「類似度だけで絞る」かという二択を超えた実務的なアプローチとして注目される。出典・ライセンス情報を回答に組み込める点は、企業コンプライアンス上の要件にも応えうる。
日本企業への示唆
社内RAGを構築・運用する日本企業にとって、まず「スキーマグラフでツール情報を管理する」という設計思想を取り入れる価値がある。特にAPIコール課金やLLMトークン課金がコスト要因になっている場合、取得フィールドの精緻な制御は直接的なコスト削減につながる。また、情報の出典やライセンスを回答に紐づけるSchemaRouterの仕組みは、社内情報管理の証跡確保や著作権管理の観点からも検討に値する。一方、本論文は材料科学ドメインでの単著研究であり、他業種や大規模システムへの汎化可能性は今後の検証が必要と考えるべきだ。
背景・経緯
エージェント型RAGは複数のツールやデータソースをLLMが自律的に選択・呼び出す構成で、近年エンタープライズ用途での採用が進んでいる。しかしツール数・フィールド数が増えるにつれ、LLMへのコンテキスト投入量が膨らみ、精度・速度・コストの悪化が課題とされてきた。本論文はこの課題に対し、スキーマグラフを用いた決定論的ルーティングで対処するアプローチを提案している。コード・ベンチマーク・フィクスチャは論文中のURLで公開されているとのことだが、詳細は原文を参照のこと。
