Tavilyのinclude_answer、なぜ切るか——37件中7件の実測

Verdict

• 向いている人: LLMエージェントやRAGで、検索結果を「材料」に留めて、最終的な事実確認を自前でやりたい人
• 過剰な人: 検索APIの回答をそのまま使うだけで十分で、厳密な照合や人間承認まで要らない人

LLMエージェントやRAGパイプラインにWeb検索APIを繋ぐと、最新情報が取れるようになった安心感で、そこで思考が止まりがちです。ですが検索結果を渡しただけでは、LLMは平気でそこに書かれていない数字を作ります。うちのプロジェクトでも、実際に37件の新製品候補のうち7件で、LLMの申告した仕様値がハルシネーションとして機械的に弾かれました。

先に結論を書きます。Web検索APIはハルシネーション対策の材料にすぎません。対策そのものは、検索結果をどう扱うか、呼び出し側の設計で作り込むものです。 この記事では、私が実運用しているTavilyの設定と、それを支える多層の防御ロジック、そして実測で何件がどう弾かれたかを見ていきます。後半では、Brave Search・Exa・Serper・Linkup・Perplexity Sonarを含めた6社を価格と用途で比較します。

検証日: 2026-07-08。価格・無料枠は変動しますので、導入する際は必ず各社公式ページで最新値をご確認ください。比較表の価格は、同日確認時点の公式ドキュメント・公式価格ページを参照しています。

Tavily検索APIには include_answer というパラメータがあります。true にすると、検索結果をもとにTavily側がLLMで要約した回答を返してくれます。RAGパイプラインを組むとき、これを使えば検索から回答生成までワンストップで済むので、つい有効にしたくなります。

私はここを false で固定しています。理由は単純で、検索結果の要約自体がLLM生成物であり、それ自体が新たなハルシネーション源になりうると考えているからです。検索結果という一次の事実の集まりから、Tavily側のLLMがまず要約を作り、その要約を今度はこちらのLLMが最終回答に変換します。工程が1つ増えるたびに、どこかで事実が少しずつ歪む余地が生まれます。

なので、生の検索結果——タイトル・URL・本文——だけを取得し、そこから先の事実確認は自分のパイプラインで機械的にやる設計にしています。回答生成の主導権を外に渡さない、と言い換えてもいいかもしれません。実際のリクエストは、こんな形です。

curl -s https://api.tavily.com/search \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $TAVILY_API_KEY" \
  -d '{
    "query": "製品名 発売日 スペック",
    "max_results": 5,
    "search_depth": "advanced",
    "include_answer": false,
    "include_domains": ["nvidia.com", "amd.com"]
  }'

include_domains にメーカー公式ドメインを渡しておくと、Tavily側で検索範囲そのものを絞り込んでくれます。これも地味ですが、後段の照合精度を底上げしてくれる設定です。

対照的なのがPerplexity Sonarです。こちらは「検索結果」ではなく「検索済みの回答」を返す設計そのものが売りで、レスポンスに引用元URLと日付付きスニペットを含めることでハルシネーション対策を担保しています。同じ「LLMが要約する」という工程でも、引用の出所を必ず添える設計にすれば、それはそれで1つの防御になります。どちらが正解というより、要約という工程をどこに置き、誰が検証するかという設計判断の違いです。

⚠️ ここが今回いちばん言いたいところです。Web検索APIを繋いだだけでは、LLMのハルシネーションはむしろ別の形で残ります。「知らないことを答えてしまう」ハルシネーションから、「検索結果を見ているはずなのに、そこにない数字を報告する」ハルシネーションに変わるだけです。

うちのプロジェクトでは、新製品候補の型番・容量・クロック周波数・NAND方式のようなスペック値を、Tavily検索経由でLLMに抽出させています。プロンプトでは「各スペックごとに {url, quote} を必ず返すこと」と明示し、検索結果本文に存在しない値は採用しない前提で運用しています。ここを曖昧にすると、L3の照合が効かなくなります。

素直にLLMの出力を信じてDBに書き込んでいた時期は、それらしい数字が混ざっているのを後から見つけて青ざめる、ということが何度かありました。検索結果を見せているから安心、ではなく、検索結果を見せていてもLLMは自信満々にそれっぽい値を埋めてくる。ここに気づかないと、Web検索APIを導入したこと自体が「もっともらしい誤情報生成器」を作っただけになりかねません。

Web検索APIを導入した人が最初に引っかかるのは、たぶんここです。「検索結果を見せているのだから、もう嘘は書かないはずだ」という期待そのものが、実は外れているという点です。

この問題に対して、うちのプロジェクトでは検索から人間承認までを6層に分けて防御しています。今日リリースしたばかりの仕組みなので、まだ実測サンプルは多くありませんが、設計の考え方として共有します。

ポイントは、L3・L4で弾いた値を削除ではなくnullに降格し、理由をメモとして残すところです。LLMの「自信」は一切信用しませんが、正規化した部分一致という保守的な判定なので、本当は正しい値が偽陰性で落ちることもあります。だからこそ消さずに残し、最後は人間が救済できる形にしています。機械が全部判定して終わり、にはしていません。

検索結果からDB書き込みまで、6層で少しずつ絞り込む

このL3の機械照合は2026-07-08にリリースしたばかりの機能です。稼働後にscanを2回実行し、対象は新製品候補37件、カテゴリは主にSSD・GPU・CPUクラスのスペック確認、プロンプト条件は「検索結果本文にない値は採用しない」「各値に {url, quote} を添える」でした。 そのうち7件（約19%）で、少なくとも1つの申告値が機械照合により弾かれています（降格したスペックフィールドの延べ数は11件）。

L4のレンジ検証による降格は、この2回では0件でした。L3の時点でおおむね捕捉できている可能性はありますが、まだ2回分のサンプルです。L4が要らないと結論づけるのは早いと思っています。安価なバックストップとして残しておく設計判断自体は妥当なところです。

実際に弾かれた例をひとつ挙げます。「AGI AI858 2 TB」という候補製品で、LLMは容量を2TBと申告してきました。ところが、根拠として提示されたTavily検索結果の本文にはその数値の記載が見つからず、機械照合で capacity_gb がnullに降格されました。同じ候補のブランド名・シリーズ名も同様の理由で落ちています。別のSSD製品でも、NAND方式やブランド名がquote照合を通らず降格したケースがありました。

ログを見返したとき、正直「2TB」という数字自体はそれっぽくて、パッと見では気づけなかったと思います。型番も実在しそうな並びでしたし、人間が目視でレビューしていたら素通りしていた可能性が高いです。機械的な照合というだけの地味な仕組みが、こういう「もっともらしさ」に対して効いているのを見ると、やはり人間の勘だけに頼るのは危ういと感じます。

こういう値は、見た目にはもっともらしい型番と数字の組み合わせで出てきます。人間が1件ずつ裏取りしなければ気づけないような形で紛れ込むので、機械的な照合というだけで捕捉できているのは、地味ですが効いていると感じています。

ここからは6社の価格・仕様比較です。実際に運用しているのはTavilyだけなので、Tavily以外は公式ドキュメントに基づく比較として読んでください。「使ってみたらこうだった」という体験談ではなく、あくまで仕様表としての整理です。価格は2026-07-08時点での確認ベースです。

用途で整理すると、こんな感覚です。まず、LLMエージェントに検索文脈を食わせる目的なら、Tavilyが素直に動きます。Google検索のSERPそのものが欲しい、SEO調査や順位トラッキングをしたいならSerperが向いています。安く大量にWeb検索したいだけならBrave、コードやドキュメント調査でLLM向けの高品質な検索結果が欲しいならExa、SOC2やZDRといった企業のセキュリティ要件があるならLinkup、そして検索から回答生成までを丸ごと任せたいならPerplexity Sonarという棲み分けです。

ただし、これは「Tavily以外を使えば楽になる」という話ではありません。どのAPIを選んでも、返ってきた検索結果をそのままLLMに渡せば、この記事の前半で書いたハルシネーションのリスクは変わらず残ります。防御をどう作るかは、選んだAPIとは別のレイヤーの宿題です。

Web検索APIを選ぶ基準は、価格や無料枠だけでなく「検索結果をどう検証するか」まで含めて考えるべきだと思っています。Tavilyのinclude_answerを切っているのも、Perplexity Sonarが引用付き回答を返す設計にしているのも、根っこにあるのは同じ問いです。LLMが生成した値を、誰が・どうやって検証するのか。

もし今、Web検索APIを繋いだだけで満足している状態なら、一度、LLMの出力に「根拠URLと引用文」を必須で出させてみることをおすすめします。それだけで、検索結果に実在しない値がどれくらい混ざっているか、機械的に見えてくるはずです。うちの場合は37件中7件でした。数字は環境やプロンプト次第で変わりますが、ゼロにはならないというのが実感です。なお、ここでいう7件は「候補7件に少なくとも1つの降格があった」という意味で、降格したフィールドの延べ数は11件です。

HW系エンジニアとして20年以上、10,000件を超える顧客訪問と2,000件を超える単独ソリューション実績。AIツールを使った個人開発やIoT農園など、Raspberry Piを使ったオートメーション化なども実践中です！エンジニア専門結婚相談所も運営中、ClaudeCodeで解決できない心の課題も解決いたします！

• BlogClaude Code の新effortモード徹底解説｜max・ultracode・autoと『呪文ultrathink』の正体Claude Code の /effort に増えた max・ultracode・auto と、プロンプトに紛れ込ませる呪文 ultrathink を、公式が明言した『ultracode は API の effort レベルではない』を起点に解剖。overthinking・自律ワークフロー・永続性と優先順位の罠まで、誤解されやすい論点を一次情報で正します。→
• BlogClaude Code の /effort 完全ガイド｜low〜maxの使い分けと『コストが増える本当の理由』Claude Code の /effort（low〜max・ultracode・auto）は「賢さ」ではなく「トークンの気前よさ」のレバー。モデル別の推奨スタートと、Opus 4.8 でコストが増えた気がする原因を『トークナイザ』と『effort』の2軸に切り分ける考え方を、公式一次情報と v2.1.156 の実機確認で解説します。→
• Blog【速報・完全版】Gemini 3.1 Pro徹底解説 — 推論2倍超・思考シグネチャ・エージェント時代の幕開け2026年2月19日リリースのGemini 3.1 Proを完全解説。ARC-AGI-2で77.1%（前世代比2倍超）、SWE-bench 80.6%を達成。Thinking Levels・思考シグネチャ・Context Caching最大90%削減・Batch API・Google Antigravityなど、開発者が知るべき全機能をベンチマーク比較表・料金表・プロンプト例付きで徹底解説。→