OpenAI-o1 などの大規模推論モデル（LRM）は、大規模な強化学習を用いて、長時間にわたる段階的推論能力を顕著に示している。しかし、その延長された推論プロセスは、知識の不足に起因し、頻繁に不確実性が生じ、誤りを引き起こす傾向がある。この課題を克服するため、本研究では、エージェント型の検索・拡張生成（RAG）機構と、取得した文書の精査を目的とした「文書内推論モジュール（Reason-in-Documents）」を搭載したフレームワーク「Search-o1」を提案する。Search-o1 は、推論プロセスにエージェント型の検索ワークフローを統合し、LRM が不確実な知識ポイントに直面した際に、動的に外部知識を取得できるようにしている。さらに、取得される文書は冗長な傾向があるため、推論連鎖への挿入前に、別途設計された「文書内推論モジュール」を用いて取得情報の深層分析を実施することで、ノイズの低減と一貫性のある推論フローの維持を図っている。科学、数学、プログラミングにおける複雑な推論タスクおよび6つのオープンドメインQAベンチマークを対象とした広範な実験により、Search-o1 の優れた性能が確認された。本アプローチは、複雑な推論タスクにおけるLRMの信頼性と適用可能性を高め、より信頼性が高く多様な機能を備えた知能システムの実現に道を開くものである。コードは https://github.com/sunnynexus/Search-o1 にて公開されている。