Что такое агентный RAG от Google
Google представила новый агентный RAG‑фреймворк, интегрированный в Gemini Enterprise Agent Platform. Он обеспечивает функцию Cross‑Corpus Retrieval, доступную в публичном превью. Основная идея – решить известный пробел в корпоративном поиске, когда обычный одноступенчатый RAG не справляется с запросами, требующими информации из нескольких источников.
Почему обычный RAG не работает с multi‑source запросами
Пример: «Какие характеристики сервера, использованного в проекте X?». Система может найти документ с ID сервера, но не знает, что нужно взять этот ID и поискать детали в другой базе. В итоге вы получите либо частичный ответ, либо сообщение «не найдено».
Как работает многократный агентный процесс
Система делится на несколько специализированных ролей:
- Orchestrator – определяет, что запрос требует нескольких шагов, и распределяет задачи.
- Planner Agent – планирует, какие источники данных задействовать.
- Query Rewriter – преобразует расплывчатый запрос в несколько точных поисковых запросов.
- Search Fanout Agent – отправляет запросы во все выбранные источники.
- LLM‑Aggregator – собирает полученные фрагменты и формирует окончательный ответ.
Что отличает этот фреймворк
Ключевая новинка – Sufficient Context Agent. Он проверяет, хватает ли найденного контекста для полного ответа, и, если нет, инициирует дополнительный поиск. Таким образом система не «угадывает» и не бросает «не хватает данных» сразу после первой попытки.
Пошаговый пример работы
Запрос врача: «Перечислите выписанные лекарства, диетические ограничения и аллергии пациента».
- Этап 1 – Оркестрация: Root Agent разбирает запрос и распределяет задачи между Pharmacy, Nutrition и Clinical Notes.
- Этап 2 – Поиск: Search Agent находит лекарства и диету, но не обнаруживает аллергии.
- Этап 3 – Достаточный контекст: Sufficient Context Agent анализирует результат, фиксирует отсутствие информации об аллергиях и формирует отчет о пробелах.
- Этап 4 – Итерация: Query Rewriter формирует новый запрос «аллергии пациента», и Search Agent ищет её в отдельной базе.
- Этап 5 – Синтез: После подтверждения полного контекста Synthesis Agent генерирует окончательный, точный ответ.
Бенчмарк и результаты
Google протестировал агентный RAG на наборе FramesQA (824 вопроса, 2 676 PDF‑документов). Сравнительные результаты:
- Точность стандартного RAG – базовый уровень.
- Agentic RAG с Cross‑Corpus Retrieval – 90,1 % правильных ответов при работе с четырьмя разными корпусами.
- Увеличение фактической точности до 34 % по сравнению с одноступенчатым RAG.
- Дополнительная задержка – менее 3 % по сравнению с однокорпусным вариантом.
Применения в реальном мире
- Медицина: объединение данных о лекарствах, питании и аллергиях, хранящихся в разрозненных системах.
- Инженерия: поиск характеристик оборудования, где ID находится в одной базе, а спецификации – в другой.
- Финансы: сопоставление бюджетных данных с тайм‑линиями проектов, распределёнными по разным подразделениям.
- Любая крупная организация, где данные находятся в нескольких изолированных хранилищах.
Ключевые выводы
- Agentic RAG вводит Sufficient Context Agent, обеспечивая полноту контекста перед формированием ответа.
- Фреймворк реализован как Cross‑Corpus Retrieval в Gemini Enterprise Agent Platform (public preview).
- Увеличение factual accuracy до 34 % по сравнению со стандартным RAG.
- В тестах на FramesQA система отвечает более чем 90 % вопросов, правильно выбирая один из четырёх корпусов.
- Дополнительная задержка минимальна – в пределах 3 % от однокорпусного выполнения.
Дополнительные ресурсы
Технические детали доступны в публикации Google Research. Для более глубокой проработки см. оригинальный FRAMES paper.
