Google Research разработала агентную RAG-систему для платформы Gemini Enterprise Agent Platform. Она лежит в основе функции Cross-Corpus Retrieval, доступной в режиме публичного предварительного просмотра.
Система предназначена для решения распространённой проблемы корпоративного поиска. Стандартная RAG-система, выполняющая один шаг поиска, не рассчитана на запросы, для ответа на которые нужно обращаться к нескольким источникам и связывать данные из них. Например, на вопрос «Каковы характеристики сервера, используемого в проекте X?» система может найти документ с идентификатором сервера, но не догадаться искать характеристики по этому идентификатору в другой базе. В итоге ответ будет неполным или система сообщит, что ничего не найдено.
Что такое агентная RAG-система Google
Агентная RAG-система планирует поиск, анализирует результаты и поэтапно взаимодействует с источниками данных. Это позволяет ей обрабатывать сложные запросы и повышать надёжность и точность ответов. Решение Google — Cross-Corpus Retrieval на платформе Gemini Enterprise Agent Platform — использует несколько агентов, которые выполняют разные задачи. В отличие от стандартной RAG-системы, перед генерацией ответа оно проверяет, достаточно ли найденного контекста.
По оценке Google, на наборах для проверки фактической достоверности прирост точности относительно стандартной RAG-системы достигал 34%. Google Research также проверила решение на собственных закрытых наборах данных и сообщила о более точной привязке ответов к источникам и улучшении рассуждений в специализированных задачах.
Как устроена архитектура с несколькими агентами
Эту систему можно представить не как один поисковик, а как слаженную исследовательскую команду. Обычная RAG-система сопоставляет вопрос с документами, а языковая модель формирует ответ на основе найденного. В агентной системе задачи распределены между специализированными компонентами.
- Оркестратор определяет, что для ответа недостаточно одного шага, и распределяет работу.
- Агент-планировщик прокладывает путь к нужным сведениям в разных источниках данных.
- Агент переформулирования запросов превращает расплывчатый вопрос в несколько точных поисковых запросов.
- Агент распределения поиска направляет запросы в разные источники.
- Затем языковая модель объединяет собранный контекст и формирует ответ.
Чем отличается эта система
Ключевое отличие — способность продолжать поиск, если информации не хватает. Это снижает вероятность того, что модель начнёт угадывать после неудачного первого запроса, и помогает избежать преждевременного ответа «Недостаточно информации».
За это отвечает агент проверки достаточности контекста — компонент системы Google. Рассмотрим пример: врачу нужно узнать о назначенных пациенту лекарствах при выписке, ограничениях в питании и аллергических реакциях.
- Оркестрация. Корневой агент анализирует запрос и распределяет задачи. Агент-планировщик обращается к данным аптеки, питания и клиническим записям. Агент переформулирования разбивает сложный вопрос на простые поисковые запросы.
- Поиск. RAG-агент одновременно отправляет все запросы в источники. Он находит сведения о лекарствах и питании, но не обнаруживает упоминаний об аллергии. Обычная RAG-система могла бы остановиться на этом и выдать неполный ответ.
- Проверка контекста. Агент проверки достаточности изучает полученные из базы фрагменты и сверяет промежуточный вариант ответа с запросом и найденными данными. Затем он анализирует, каких сведений не хватает. Вместо общей пометки о недостатке контекста агент записывает конкретную причину и обратную связь, указывая на пробел.
- Повторный поиск. Агент переформулирования создаёт новый запрос для поиска недостающих сведений. RAG-агент проверяет ранее пропущенные файлы и находит нужные данные.
- Обобщение. Убедившись, что контекст полон, система передаёт данные агенту синтеза. Тот составляет ясное и точное резюме.
Результаты тестирования
Команда Google оценила систему на FramesQA — наборе, основанном на исследовательской работе FRAMES. В FramesQA входят 824 запроса и корпус из 2676 PDF-документов. Для базового сравнения использовали обычную RAG-систему на базе Google RAG Engine. В неё входят усовершенствованный механизм поиска, парсер на основе языковой модели и модель повторного ранжирования результатов.
Агентную систему проверяли в двух режимах. В режиме поиска по одному корпусу она использовала только документы FramesQA. В режиме поиска по нескольким корпусам к ним добавили три набора данных, не относящихся к запросам: агент-планировщик должен был выбрать подходящий источник из четырёх. Такой сценарий имитирует работу компаний, где базы данных находятся в ведении разных команд. Точность оценивали с помощью языковой модели, сравнивавшей ответы с эталонными.
В режиме поиска по нескольким корпусам система почти достигла точности режима с одним корпусом. По этой методике верными признали 90,1% ответов при выборе источника из четырёх. Средняя задержка в двух режимах различалась не более чем на 3%.
| Характеристика | Обычная RAG-система (RAG Engine) | Стандартная агентная RAG-система | Cross-Corpus Agentic RAG от Google |
|---|---|---|---|
| Способ поиска | Однократное сопоставление | Несколько агентов, один проход | Несколько агентов, повторный поиск |
| Несколько агентов | Нет | Да | Да |
| Агент проверки достаточности контекста | Нет | Нет | Да |
| Повторный поиск | Нет | Нет | Да |
| Выбор источника из нескольких корпусов | Нет | Нет | Да: планировщик выбирает из четырёх |
| Заявленная точность | Базовый уровень | В материале не указана | 90,1% в режиме нескольких корпусов; рост точности на проверках фактической достоверности — до 34% относительно стандартной RAG-системы |
| Задержка | В материале не указана | В материале не указана | Различие между режимами с одним и несколькими корпусами — в пределах 3% |
Где систему можно применять
Решение рассчитано на корпоративные задачи, для которых нужно связывать данные из разных источников. Например, медицинские команды могут собирать сведения о лекарствах, питании и аллергиях из отдельных записей. Инженеры — находить характеристики сервера по его идентификатору в другой базе. Финансовые и проектные команды — сопоставлять данные о бюджете с журналами сроков. Поиск по нескольким корпусам подходит организациям, где базы данных принадлежат разным подразделениям.
Главное
- Агентная RAG-система Google использует агент проверки достаточности контекста и повторяет поиск, пока не соберёт нужные сведения.
- Решение доступно как Cross-Corpus Retrieval на платформе Gemini Enterprise Agent Platform в режиме публичного предварительного просмотра.
- Заявленный рост точности на наборах для проверки фактической достоверности составляет до 34% по сравнению со стандартной RAG-системой.
- В тесте FramesQA, по оценке Google, верными признали 90,1% ответов в режиме выбора источника из четырёх корпусов.
- Средняя задержка в режимах поиска по одному и нескольким корпусам различалась не более чем на 3%.
