Как агентная RAG-система Google ищет данные в разных источниках

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.

  1. 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.
  2. 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.
  3. 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.
  4. Повторный поиск. Агент переформулирования создаёт новый запрос для поиска недостающих сведений. RAG-агент проверяет ранее пропущенные файлы и находит нужные данные.
  5. 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%.