Mistral представила Agentic Search, стремясь изменить стандарты корпоративного ИИ-поиска
Новый уровень поиска для корпоративного ИИ
Компания Mistral AI представила Agentic Search — новый уровень поиска, разработанный для того, чтобы сделать системы ИИ значительно более точными и эффективными при работе со сложными корпоративными данными. Эта функция располагается между большими языковыми моделями (LLM) и существующими индексами организации, позволяя моделям активно искать, открывать, перемещаться по документам и проверять информацию внутри объемных и разнородных файлов, вместо того чтобы полагаться на однократный проход поиска.
В отличие от традиционной генерации с дополнением поиском (RAG), которая обычно выполняет один векторный или ключевой поиск и передает лучшие фрагменты в модель, Agentic Search организует многошаговый цикл поиска. Модель может итеративно уточнять запросы, изучать несколько источников и собирать подтверждающие доказательства перед формированием ответа. Этот рабочий процесс нацелен именно на сложные задачи корпоративного поиска ответов в документации, контрактах, отсканированных PDF-файлах и другом длинном контенте.
Как работает Agentic Search
В основе подхода Mistral лежит набор файловых инструментов, которые модель может вызывать автономно во время сессии. Публичная документация описывает пять основных возможностей, доступных модели:
- search – поиск релевантных документов по существующему индексу или корпусу.
- open – выбор и открытие конкретного документа, полученного в результате поиска.
- navigate – переход к определенной странице, разделу или области внутри открытого документа.
- read – извлечение содержимого в текущем местоположении для ознакомления.
- grep – поиск точных строк или шаблонов внутри открытого документа.
В совокупности эти инструменты позволяют модели вести себя скорее как аналитик, чем как пассивный генератор текста. Если первый найденный фрагмент не содержит ответа, модель может выполнить новый поиск, открыть более перспективный файл, перейти к вероятным разделам на основе заголовков или номеров страниц, а затем просканировать документ на наличие точной терминологии — и все это перед тем, как окончательно сформулировать ответ. Уже просмотренные фрагменты могут быть исключены, что снижает избыточность и затраты.
Этот подход особенно важен для вопросов, требующих обоснования на основе нескольких документов или точного цитирования положений, глубоко спрятанных в длинных текстах. Вместо того чтобы надеяться, что сегментация и ранжирование выдадут нужные отрывки с первой попытки, Agentic Search позволяет модели продолжать поиск до тех пор, пока не будет собрано достаточно доказательств.
Результаты тестирования: от простого RAG к итеративному сбору доказательств
Mistral позиционирует Agentic Search как значительное улучшение по сравнению с традиционными конвейерами RAG, подтверждая запуск данными тестов на таких наборах, как FinanceBench и OfficeQA Pro. Согласно опубликованным компанией цифрам, использование полного агентского цикла — включая итеративный поиск и навигацию по документам — привело к резкому скачку точности в FinanceBench по сравнению с классическим RAG.
Публичные отчеты, обобщающие результаты Mistral, подчеркивают рост точности: для некоторых моделей показатели увеличились с уровня чуть ниже 30% до 80 с лишним процентов при переходе от простого поиска к Agentic Search. Итеративный поиск сам по себе обеспечил основную часть прироста, а навигация и внутридокументные инструменты добавили еще несколько процентных пунктов. Другими словами, возможность для модели продолжать поиск и интеллектуально перемещаться внутри документов может более чем утроить ее способность правильно отвечать на сложные финансовые вопросы.
Компания также сообщает о значительном повышении эффективности. Избегая повторного поиска одних и тех же или нерелевантных фрагментов и фокусируясь только на перспективных частях документов, Agentic Search сокращает использование токенов и задержку (latency) по сравнению с простым циклом поиска. Внутренние тесты Mistral указывают на снижение потребления токенов примерно на четверть или треть для протестированных моделей, наряду с двузначным процентным сокращением задержек на запросах в FinanceBench.
В тесте OfficeQA Pro, ориентированном на вопросы об офисной продуктивности и деловой документации, многошаговый стек навигации также снизил использование токенов и улучшил скорость отклика. Эти показатели критически важны для предприятий, развертывающих ИИ в масштабе, где каждое незначительное улучшение задержки и стоимости токенов может привести к существенной экономии на инфраструктуре.
Встроено в Mistral Search Toolkit, Studio и Vibe
Agentic Search поставляется как часть более широкого Mistral Search Toolkit — компонуемого фреймворка для создания промышленных поисковых конвейеров для ИИ-приложений. Инструментарий разработан для работы в различных средах, от публичных облаков до локальной инфраструктуры (on-premises), что дает организациям гибкость в выборе места размещения данных и вычислительных мощностей.
Для разработчиков Agentic Search доступен через SDK, который можно интегрировать в пользовательских агентов, рабочие процессы и приложения. Компания подчеркивает, что это решение надстраивается над существующими индексами, не требуя переобучения моделей или масштабных изменений в инфраструктуре данных. Команды могут подключить агентский уровень к своему текущему поисковому стеку, позволив ему управлять логикой многошагового поиска.
Для пользователей собственных продуктов Mistral эта функция предварительно интегрирована в возможности Libraries как в интерфейсе Studio, так и в агенте Vibe. Это означает, что клиенты, хранящие свои базы знаний в Libraries, могут воспользоваться преимуществами многошагового поиска без написания дополнительного кода; система автоматически позволяет модели искать, открывать, перемещаться и читать индексированный контент при ответе на вопросы или выполнении задач.
Agentic Search также соответствует более широкой стратегии Mistral в области агентного ИИ. Ранее компания выпустила API агентов с коннекторами для веб-поиска и продолжает расширять инструменты, такие как Vibe, для долгосрочных задач программирования и исследований. В этом контексте Agentic Search знаменует собой целенаправленный шаг в сторону корпоративного поиска знаний, дополняя эти агентские возможности более глубоким пониманием на уровне документов.
Целевые сценарии использования: от отчетов до контрактов
Mistral прямо ориентируется на организации с большими, сложными и зачастую неструктурированными массивами данных. Типичные примеры включают нормативную отчетность, годовые отчеты, внутренние руководства по политике, техническую документацию, юридические контракты и отсканированные PDF-файлы, созданные в устаревших системах. Эти документы, как правило, длинные, имеют нестандартное форматирование и насыщены узкоспециализированной лексикой — сложная среда для стандартного RAG на основе сегментации.
В таких сценариях пользователь может, например, спросить, как определенный риск раскрывается в отчетах компании за несколько лет или какой пункт контракта регулирует конкретный случай. Agentic Search позволяет модели провести многоходовое исследование: выполнить поиск по корпусу, открыть наиболее релевантные документы, перейти к разделам, где упоминается нужный риск или пункт, и перепроверить несколько источников перед тем, как дать обоснованный и подкрепленный ссылками ответ.
Отраслевые наблюдатели отмечают, что этот подход отличается от потребительского веб-поиска. Вместо сканирования всего интернета Agentic Search сфокусирован на частных, высокоценных корпоративных данных, где точность и проверяемость важнее широты охвата. Компромисс заключается в том, что агентский цикл может занимать больше времени — иногда до нескольких минут при решении особо трудных вопросов, — но полученная точность и возможность аудита оправдывают дополнительные вычислительные затраты.
Конкурентные и стратегические последствия
Запуск Agentic Search подчеркивает более широкий сдвиг в индустрии ИИ в сторону агентного поиска, где моделям предоставляются инструменты и автономия для организации собственных процессов сбора информации. Выпуская готовый к промышленному использованию фреймворк и интегрируя его в свои флагманские продукты, Mistral позиционирует себя как серьезного игрока в области корпоративного ИИ, опираясь не только на мощь базовых моделей, но и на специализированную инфраструктуру для ресурсоемких задач.
Для предприятий эта технология открывает путь от чат-ботов, созданных в качестве прототипов, к приложениям, где системы ИИ должны регулярно отвечать на сложные, регулируемые или критически важные вопросы. Если заявленные результаты тестов подтвердятся в реальных условиях, Agentic Search позволит создать более надежных ИИ-помощников для команд в сфере финансов, юриспруденции, комплаенса и операций, одновременно снижая опасения по поводу галлюцинаций и неполного поиска.
Поскольку организации продолжают оценивать вендоров как по качеству моделей, так и по эффективности поиска, агентский уровень Mistral может стать ключевым преимуществом — особенно для клиентов, которые хотят иметь возможность запускать поисковые системы локально, сохраняя при этом доступ к самым современным агентным функциям.
