Google 升級 Gemini 企業級 AI：導入「代理人 RAG」架構，解決跨資料庫檢索難題
編輯核心觀點
- ✦Google Research 推出全新的代理人式 RAG 框架，透過多代理人協作與「充分上下文代理」機制，解決企業搜尋中常見的多步驟查詢失敗問題。
- ✦該技術已整合進 Gemini Enterprise Agent Platform 並開放公開預覽，實測顯示在事實準確度上較傳統 RAG 提升達 34%。
- ✦系統具備跨資料庫路由能力，能在多個資料來源中精準定位資訊，且在複雜查詢下的延遲增幅控制在 3% 以內。
解決企業搜尋的「斷鏈」痛點
在企業級應用中，傳統的單步驟檢索增強生成（RAG）技術常面臨瓶頸。例如當使用者詢問「某專案伺服器的規格為何？」時，系統可能僅能找到伺服器 ID，卻無法自動跨越資料庫去查詢該 ID 對應的詳細規格，導致回答不完整或顯示「找不到資訊」。
為了改善此問題，Google Research 團隊在 Gemini Enterprise Agent Platform 中導入了全新的「代理人式 RAG（Agentic RAG）」框架，並推出「跨語料庫檢索（Cross-Corpus Retrieval）」功能。這套系統不再只是單純的搜尋引擎，而是一個具備規劃、推理與迭代能力的「研究團隊」。
多代理人協作架構
Google 的這套框架將任務拆解為多個專業角色，透過協作完成複雜查詢：
- 協調者（Orchestrator）：判斷查詢是否為多步驟任務並進行分派。
- 規劃代理（Planner Agent）：規劃跨資料來源的資訊路徑。
- 查詢重寫代理（Query Rewriter）：將模糊請求轉化為精確的搜尋指令。
- 搜尋分流代理（Search Fanout Agent）：將指令發送至不同資料庫。
- 合成代理（Synthesis Agent）：將收集到的上下文整合成最終回答。
關鍵突破：充分上下文代理
這套框架與其他多代理人架構最大的區別，在於引入了「充分上下文代理（Sufficient Context Agent）」。該組件會在生成回答前，檢查已檢索到的片段是否足以回答問題。若發現資訊缺失，它不會盲目猜測，而是會撰寫一份「缺失分析報告」，指示系統進行二次搜尋。
「充分上下文代理會閱讀從資料庫提取的片段，審核中間草稿，並執行缺失分析。它不只是標記『上下文不足』，還會寫下具體的理由與反饋日誌，指出資訊缺口。」
實測數據與應用場景
Google 團隊使用 FramesQA 基準測試進行評估，該測試包含 824 個查詢與 2,676 份 PDF 文件。在跨語料庫（Cross-corpus）的環境下，該系統成功回答了 90.1% 的問題，且在處理複雜查詢時，系統延遲與單一語料庫查詢相比，平均僅增加不到 3%。
這項技術特別適合需要整合多方資料的企業場景，例如醫療團隊整合病患的用藥、飲食與過敏紀錄；工程團隊追蹤伺服器 ID 與規格；或是財務部門將預算數據與專案時程紀錄進行關聯分析。目前該功能已於 Gemini Enterprise Agent Platform 中開放公開預覽。
