@GoogleResearch：Google Research 推出 Gemini Enterprise Agent Platform 的 Agentic RAG 框架，透過多代理協作與迭代搜…

Google Research 推出 Gemini Enterprise Agent Platform 的 Agentic RAG 框架，透過多代理協作與迭代搜尋提升企業級查詢的準確性。 Google Research 與 Google Cloud 合作開發的這套 Agentic RAG 框架，旨在解決傳統單步驟 RAG 系統無法處理多來源、多跳躍（multi-hop）查詢的痛點。該系統透過將複雜任務拆解為專門角色，確保在生成回應前已取得足夠的上下文資訊，在事實性資料集上的準確度提升了 34%。 核心架構與運作機制 該系統將 AI 視為一個組織化的研究部門，透過以下代理分工協作： Root Agent (Orchestrator)：負責評估請求並將任務分配給子代理。 Planner Agent：規劃資訊路徑，決定搜尋的先後順序。 Query Rewriter：將模糊請求轉換為多個精確的搜尋查詢。 Search Fanout Agent：將查詢分發至不同資料來源進行檢索。 Sufficient Context Agent：這是該框架的關鍵創新，擔任「品質控制員」角色。它會審核檢索到的片段與草稿，若發現資訊不足，會提供具體回饋並觸發迭代搜尋，直到取得足夠資訊為止。 Synthesis Agent：在確認上下文充足後，負責整合資訊並產出最終回應。 這張流程圖展示了一個基於 AI Agent 的複雜查詢處理與資訊檢索架構。 實際應用與效能 與傳統 RAG 相比，此框架具備「持久性」，能避免 AI 在搜尋結果為空時進行臆測或直接放棄。在 FramesQA 資料集的測試中，該系統在跨語料庫情境下準確度達到 90.1%，且延遲時間與單語料庫版本相比差異不到 3%。目前此功能已於 Gemini Enterprise Agent Platform 以公開預覽版形式提供，協助企業建立更具備可追溯性與事實根據的 AI 系統。這張流程圖展示了一個基於 AI Agent 的複雜查詢處理與資訊檢索架構。 影片中的 Prompt 與操作：操作步驟： 1. @00:03 系統啟動 Root Agent 並連接至 Planner & Query Rewriter。 2. @00:04 Planner & Query Rewriter 執行查詢分發。 3. @00:06 系統執行跨語料庫檢索（Docs, MCPs, Code）。 4. @00:09 系統將檢索到的 Snippets 傳送至 Sufficient Context Agent 進行評估。 5. @00:10 若上下文不足，系統會回饋原因並重新規劃。 6. @00:18 當上下文充足時，將資料傳送至 Synthesis Agent 進行合成。原文：https://easyvibecoding.app/curated/1805