Agentic RAG گوگل: جوابهای قابل اتکاتر
هوش مصنوعی
گوگلخلاصهٔ کاملتر
تو این مقاله از گوگل ریسرچ اومده که سیستمهای معمولی RAG (یعنی Retrieval-Augmented Generation، روشی که مدل زبانی قبل از جوابدادن چند سند مرتبط رو پیدا میکنه) برای سوالهای چندمنبعی و چندمرحلهای ساخته نشدن. مثلا اگه بپرسی «مشخصات سروری که تو پروژهٔ X استفاده شده چیه؟»، سیستم ممکنه سند پروژه رو پیدا کنه ولی اون سند فقط یه شناسهٔ سرور داشته باشه؛ سیستم نمیدونه که باید با اون شناسه یه جستوجوی دوم تو دیتابیس دیگه بکنه. نتیجهش یه جواب ناقص یا «پیدا نشد» میشه.
راهحل گوگل یه فریمورک چندعاملی (multi-agent) به اسم Cross-Corpus Retrieval روی پلتفرم Gemini Enterprise Agent Platform هست. نویسنده اینو مثل یه دپارتمان تحقیقاتی منظم توصیف میکنه: یه Orchestrator تشخیص میده کار یهمرحلهای نیست و کارو پخش میکنه، یه Planner Agent مسیر اطلاعات رو نقشه میکشه، یه Query Rewriter سوال رو به چند جستوجوی دقیقتر تبدیل میکنه و یه Search Fanout Agent این کوئریها رو به منابع مختلف میفرسته.
تفاوت اصلی این روش با بقیه چیزیه که نویسنده بهش میگه پایداری (persistence). فریمورک گوگل میفهمه کِی اطلاعات کم داره و تا وقتی context کامل نشده، به جستوجو ادامه میده. این جلوی «حدسزدن» مدل وقتی اولین جستوجو خالی درمیاد رو میگیره، و همینطور جلوی این که زود بگه «اطلاعات کافی ندارم» در حالی که اطلاعات هست و فقط باید پیداش کرد.
قلب این نوآوری یه Sufficient Context Agent هست؛ یهجور بازرس کنترل کیفیت ته خط تولید. این عامل سه چیزو بررسی میکنه: تکهمتنهایی که از دیتابیس کشیده شده، یه پیشنویس خام از جواب، و مهمتر از همه تحلیل «چی کمه». مثلا اگه سوال سهتا چیز بخواد (دارو، رژیم غذایی، حساسیت) ولی متنها فقط دوتاش رو داشته باشن، این عامل علامت «context ناکافی» میزنه و دقیقا میگه چی پیدا نشده و باید دنبال چی بگرده.
بعد از این فیدبک، Query Rewriter یه جستوجوی جدید و هدفمند میسازه، RAG Agent تو فایلهایی که بار اول نادیده گرفته بود عمیقتر میگرده و اطلاعات گمشده رو پیدا میکنه. وقتی همهچی جمع شد، یه Synthesis Agent جواب نهایی تمیز و مستند رو مینویسه. کل این چرخه باعث میشه جوابها قابلردیابی و grounded باشن.
برای ارزیابی، گوگل از بنچمارک FramesQA استفاده کرده که ۸۲۴ سوال چندمرحلهای و یه مجموعهٔ ۲٬۶۷۶ سند PDF داره. تو حالت cross-corpus که سه دیتاست مزاحم دیگه هم اضافه شده و Planner Agent باید بین چهار منبع تصمیم بگیره کجا بگرده، سیستم ۹۰.۱٪ سوالها رو درست جواب داده؛ تقریبا هماندازهٔ حالت single-corpus و با اختلاف تأخیر کمتر از ۳٪. این یعنی سیستم میتونه روی چند منبع دادهٔ نامرتبط استدلال کنه. این قابلیت الان بهصورت public preview روی Gemini Enterprise Agent Platform در دسترسه.
نکات کلیدی:
- Agentic RAG چند عامل تخصصی (Orchestrator، Planner، Query Rewriter، Search Fanout) رو با هم برای سوالهای پیچیده ترکیب میکنه
- نوآوری اصلی یه Sufficient Context Agent هست که تشخیص میده اطلاعات کافیه یا باید بازم گشت
- روی دیتاستهای factuality دقت رو تا ۳۴٪ بالا میبره
- تو حالت cross-corpus بین چهار منبع، ۹۰.۱٪ سوالها رو درست جواب داده با تأخیر تقریبا یکسان
- الان بهصورت public preview روی Gemini Enterprise Agent Platform در دسترسه
