Как улучшенный поиск повысил точность AI-агента с 36% до 98%
Better Search Took This AI Agent From 36% to 98% Accuracy - Aamir Shakir, Mixedbread
Поиск с поздним взаимодействием (late interaction) по страницам документов вместо цепочки OCR, чанкинга и одновекторных эмбеддингов, по словам авторов, поднимает точность ответов агента с 36% до 98%.
- Потери на каждом шаге — OCR, разбиение на чанки и сжатие страницы в один вектор последовательно теряют информацию про таблицы и диаграммы. По словам спикера, одна точка в пространстве не различает отчёты одной компании за разные годы, поэтому на больших корпусах качество падает.
- Несколько эмбеддингов на документ и запрос — модель строит отдельные векторы для показателей вроде чистой выручки или чистой прибыли, и каждый учитывает контекст страницы, например компанию и год.
- Эмбеддинг по скриншоту страницы — поиск работает с изображением страницы, поэтому диаграммы и таблицы в сканах доступны без OCR. Ответ можно сослаться на координаты блока на странице, а для модели без мультимодальности отдаётся и текст с разметкой.
- Результат на реальных данных — у хедж-фонда с более чем миллиардом документов точность ответов агента, по оценке экспертов, выросла с 36% до 98%. По словам спикера, расход LLM-токенов упал примерно втрое, потому что меньше контекста уходит на поиск и чтение.
Кому полезно: тем, кто строит поиск по большим корпусам PDF, сканов и аудио для агентов и видит падение качества при росте объёма данных.
Статья по теме
Главы
Ещё доклады: Aamir Shakir
Страница спикера →Как мы научили agents эффективно искать информацию
Aamir Shakir, Hanna Lichtenberg
AI Engineer World's Fair 2026
Похожие доклады
Постепенно добавляем все техники RAG — запрос за запросом
AI Engineer World's Fair 2025
Близко по содержанию
Современное состояние AI-поиска и извлечения информации
AI Engineer World's Fair 2025
Близко по содержанию
Grep или embeddings? Агентный поиск по корпоративным документам
Близко по содержанию

