Как Bridgewater превратила 100 миллионов документов в конкурентное преимущество
How Bridgewater Turned 100 Million Documents Into an Edge - Sam Green & Aaron Linsky, Bridgewater
Поиск по корпусу в 100 млн документов работает на инвестиционных исследованиях, только если его проектируют отдельно для людей и для агентов.
- Точность для людей, масштаб для агентов — людям нужен высокий сигнал к шуму, потому что они читают около 300 слов в минуту, а агенты потребляют текст примерно в сто раз быстрее и обрабатывают сотни запросов в секунду.
- Бенчмарк до улучшений — команда за неделю собрала около 200 примеров с вручную найденными документами; precision@10 сначала был около 60%, а после серии улучшений, включая agentic search, по словам авторов, достиг 90–95%.
- Фильтры по метаданным — post-filtering быстрый, но теряет релевантные документы, pre-filtering точный, но медленный; авторы перешли на turbopuffer с нативной фильтрацией, которая работает почти как post-filtering с полнотой pre-filtering.
- Привычки раньше интерфейса — пользователи не заходили в Vault каждый день, пока подписки не стали сохранёнными поисками, а папки сохранёнными коллекциями; после этого доступ открыли в чате, мобильном приложении, Slack, IDE и CLI.
Кому полезно: тем, кто строит поиск по большому корпусу документов и для людей, и для агентов, и хочет понять, почему для них нужны разные настройки.
Статья по теме
Главы
Ещё доклады: Aaron Linsky
Страница спикера →Похожие доклады
Одних векторов недостаточно: гибридный поиск и извлечение данных
AI Engineer World's Fair 2026
Близко по содержанию
Каждое здание — это баланс: пространственная память для реальных активов
AI Engineer NYC 2026 Online Talks
Близко по содержанию
Когда векторы не справляются: графовый RAG для насыщенных корпоративных знаний
AI Engineer World's Fair 2025
Близко по содержанию


