· AI Engineer World's Fair 2026
Как мы научили agents эффективно искать информацию
How we taught agents to use good retrieval - Hanna Lichtenberg, Mixedbread AI
Агенты для поиска по документам упираются в поиск, а не в модель: обучение писать запросы предложениями и выбирать инструменты под задачу закрывает часть разрыва.
- Запросы в стиле grep — модели, обученные на coding задачах, пишут для поиска наборы отдельных слов. Авторы заставляли агента сначала описать одним предложением, что он хочет найти, и только потом писать запрос, что дало более естественные семантические запросы.
- Параллельные раунды поиска — агент делает до четырёх раундов, в каждом до четырёх параллельных запросов, и сам выбирает между семантическим поиском и grep. Дубликаты чанков убираются, чтобы не раздувать контекст.
- Обучение маленькой модели — сначала SFT на большой модели-учителе, затем on-policy RL. Награда складывается из метрик retrieval (recall, nDCG) и оценки LLM-судьи, который проверяет естественность запросов и объём исследования.
- Результаты — по словам авторов, на одном бенчмарке nDCG@10 вырос до 0,4 против 0,18 у лучшей модели из статьи бенчмарка. Обученный агент пока не выпущен, а Mixedbread Agentic Search уже доступен в бета-версии.
Кому полезно: тем, кто строит поиск по большим корпусам документов для агентов и видит, что модель часто не находит нужные источники.
Статья по теме
Главы
Ещё доклады: Aamir Shakir
Страница спикера →Похожие доклады
Постепенно добавляем все техники RAG — запрос за запросом
AI Engineer World's Fair 2025
Близко по содержанию
Перестраиваем веб для агентов
AI Engineer World's Fair 2026
Близко по содержанию
Agentic Search для context engineering
AI Engineer Europe 2026
Близко по содержанию
Основы информационного поиска
AI Engineer World's Fair 2025
Близко по содержанию


