← Каталог

· 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