· AI Engineer World's Fair 2026
Куда RL приведёт поиск
Where RL Will Take Search — Maximilian-David Rumpf, SID.ai
Поиск стоит выносить во вспомогательного агента, обученного через reinforcement learning: по словам автора, он в 20 раз быстрее и в 100 раз дешевле поиска через frontier model.
- Агентный поиск против классического — по словам спикера, агентный поиск примерно вдвое чаще находит нужные документы, но стоит в 100–1000 раз дороже и забирает 30–50% токенов агента. Классический пайплайн с фиксированным бюджетом вычислений не может повторить поиск, даже когда reranker видит, что результаты плохие.
- Награда за найденный документ — поиск даёт проверяемую награду: нашёл нужный документ или нет. Поэтому модель можно тренировать тысячами попыток в секунду, а качество, по словам автора, растёт предсказуемо с ростом вычислений.
- Поиск в отдельном агенте — основной агент получает только отобранные результаты, а промежуточные нерелевантные находки не засоряют его контекст. Так же экономятся токены, которые раньше уходили на поиск.
- Цифры SID-1 — на представленной задаче, по словам автора, около пяти секунд вместо двух минут; он признаёт, что классический пайплайн из vector search и reranker пока быстрее. Доклад — презентация компании SID.ai, независимых проверок цифр в нём нет.
Кому полезно: тем, кто решает, стоит ли заменять классический RAG-пайплайн агентным поиском по внутренним данным и считает стоимость и задержку.
Статья по теме
Главы
Похожие доклады
Постепенно добавляем все техники RAG — запрос за запросом
AI Engineer World's Fair 2025
Близко по содержанию
Что RL значит для агентов
AI Engineer Summit 2025
Близко по содержанию
RAG в масштабе: готовые к production GenAI-приложения с Azure AI Search
AI Engineer World's Fair 2024
Близко по содержанию
Современное состояние AI-поиска и извлечения информации
AI Engineer World's Fair 2025
Близко по содержанию

