Google превратил RAG в мультиагентного исследователя, который не сдаётся после первого поиска

Обычный RAG работает в одно касание: запрос пришёл, система выхватила ближайший документ, отдала ответ, и если часть информации лежала в соседней базе — ну, не повезло.

Google Research и Google Cloud показали архитектуру Agentic RAG, где над запросом трудятся несколько агентов, а главное — система не останавливается, пока контекст не признан достаточным.

Это, пожалуй, первый реально работающий переход от «найти похожее» к «убедиться, что найдено всё».

📋 Новинка уже в публичном превью Gemini Enterprise Agent. Root Agent парсит запрос, Planner разбивает на подобласти, Query Rewriter превращает в простые подзапросы, RAG Agent прочёсывает источники — на этом стандартная схема заканчивается.

Ключевое звено, Sufficient Context Agent, проверяет полноту контекста и при пробелах выдаёт конкретный ответ.
Например: «по аллергии данных нет, иди ищи rashes и adverse events».
На медицинском кейсе система находит лекарства и диету, обнаруживает пропуски по аллергии, уходит на второй круг и лишь затем формирует ответ — без галлюцинаций и поспешных «я не знаю».

💡 На FramesQA (824 мультишаговых вопроса, 2676 PDF) кросс-корпусная точность 90.1%, до 34% прироста над классическим RAG, и качество не падает с тремя отвлекающими датасетами: Planner отсеивает мусор сам.

💼 Для энтерпрайза это выход за пределы «один запрос, один источник»: данные раскиданы по хранилищу, а система впервые получает разрешение копать до полной уверенности, а не до первой цитаты.
📎 Google Research

#rag #googleai #enterpriseai #agenticrag
------
@tsingular