Main

Google представила архитектуру Agentic RAG для итеративного поиска данных в Gemini Enterprise Agent Platform.

Новое решение от Google Research и Google Cloud трансформирует классическую модель Retrieval-Augmented Generation (RAG), отказываясь от одноразового поиска в пользу многоагентной схемы, способной итеративно уточнять запросы и добирать недостающие данные из разрозненных источников [5]. Встроенная в платформу Gemini Enterprise Agent Platform, архитектура Agentic RAG предназначена для кросс-корпусного поиска, позволяя системе работать одновременно с несколькими хранилищами данных без предварительной их консолидации [5].

Ключевое отличие новой архитектуры заключается в распределении задач между специализированными агентами. Запрос сначала анализирует «корневой агент», после чего «планировщик» декомпозирует задачу на подзапросы, а «переписчик запросов» оптимизирует их для эффективного поиска [5]. Отдельный модуль выполняет извлечение данных из разных источников, а специальный контроллер проверяет достаточность найденного контекста для формирования точного ответа, что устраняет проблему неполной информации [5].

Источник новости: iXBT

В 2026 году устойчивые RAG-системы эволюционировали в многоэтапные поисковые пайплайны, где критическую роль играют переписывание запроса, гибридный поиск и реранкинг [3]. Agentic RAG реализует этот тренд через модульную систему с разделенными потоками индексации и запроса, обеспечивая observability на каждом уровне и наличие fallback-механизмов [7]. Технология решает проблему работы с большими и разнородными корпусами данных, где традиционные методы часто пропускают ключевые идентификаторы или точные совпадения [3].

На данный момент Agentic RAG доступен в режиме публичного предпросмотра, что позволяет бизнесу тестировать возможности итеративного извлечения знаний в реальных корпоративных сценариях [5]. Это развитие подтверждает переход от линейных схем «запрос → поиск → ответ» к сложным агентовым системам, которые самостоятельно решают, когда и что извлекать [12]. Интеграция такой архитектуры в Enterprise-платформы открывает путь к созданию интеллектуальных систем, сочетающих мощь больших языковых моделей с актуальностью внешних данных [1].