Η Mistral παρουσίασε το Agentic Search, μια νέα προσέγγιση για την αναζήτηση και ανάκτηση πληροφοριών μέσα από σύνθετα εταιρικά δεδομένα και έγγραφα. Το σύστημα λειτουργεί ως επίπεδο ανάκτησης, επιτρέποντας σε μοντέλα AI να μη μένουν μόνο στα πρώτα αποσπάσματα που επιστρέφει ένα ευρετήριο, αλλά να συνεχίζουν τη διερεύνηση μέσα στο ίδιο το υλικό. Η εταιρεία υποστηρίζει ότι έτσι βελτιώνεται η ποιότητα των απαντήσεων, ιδιαίτερα σε περιβάλλοντα με μεγάλα, πυκνά και ευαίσθητα έγγραφα. Η διάθεση γίνεται μέσω του Mistral Search Toolkit και των Libraries στο Studio και το Vibe.
Στην πράξη, η ανακοίνωση αφορά ένα διαχρονικό πρόβλημα των εταιρικών εφαρμογών AI. Πολλά συστήματα μπορούν να εντοπίσουν σχετικά αποσπάσματα, αλλά δυσκολεύονται όταν η απάντηση βρίσκεται σε πίνακα, υποσημείωση, ρήτρα σύμβασης ή στον συνδυασμό πολλών εγγράφων. Η Mistral επιχειρεί να καλύψει αυτό το κενό με μια επαναληπτική διαδικασία αναζήτησης και επαλήθευσης. Το ζητούμενο δεν είναι μόνο να βρεθεί ένα σχετικό κείμενο, αλλά να εντοπιστεί το ακριβές σημείο που στηρίζει την τελική απάντηση.
Γιατί τα εταιρικά δεδομένα παραμένουν δύσκολη υπόθεση
Η αξία πολλών οργανισμών βρίσκεται σε δεδομένα που έχουν παραχθεί επί χρόνια, από οικονομικές καταστάσεις και συμβόλαια μέχρι εσωτερικά αρχεία και κρατικά έγγραφα. Αυτό το υλικό είναι συνήθως εμπιστευτικό και αποθηκευμένο πίσω από όρια απομόνωσης, είτε στο cloud είτε σε τοπικές υποδομές. Έτσι, ακόμη και όταν μια επιχείρηση θέλει να αξιοποιήσει προηγμένα μοντέλα, η πρόσβαση στην ουσιαστική γνώση δεν είναι αυτονόητη. Το πρόβλημα δεν είναι μόνο τεχνικό, αλλά και οργανωτικό, επειδή η ασφάλεια και η συμμόρφωση περιορίζουν τον τρόπο πρόσβασης.
Η Mistral τοποθετεί το Agentic Search ακριβώς σε αυτό το πλαίσιο. Υποστηρίζει ότι οι επιχειρήσεις χρειάζονται εργαλεία που να μπορούν να δουλέψουν πάνω σε ευαίσθητο, εξειδικευμένο υλικό χωρίς να παραβιάζουν τα όρια απομόνωσης. Παράλληλα, το σύστημα βασίζεται σε φορητά και ανοιχτά εργαλεία, ώστε να αξιοποιεί υπάρχουσες υποδομές αναζήτησης. Η έμφαση, επομένως, δεν είναι μόνο στην απόδοση του μοντέλου, αλλά στην ασφαλή πρόσβαση σε πραγματική εταιρική γνώση.
Πού υστερεί το παραδοσιακό one-shot RAG
Η κλασική λογική του one-shot RAG ανακτά ένα σταθερό σύνολο αποσπασμάτων και ζητά από το μοντέλο να απαντήσει σε ένα μόνο πέρασμα. Αυτή η μέθοδος αποδίδει όταν η απάντηση υπάρχει καθαρά μέσα στα πρώτα αποτελέσματα. Όμως γίνεται εύθραυστη όταν απαιτείται πλοήγηση σε μεγάλο έγγραφο, σύγκριση πολλών πηγών ή έλεγχος τεκμηρίων. Σε τέτοιες περιπτώσεις, η αρχική ανάκτηση συχνά δεν αρκεί.
Η Mistral εντοπίζει τρεις βασικές αδυναμίες. Πρώτον, το μοντέλο είναι αναγκασμένο να δουλέψει μόνο με ό,τι ανακτήθηκε αρχικά, ακόμη κι αν αυτό είναι ελλιπές ή άσχετο. Δεύτερον, τα κρίσιμα δεδομένα σε σύνθετα έγγραφα δεν χωρούν πάντα στη λογική των chunks, ειδικά όταν η σημασία εξαρτάται από τη θέση μέσα σε πίνακα ή από το περιβάλλον κείμενο. Τρίτον, δεν υπάρχει περιθώριο επανάληψης, δηλαδή για νέα αναζήτηση, άνοιγμα άλλου εγγράφου ή ακολούθηση παραπομπών όταν η πρώτη απόπειρα δεν επαρκεί.
Πώς λειτουργεί το Agentic Search
Το Agentic Search προσθέτει έναν πολυβηματικό βρόχο ανάκτησης πάνω σε ένα υπάρχον ευρετήριο αναζήτησης. Η Mistral δίνει στο μοντέλο πέντε εργαλεία που θυμίζουν λειτουργίες συστήματος αρχείων: search, open, navigate, read και grep. Με αυτά, το μοντέλο μπορεί να βρει σχετικά έγγραφα, να ανοίξει ένα συγκεκριμένο αρχείο, να μετακινηθεί σε σελίδα ή ενότητα, να διαβάσει το περιεχόμενο και να αναζητήσει μοτίβα μέσα σε ανοικτό έγγραφο. Η λογική είναι ότι το ευρετήριο δείχνει τις πιθανές πηγές, αλλά η λεπτομερής διερεύνηση γίνεται δυναμικά.
Σημαντικό στοιχείο είναι ότι η Mistral δεν παρουσιάζει αυτή την προσέγγιση ως εναλλακτική της ευρετηρίασης, αλλά ως επέκτασή της. Ένα καλά ρυθμισμένο ευρετήριο παραμένει η βάση, είτε πρόκειται για απλές αναζητήσεις είτε για πιο απαιτητικές ερωτήσεις. Η διαφορά είναι ότι, όταν το ερώτημα απαιτεί διερεύνηση της πηγής, το μοντέλο δεν σταματά στα αρχικά αποτελέσματα. Μπορεί να ελέγξει αποσπάσματα, να βελτιώσει το query και να καταλήξει σε τεκμηριωμένη απάντηση με σαφή αναφορά στο σημείο του εγγράφου.
Τα σενάρια όπου έχει περισσότερο νόημα
Η Mistral προτείνει το Agentic Search για υλικό μεγάλου όγκου και υψηλής πολυπλοκότητας. Στην κατηγορία αυτή ανήκουν οικονομικές καταστάσεις, συμβάσεις, τεχνικές προδιαγραφές, αναφορές και εγχειρίδια, όπου η σωστή απάντηση μπορεί να κρύβεται σε συγκεκριμένη σελίδα, υποσημείωση ή πίνακα. Χρήσιμο εμφανίζεται επίσης όταν το σύστημα πρέπει να συγκρίνει πολλά έγγραφα και να συμφιλιώσει στοιχεία από περισσότερες από μία πηγές. Σε τέτοια ερωτήματα, η δυνατότητα επανάληψης και ελέγχου των τεκμηρίων είναι ουσιώδης.
Αντίθετα, η ίδια η εταιρεία αναγνωρίζει ότι το one-shot RAG παραμένει επαρκές σε πιο απλές περιπτώσεις. Σύντομα και καθαρά έγγραφα, προβλέψιμες ερωτήσεις και αναζητήσεις υψηλού όγκου που απαιτούν μόνο σχετικές παραγράφους δεν χρειάζονται απαραίτητα πρακτορικό βρόχο. Αυτή η διάκριση έχει σημασία, επειδή δείχνει ότι η Mistral δεν προτείνει μία καθολική αντικατάσταση των υφιστάμενων μεθόδων. Προτείνει μια πιο σύνθετη διαδρομή όταν το ίδιο το πρόβλημα το απαιτεί.
Τι δείχνουν τα benchmarks FinanceBench και OfficeQA Pro
Η εταιρεία δημοσίευσε μετρήσεις από δύο γνωστά benchmarks, χρησιμοποιώντας την προεπιλεγμένη στοίβα του Mistral Search Toolkit, χωρίς επιπλέον ρύθμιση. Στο FinanceBench, που περιλαμβάνει 368 καταθέσεις SEC και 150 ερωτήσεις πάνω σε μεγάλα οικονομικά έγγραφα, αναφέρει άνοδο της ορθότητας έως και τριπλάσια. Συγκεκριμένα, η απόδοση ανεβαίνει από 26,7% σε 86% στα financial filings, ενώ η προσθήκη εργαλείων πλοήγησης δίνει πρόσθετο κέρδος ακρίβειας. Η Mistral σημειώνει επίσης ότι ο πλήρης βρόχος με navigation μειώνει τη χρήση tokens έως 33,7% και ρίχνει το p90 latency από 255 σε 154 δευτερόλεπτα.
Στο OfficeQA Pro, ένα δυσκολότερο benchmark με σαρωμένα PDFs πλούσια σε πίνακες από ιστορικά Treasury Bulletins, η βελτίωση παραμένει σημαντική. Η εταιρεία αναφέρει επίδοση 51,9% για το GLM-5.2, από 6,3% με one-shot RAG, δηλαδή κέρδος 45,6 ποσοστιαίων μονάδων. Για το Mistral Medium 3.5, η βελτίωση φτάνει τις 27,1 μονάδες. Το ενδιαφέρον εδώ είναι ότι η εταιρεία συνδέει τη μεγαλύτερη αξία του πρακτορικού βρόχου με πιο δύσκολα ερωτήματα, ειδικά εκεί όπου απαιτούνται αριθμητικές απαντήσεις μέσα από πίνακες και σαρωμένα έγγραφα.
Μοντελοκεντρική ή μοντελοαγνωστική προσέγγιση;
Ένα ακόμη στοιχείο της ανακοίνωσης είναι ότι τα εργαλεία δεν απαιτούν fine-tuning ή ειδική εκπαίδευση για κάθε μοντέλο. Κατά τη Mistral, όσο βελτιώνονται οι δυνατότητες reasoning και χρήσης εργαλείων των μοντέλων, τόσο βελτιώνεται και η ανάκτηση, χωρίς αλλαγή στην υποδομή. Αυτή η θέση είναι κρίσιμη, επειδή μεταφέρει μέρος της προόδου από το επίπεδο της ευρετηρίασης στο επίπεδο της χρήσης εργαλείων από το ίδιο το μοντέλο. Με άλλα λόγια, η ποιότητα της αναζήτησης δεν περιορίζεται αποκλειστικά από τη στρατηγική chunking.
Η εταιρεία τονίζει επίσης ότι τα αποτελέσματα παρατηρούνται τόσο σε δικά της μοντέλα όσο και σε third-party μοντέλα. Αυτό την οδηγεί στο συμπέρασμα ότι το Agentic Search είναι σε σημαντικό βαθμό model-agnostic. Για τις επιχειρήσεις, αυτή η παράμετρος έχει ιδιαίτερη σημασία, επειδή μειώνει το ρίσκο εξάρτησης από μία μόνο αρχιτεκτονική. Αν η προσέγγιση επιβεβαιωθεί και σε πραγματικές αναπτύξεις, θα μπορούσε να λειτουργήσει ως ουδέτερο επίπεδο ανάκτησης για διαφορετικές οικογένειες μοντέλων.
Διαθεσιμότητα και πρακτική υλοποίηση
Το Agentic Search είναι διαθέσιμο μέσω του Mistral Search Toolkit και των Libraries που είναι ενσωματωμένες στο Studio και το Vibe. Για γρήγορη δοκιμή, η εταιρεία προτείνει το Search Starter App, το οποίο δημιουργεί τοπικό ευρετήριο πάνω σε corpus του χρήστη με προεπιλεγμένη ρύθμιση. Έτσι, ένας οργανισμός μπορεί να δοκιμάσει τον βρόχο ανάκτησης χωρίς να χρειάζεται εξαρχής εξειδίκευση στη μηχανική αναζήτησης. Πρόκειται για μια πρακτική διαδρομή αξιολόγησης πριν από βαθύτερη προσαρμογή.
Όταν έρθει η ώρα για πιο σύνθετη υλοποίηση, η Mistral αναφέρει δυνατότητες για ρύθμιση ingestion, επιλογή parsers, chunking strategies, embedding models και extractors, καθώς και tuning σε indexing και ranking. Προσφέρει επίσης επιλογές επέκτασης της ανάκτησης με query rewriting, reranking ή hybrid retrieval. Συνολικά, η ανακοίνωση δείχνει ότι η εταιρεία επιχειρεί να τοποθετήσει το Agentic Search όχι ως απομονωμένο χαρακτηριστικό, αλλά ως κεντρικό κομμάτι της υποδομής document intelligence για επιχειρησιακά συστήματα AI.
