标题：谷歌多智能体协作搜索，企业知识库准确率提升34%

摘要：Google Research与Google Cloud联合推出基于多智能体架构的Agentic RAG框架，通过任务分解、跨语料库搜索与上下文本检查，将企业级查询准确性提升34%，重新定义复杂知识库问答技术标准。

在大型语言模型（LLM）落地企业的过程中，检索增强生成（RAG）一直是缓解幻觉、提升事实准确性的核心路径。然而，传统RAG在面对跨多个数据源、需要多跳推理的复杂企业查询时，往往暴露出信息碎片化、上下文不完整等问题。Google Research与Google Cloud近期发布的Agentic RAG框架——基于Gemini Enterprise Agent Platform构建——正是针对这一痛点推出的系统性解决方案。

该框架的核心创新在于提出“跨语料库检索”（Cross-Corpus Retrieval）的多智能体工作流。具体而言，系统不再一次性对用户查询进行单一检索，而是引入了一个由规划器、重写器、路由器和检查器组成的智能体集合。当收到复杂问题——例如“对比Q1与Q2各区域销售数据并分析市场趋势”——规划器首先将其拆解为多个可独立执行的子任务，重写器则对各子查询进行语义优化，路由器将其分发至最相关的数据源（如销售数据库、市场报告、技术文档等）。

与标准RAG不同，这套框架引入了“足够上下文”检查机制：系统会在每次迭代后评估当前收集的信息是否足以生成可靠答复，若不足以支持，则启动下一轮或跨轮次检索，直到确认上下文完整度达标。这种设计有效消除了传统RAG中“弱连接”或“信息断裂”导致的错误推理。

从实测数据看，在事实性数据集上，该框架的准确率相比标准RAG提升高达34%；在多个领域特定内部数据集测试中，其接地性与推理准确性也表现出显著优势。这一提升不仅归功于多智能体协作的精细度，更源于将检索与评估解耦所构建的反馈闭环，使得模型能够自主判断“何时停止搜索、何时生成答案”。

对于知识库问答系统的产品经理和架构师而言，这一技术动向释放了一个明确信号：下一代RAG将不再是被动检索工具，而是具备元认知能力的主动信息顾问。工程落地的关键将聚焦于智能体间的信号传递效率、“足够上下文”阈值的调优，以及跨数据源权限管理的复杂性。未来，随着Gemini Enterprise Agent Platform进一步开放，基于强化学习的查询策略优化，可能会替代当前基于规则的规划逻辑，将RAG的准确率与适应性推向新高度。