智能体搜索：AI系统更精准高效的结果

Mistral发布Agentic Search：让AI在复杂文档中自主“翻找”答案，准确率最高提升3倍 8月20日，法国AI大模型公司Mistral推出了一款名为Agentic Search的检索层产品，旨在解决传统RAG（检索增强生成）在应对长文档、多表格、跨来源信息时“力不从心”的痛点。根据官方公布的基准测试数据，在金融文件问答基准FinanceBench上，该产品的准确率从26.7%跃升至86%，提升超过3倍；而在以表格密集和多文档问题著称的OfficeQA Pro基准上，得分从6.3%大幅提升至51.9%，增长了45.6个百分点。与此同时，通过精准导航，其p90延迟降低了39.6%，重复搜索的减少也让token消耗最多节省了三分之一。 Agentic Search的核心逻辑，是让AI模型不再像传统RAG那样“一次性”抓取固定文本块后直接作答，而是引入了一个多步骤的检索循环。它赋予了模型五个工具：search（搜索）、open（打开）、navigate（导航）、read（读取）和grep（正则匹配）。这意味着，当模型面对一份数百页的财报或一份复杂的法律合同时，它可以自主决定先搜索哪个索引，打开文档后定位到具体表格，读取上下文，甚至用grep去精确匹配某个条款，最后再验证答案的可靠性。这套流程让模型具备了“翻找”和“核对”的能力，而非仅仅依赖首次检索的粗糙结果。 Mistral指出，传统的一次性RAG在三种情况下会明显失灵：一是检索与推理脱节，模型只能基于初始抓取的片段作答，即使这些片段不完整或无关；二是受限于文本块级别，无法处理包含表格、脚注等复杂模态的文档，比如当被问到“公司第三季度的有效税率是多少”时，索引可能找到了正确的文件，但模型却无法打开文件、导航到表格并核实答案；三是缺乏迭代能力，无法在回答过程中根据新发现的信息调整检索策略。这些问题在金融申报文件、法律合同、政府记录等长而密集的文档中尤为突出。 对于企业而言，Agentic Search的价值在于它能够安全地触达那些被隔离在云环境或本地部署中的敏感数据。Mistral强调，其工具是便携且开放的，企业无需跨越隔离边界就能从自有数据中挖掘价值。同时，Agentic Search构建在现有的搜索索引之上，这意味着企业无需推翻已有的数据基础设施，就能让AI系统获得更强的检索能力。对于跨境电商卖家和出海企业来说，这意味着在处理多语言合同、供应商条款、税务文件等复杂资料时，AI助手能够给出更可靠、更可验证的答案，而不仅仅是“看起来合理”的拼凑内容。目前，Agentic Search已通过Mistral Search Toolkit提供，并集成在Studio和Vibe的Libraries中。