经过数据库训练的人工智能代理与Claude和GPT相匹配-5.6 Luna的回答质量-只需一半的时间

每个搜索文档库的代理都必须在回答问题之前决定搜索多少次。 大多数代理搜索工具强制在两种故障模式之间做出选择。过早停止的搜索会错过需要跨文档多次推理的问题。永不提前停止的搜索对每个查询运行相同数量的步骤，包括不需要超过一个的简单步骤。 引入数据库 指示寻回犬 今年1月，Databricks表示，在复杂、大量描述的企业问题上，使用元数据推理来解决这一问题的架构比传统RAG高出70%。该系统是为精心策划的工作空间而构建的，团队在其中定义了一组特定的、更小的文档和表格，供检索者搜索。这个范围一直存在，直到Databricks将相同的大型语言模型连接到整个企业工作空间，而不是精心策划的工作空间。 在本周发表的研究中，Databricks引入了自适应指令检索器，这是一种检索模型，用于确定搜索在运行之前需要多少步骤。区别在于模型何时决定停止。Databricks表示，该模型与Claude Sonnet 5，GPT-5.6 Luna和DeepSeek-V4-Flash的质量相匹配，而回答速度是前者的两倍多，平均为5.8秒。在研究的一个基准示例中，它匹配了Sonnet对客户帐户问题的两步搜索，同时返回了50%的高召回率。这些基准数据来自Databricks自己的测试，尚未经过独立验证。 Databricks研究总监Michael Bendersky告诉VentureBeat：“最初的指令检索器工作流程非常固定，与查询计划更相似，因为我们固定了代理如何调用检索系统的结构。”“在这项特定的工作中，我们从这种方法转向一种更具适应性的方法，即代理人适应问题并根据问题更改计划。" 传统的日期

注：以上内容摘选自原始新闻，点击「访问原文」查看完整内容。