企業在構建人工智能系統時，往往面臨一個痛點：核心業務數據和專有知識由於涉及機密，通常被隔離在各種長篇密集文檔、金融申報文件、法律合同以及政府記錄之後。傳統的一次性檢索增強生成（RAG）由於只能檢索固定文本塊且缺乏推理迭代能力，面對這類結構複雜的長文檔和跨來源對比任務時往往力不從心。爲了解決這一行業難題，Mistral AI 正式推出了全新升級的 Agentic Search。該技術引入了多步驟檢索循環機制，不僅打破了傳統方法的侷限，還讓 AI 系統在處理企業級複雜文檔查詢時實現了質的飛躍。

五大核心工具協同，從“機械檢索”邁向“主動推理”

傳統 RAG 的核心缺陷在於“只檢索、不推理、無法迭代”，模型必須根據初次命中的碎片化文本硬着頭皮作答。而 Agentic Search 構建在企業現有的搜索索引之上，爲模型賦予了五個類似於常見文件系統操作的核心工具：

  • search（搜索）：在整個語料庫中查找相關初始文檔。
  • open（打開）：精準開啓特定的目標文檔。
  • navigate（導航）：直接移動到文檔中的某一頁、某一節或特定區域。
  • read（讀取）：檢索並獲取目標位置的具體內容。
  • grep（模式匹配）：在已打開的文檔中查找特定的模式。

通過這一套組合拳，模型不再受限於傳統的分塊粒度。它可以在回答前主動檢查找到的內容、優化搜索策略、深入查閱底層證據，甚至在多份文檔間進行對比覈對，從而讓檢索質量隨着模型自身推理能力的提升而水漲船高。

顯著的性能提升與多場景驗證

在實際行業基準測試中，Agentic Search 展現出了極強的落地實力與數據爆發力：

  • FinanceBench 金融問答測試：基於 368 份平均約 147 頁的複雜 SEC 文件測試顯示，引入僅搜索循環後，模型準確率直接提升了約 3 倍；加入完整的導航工具鏈後，準確率最高可飆升至 86%，同時 p90 延遲顯著下降，token 消耗也減少了高達三分之一。
  • OfficeQA Pro 財政部公報測試：面對包含 696 份掃描版、表格密集型政府金融 PDF 的高難度基準，完整閉環的智能體搜索使模型的準確率實現了突破性增長，充分證明了其應對深層表格與結構化數值查詢的能力。

此外，Agentic Search 能夠完美適配雲端和本地部署需求，無論是內置於 Studio 和 Vibe 的 Libraries 中，還是通過 Mistral Search Toolkit 集成到客戶自建的工作流中，它都爲企業釋放敏感領域數據價值、打造高精度檢索系統提供了強有力的底層支撐。