Google 的 Agentic RAG：在 AI 不知道自己不知道这件事上，加了一个质检员。

传统 RAG 有个根本缺陷：它只搜一次。问"Project X 用的服务器规格"，文档里只有服务器 ID，规格在另一个数据库——系统直接返回"未找到"，因为它不知道还需要再搜一步。

Google 在 Gemini Enterprise Agent Platform 上发布的 Agentic RAG，本质是把"检索"变成一个会迭代的研究流程。

1. 多 Agent 分工
整个系统有五个角色：
- Orchestrator 解析请求；
- Planner 规划信息路径；
- Query Rewriter 把问题拆成多个具体 query；
- Search Fanout Agent 并行发给多个数据源；
- Synthesis Agent 写最终答案。
这套架构其实和其他 multi-agent RAG 框架差不多，关键差异在下面这个。

2. 核心创新：Sufficient Context Agent（质检员）
这是 Google 最重要的贡献。它做三件事：
1）读实际检索到的 snippets，看信息是否齐全
2）让模型先起一个草稿，检查草稿有没有回答所有子问题
3）识别具体缺口，生成 Feedback——不是说"信息不足"就停，而是输出："找到了用药和饮食，但缺过敏反应记录，请搜 rashes 或 adverse events"

这个 Feedback 直接喂给 Query Rewriter，触发下一轮检索，直到信息完整为止。
本质上是：系统终于知道自己什么时候不知道，而不是瞎猜或沉默。

3. 实验结果
测试集用的是 FramesQA（824 个多跳问题），对比 Vanilla RAG，准确率提升最高 34%。
更值得关注的是跨语料库场景——企业里各团队各管各的数据库，这种情况下 Planner Agent 需要先判断去哪个库搜。测试结果是 90.1% 的问题回答正确，延迟只多了 3%。

4. 为什么这件事重要
企业用 RAG 最头疼的不是找不到信息，是找到了一半就生成答案，然后用户不知道答案是残缺的。Sufficient Context Agent 在流程里加了一道显式的"完整性验证"，这比事后做 hallucination 检测要更根本。

原文：research.google/blog/unlocking-dependable-responses-with-gemini-enterprise-agent-platforms-agentic-rag

#HOW I AI# #程序员#