Mistral wprowadza Agentic Search dla dokładniejszych wyników w systemach AI

Firma Mistral oficjalnie zaprezentowała rozwiązanie Agentic Search – nową warstwę odzyskiwania informacji (retrieval), zaprojektowaną z myślą o podniesieniu precyzji i wydajności modeli sztucznej inteligencji operujących na złożonych zbiorach danych korporacyjnych. Ogłoszone 20 sierpnia 2026 roku narzędzie rozwiązuje strukturalne ograniczenia tradycyjnego podejścia one-shot RAG (Retrieval-Augmented Generation), zastępując jednorazowe pobieranie fragmentów tekstu autonomiczną, wielokrokową pętlą inspekcji, nawigacji i weryfikacji źródeł.

Technologia została udostępniona w ramach pakietu Mistral Search Toolkit oraz zintegrowana z Libraries w platformach Studio i Vibe. Pozwala ona modelom językowym na bezpośrednie przeszukiwanie gęstych raportów, tabel oraz dokumentacji bez konieczności opuszczania bezpiecznych granic izolacji w chmurze lub instalacjach on-premises.

Dlaczego tradycyjny one-shot RAG zawodzi w analizie złożonych dokumentów

Klasyczne architektury RAG działają w trybie jednoprzebiegowym: po wpisaniu promptu system przeszukuje indeks, wybiera stałą liczbę wycinków tekstu (chunks) i przekazuje je do modelu, oczekując natychmiastowej odpowiedzi. Choć metoda ta sprawdza się przy prostych pytaniach i krótkich dokumentach, załamuje się w środowisku korporacyjnym, gdzie kluczowe informacje są rozproszone w wielostronicowych sprawozdaniach finansowych, umowach prawnych czy specyfikacjach technicznych.

Mistral wskazuje na trzy fundamentalne bariery jednoprzebiegowego RAG:

• Retrieval without reasoning: Model musi wygenerować odpowiedź wyłącznie na podstawie wstępnie pobranych fragmentów, nawet jeśli są one niepełne lub nieadekwatne. Nie może zadecydować o sięgnięciu po inny dokument czy doczytaniu sąsiedniego rozdziału.
• Chunk-level limit: Sztywne cięcie tekstu na fragmenty gubi kontekst w dokumentach wielomodalnych. System potrafi zlokalizować właściwy plik, lecz nie jest w stanie otworzyć go na odpowiedniej stronie, zinterpretować struktury tabeli czy powiązać danych z przypisami.
• No iteration: Wiele złożonych problemów wymaga wieloetapowego dochodzenia do faktów. Tradycyjny RAG nie pozwala modelowi na doprecyzowanie zapytania, podążanie za odnośnikami ani zmianę ścieżki poszukiwań po napotkaniu błędnych wyników.

Pięć operacji systemowych w Mistral Search Toolkit

Rozwiązaniem tych problemów w Agentic Search jest wyposażenie modeli w zestaw pięciu precyzyjnych narzędzi inspekcyjnych, przypominających standardowe operacje w systemach plików:

1. search – przeszukuje istniejący indeks korporacyjny w celu wytypowania potencjalnych dokumentów źródłowych,
2. open – otwiera wskazany dokument,
3. navigate – przenosi kontekst do konkretnej strony, sekcji lub określonego regionu w pliku,
4. read – odczytuje pełną zawartość wybranego fragmentu,
5. grep – wyszukuje zadane wzorce tekstowe wewnątrz otwartego dokumentu.

Dzięki temu model nie zgaduje na podstawie wyizolowanych wycinków, lecz dynamicznie bada dokument: lokalizuje właściwy rocznik, przechodzi do konkretnej tabeli i weryfikuje liczby przed sformułowaniem wniosków. Mechanizm ten nie wymaga dostrajania wag modelu (fine-tuning) – jakość wyszukiwania rośnie automatycznie wraz z ogólnym rozwojem zdolności rozumowania modeli.

Weryfikacja w benchmarkach: wyniki na FinanceBench i OfficeQA Pro

Skuteczność Agentic Search została zweryfikowana w testach porównawczych na dwóch wymagających zestawach danych: FinanceBench oraz OfficeQA Pro. Do ewaluacji wykorzystano mniejszy model Mistral Medium 3.5 (MM 3.5) oraz większy Z.ai GLM-5.2 (GLM-5.2).

FinanceBench (Islam et al., 2023) obejmuje 150 pytań opartych na 368 sprawozdaniach finansowych SEC (formularze 10-K, 10-Q, 8-K) o łącznej objętości ok. 53 900 stron (średnio ~147 stron na dokument). W ogólnym ujęciu technologia Agentic Search podniosła poprawność odpowiedzi z 26,7% do 86%, co stanowi ponad trzykrotną poprawę.

Dane: Mistral AI (FinanceBench)

Wprowadzenie narzędzi nawigacyjnych przełożyło się także na istotny spadek opóźnień: latencja na poziomie p90 spadła z 255 s do 154 s (redukcja o 39,6%), a średni czas odpowiedzi skrócił się z 108 s do 71 s. Zamiast ponawiać szerokie, kosztowne zapytania, model precyzyjnie dociera do poszukiwanej sekcji.

Jeszcze bardziej wymagającym sprawdzianem okazał się benchmark OfficeQA Pro, składający się ze 133 pytań liczbowych zadawanych do bazy 696 zeskanowanych biuletynów U.S. Treasury Bulletins (~89 000 stron gęstych tabel rządowych). W tym środowisku jednoprzebiegowy RAG okazał się niemal bezużyteczny (6,3% dla GLM-5.2), podczas gdy pełna pętla agentowa z nawigacją wywindowała wynik modelu GLM-5.2 do 51,9% (wzrost o +45,6 punktu procentowego), a dla MM 3.5 zapewniła przyrost o +27,1 punktu procentowego. Warto odnotować, że GLM-5.2 testowany na uprzęży Claude Code uzyskał w OfficeQA Pro wynik 41,4%, podczas gdy na stosie narzędziowym Mistral Search Toolkit osiągnął 51,9% (+10,5 punktu procentowego na tym samym modelu bazowym).

Bezpieczeństwo danych poufnych i integracja infrastrukturalna

Wdrożenie zaawansowanych systemów wyszukiwania w przedsiębiorstwach wiąże się z rygorystycznymi wymogami ochrony tajemnicy przedsiębiorstwa. Podobnie jak w przypadku zabezpieczeń warstwy generatywnej i integracji wyspecjalizowanego modelu Shieldstral od Mistral, Agentic Search kładzie nacisk na suwerenność i izolację danych.

Architektura Mistral Search Toolkit umożliwia uruchomienie całego stosu wyszukiwawczego wewnątrz odizolowanych środowisk klienta. Organizacje mogą rozpocząć testy od narzędzia Search Starter App, które konfiguruje lokalny indeks dla własnego korpusu dokumentów. W środowiskach produkcyjnych platforma pozwala na zarządzanie schematami silnika Vespa, dobór dedykowanych parserów, modeli embeddingowych oraz rozbudowę potoku o przepisywanie zapytań (query rewriting), reranking i wyszukiwanie hybrydowe.