Google 推出 Agentic RAG 框架 提升企業 AI 回答準確度
發布時間:
Google Research 與 Google Cloud 於 2026 年 6 月 5 日共同宣布推出 Agentic RAG（Agentic Retrieval-Augmented Generation）框架，這是 Gemini Enterprise Agent Platform 的重要新功能。相較傳統單步 RAG，Agentic RAG 透過多代理協作、查詢規劃與迭代檢索，能有效處理企業環境中常見的複雜、多來源、多跳（multi-hop）查詢，大幅提升回答的可靠度與準確性。
傳統 RAG 的痛點
傳統 RAG 系統在面對簡單問題時表現良好，但企業實際工作流程中常遇到資訊分散在多個資料庫、文件或系統的情況。例如查詢「Project X 使用的伺服器規格」，傳統系統可能只找到專案文件提到伺服器 ID，卻無法進一步跨庫查詢規格，最終導致回答不完整或「找不到資料」。
Agentic RAG 的核心創新
Google 的 Agentic RAG 將系統設計成一個「有組織的研究部門」，包含多個專責代理：
- Orchestrator（協調者）：判斷查詢複雜度並分配任務
- Planner Agent（規劃代理）：制定資訊查詢路徑
- Query Rewriter（查詢重寫代理）：將複雜問題拆解成多個精準搜尋查詢
- Search Fanout Agent（搜尋分發代理）：平行查詢多個資料來源
- Sufficient Context Agent（充分情境代理）：這是 Google 的關鍵創新，負責檢查已蒐集資訊是否足夠，若不足則觸發迭代繼續搜尋，直到情境完備才產生最終回答
實測表現亮眼
根據 Google 在 FramesQA 基準測試的結果：
- 在跨語料庫（Cross-Corpus）情境下，Agentic RAG 準確度相較傳統 Vanilla RAG 提升高達 34%
- 即使需在 4 個不同資料來源中選擇正確語料，仍能達到 90.1% 的正確率
- 在單一語料庫與跨語料庫情境下，延遲差異極小（平均 3% 以內）
實際應用情境
以醫療為例，醫師詢問「John Doe 膝關節手術後的出院用藥、飲食限制，以及住院期間是否有過敏反應」，系統會自動分解任務、跨不同醫療記錄查詢，並透過 Sufficient Context Agent 確認是否遺漏過敏資訊，若有則自動補搜，直到完整為止。
此 Agentic RAG 功能已以 公開預覽 形式整合至 Gemini Enterprise Agent Platform，企業客戶可透過 Google Cloud 使用 Cross-Corpus Retrieval 功能。 Google Research 表示，這項技術是通往更可靠企業級 AI 代理的重要一步，未來將持續優化多代理協作與可稽核性（auditability），讓生成式 AI 在真實商業環境中更值得信賴。