Mistral Agentic Search помогает компаниям получать от AI-систем более точные и проверяемые ответы. Вместо того чтобы ограничиваться несколькими найденными фрагментами, модель может искать, открывать, изучать и сверять сведения в сложных корпоративных документах — независимо от того, где они хранятся. Решение доступно через Mistral Search Toolkit, встроено в Libraries для Studio и Vibe.

По сути, это не очередной поиск «по кусочкам текста». Agentic Search добавляет многошаговый цикл извлечения: AI сначала находит вероятные источники, затем углубляется в документы, уточняет запрос, читает нужную страницу или таблицу и лишь после этого формирует ответ. Для бизнеса, который внедряет AI-агентов и автоматизацию, такой подход особенно полезен: агент получает доступ к знаниям организации, но не превращает поиск в лотерею.

• Работа с чувствительными отраслевыми данными. Портативные открытые инструменты Mistral позволяют извлекать пользу из данных, не выводя их за периметр изолированного облака или локального контура.

• Более качественный поиск. Модель исследует информацию не только внутри извлечённых чанков, но и в длинных документах, таблицах, сносках и связанных источниках.

• Использование существующих индексов. Agentic Search работает поверх имеющегося поискового индекса и даёт модели пять инструментов: search, open, navigate, read и grep.

• Рост точности. В FinanceBench корректность ответов на финансовые вопросы выросла почти втрое: с 26,7% до 86%. В OfficeQA Pro, где нужно разбираться в таблицах и нескольких документах, прирост составил до 45,6 процентного пункта — с 6,3% до 51,9%.

• Меньше задержки и расход токенов. Адресная навигация может сократить p90-задержку на 39,6%, а уменьшение числа повторных запросов снижает потребление токенов примерно до трети.

Данные — это конкурентное преимущество

Преимущество компании складывается годами: из операционных процессов, накопленной экспертизы, финансовых документов, договоров, регламентов и внутренних баз знаний. Именно эти данные часто оказываются самыми ценными — и самыми закрытыми. Они живут в сегментированных контурах, частных облаках и локальных развёртываниях, в отчётах на сотни страниц, сканированных PDF, юридических приложениях и таблицах. Обычный поиск на такой территории быстро начинает буксовать.

AI-агенты способны заметно усилить это преимущество, но только если могут безопасно работать с корпоративными знаниями. Здесь важны и продуманная архитектура агентного контура вокруг ваших хранилищ, и контроль доступа, и понятные правила обработки данных. Одних сильных моделей недостаточно: им нужны инструменты, позволяющие обращаться к первоисточникам аккуратно, по делу и в рамках заданного контура.

Почему традиционный RAG не всегда справляется

Классический однопроходный RAG извлекает фиксированное число текстовых фрагментов и предлагает модели ответить на их основе за один шаг. Для коротких, прямых запросов схема вполне рабочая. Но она ломается, когда нужно пройти по длинному отчёту, найти конкретную таблицу, сопоставить несколько документов, перейти по внутренней ссылке или проверить исходное доказательство.

Нужная информация нередко разбросана по нескольким источникам или спрятана в примечании к отчётности. Иногда правильный документ найден, а правильная строка в нём — нет. И вот тут однопроходный RAG уже не герой дня.

• Извлечение без рассуждений. Модель вынуждена отвечать по фрагментам, выбранным в начале, даже если они неполные либо не по теме. Она не может решить, что сначала стоит открыть другой документ или прочитать соседний раздел.

• Ограничение чанком. Критичные данные часто находятся в мультимодальных документах. Например, индекс может найти отчёт с ответом на вопрос об эффективной налоговой ставке за III квартал, но не сможет самостоятельно перейти к нужной таблице и проверить контекст.

• Нет итеративности. Сложный вопрос иногда требует нескольких попыток: переформулировать запрос, изучить перспективный документ, сравнить источники, отследить уже просмотренное и сменить маршрут, если первый след оказался ложным.

Как работает Agentic Search

Mistral Search Toolkit предоставляет открытые компоненты для загрузки данных, создания эмбеддингов и индексации сложных информационных массивов — в облаке или локально. Поверх такого индекса Agentic Search предлагает модели пять действий, похожих на привычную работу с файловой системой:

• search ищет релевантные документы по всему корпусу через существующий индекс.

• open открывает выбранный документ.

• navigate переходит к странице, разделу или конкретной области документа.

• read извлекает содержимое из выбранного места.

• grep ищет заданный шаблон в открытом документе.

Модель не обязана строить ответ лишь по первоначальному набору первых k результатов. Она может проверить найденное, уточнить запрос, открыть нужный файл, перейти к определённому разделу и прочитать первоисточник. Индекс указывает, где вероятнее всего лежит ответ; Agentic Search помогает разобраться, что именно нужно изучить — внутри документа и между документами.

Однопроходный RAG

Agentic Search

Эти инструменты не требуют дообучения модели или отдельной настройки под каждый сценарий. По мере развития моделей, их способности рассуждать и пользоваться инструментами качество извлечения тоже растёт — без перестройки всей инфраструктуры. В этом и фокус: поиск масштабируется вместе с интеллектом модели, а не упирается в однажды выбранную схему нарезки на чанки.

Когда стоит использовать Agentic Search

• Длинные документы. Финансовая отчётность, договоры, инструкции, технические спецификации и регламенты, где ответ может находиться на конкретной странице, в таблице, рисунке или сноске.

• Вопросы по нескольким источникам. Исследовательские задачи, в которых нужно найти, сопоставить и согласовать доказательства из разных документов.

• Ответы, требующие проверки. Финансовые показатели, юридические нормы, нормативные ссылки и операционные данные, для которых важна привязка к точному месту в первоисточнике.

• Таблицы и структурированные документы. Сканированные PDF, государственные записи и отчётность, где смысл зависит не только от текста, но и от расположения строк, столбцов и окружающего контекста.

Когда достаточно индексированного извлечения

• Простой поиск. Короткие понятные документы, где ответ, скорее всего, есть в первых извлечённых фрагментах.

• Высокообъёмный поиск. Поиск по ключевым словам или семантический поиск, когда нужно вернуть релевантные фрагменты без дальнейших рассуждений.

• Предсказуемые вопросы. Сценарии, где источник и место ответа известны заранее, а дополнительные шаги ничего заметно не улучшат.

Для таких задач однопроходного RAG обычно хватает. Agentic Search стоит подключать там, где агенту нужно выйти за пределы первых результатов и самостоятельно изучить исходные материалы. Хороший индекс всё равно остаётся фундаментом — без него никуда.

Более релевантные результаты, меньше ожидания

Mistral протестировала Agentic Search на двух отраслевых бенчмарках, используя базовый стек Mistral Search Toolkit: стандартное разбиение на чанки, стандартное ранжирование и без дополнительной настройки. Поэтому результаты стоит рассматривать скорее как нижнюю границу возможностей. При адаптации к конкретному корпоративному сценарию потенциал может быть выше.

В тестах использовались Mistral Medium 3.5 (MM 3.5) и Z.ai GLM-5.2 (GLM-5.2). Обе модели показали один и тот же общий паттерн: агентный цикл повышает качество ответов, а навигационные инструменты снижают число лишних шагов, расход токенов и задержку. Это важный сигнал для команд, которые проектируют агентные контуры с собственным набором инструментов: ценность даёт не только выбор модели, но и среда инструментов, в которой она действует.

FinanceBench: 368 документов SEC и 150 вопросов

FinanceBench (Islam et al., 2023) оценивает ответы на финансовые вопросы по 368 документам SEC — 10-K, 10-Q и 8-K. В среднем это около 147 страниц на документ, всего примерно 53 900 страниц. Корпус длинный, плотный и насыщенный таблицами; ответы проверяет LLM-судья, откалиброванный по человеческой разметке.

• Агентный цикл только с поиском — главный драйвер качества. Переход от однопроходного RAG к итеративному поиску повысил точность на 47,3 п.п. для MM 3.5 и на 52,6 п.п. для GLM-5.2 — примерно втрое в обоих случаях.

• Навигация даёт дополнительный прирост. Добавление open, navigate, read и grep увеличило точность ещё на 8,7 п.п. для MM 3.5 и на 6,7 п.п. для GLM-5.2.

• Токенов требуется меньше. Полный цикл с навигацией ответил правильно на большее число вопросов, но использовал меньше токенов, чем цикл только с поиском: на 23,9% меньше у MM 3.5 и на 33,7% меньше у GLM-5.2.

• Снижается задержка. В FinanceBench p90-задержка сократилась с 255 до 154 секунд, а средняя — со 108 до 71 секунды. Вместо повторных широких поисков модель быстрее выходит на нужное доказательство.

OfficeQA Pro: 696 бюллетеней Treasury и 133 вопроса

OfficeQA Pro — проверяемый числовой бенчмарк на исторических бюллетенях Казначейства США. Это 696 сканированных финансовых PDF и около 89 000 страниц, заполненных таблицами. Ни лёгкой прогулки, ни красивых упрощений: в результатах представлен первый проход по подмножеству Pro из 133 вопросов.

• Агентный поиск справляется со сложными проверяемыми задачами. Полный цикл заметно превзошёл однопроходный RAG: GLM-5.2 достиг 51,9% точности, что на 45,6 п.п. выше исходного результата; MM 3.5 улучшился на 27,1 п.п.

• Навигация повышает качество и уменьшает потери ресурсов. Полный цикл увеличил точность на 35,6% для MM 3.5 и на 19,0% для GLM-5.2 относительно варианта только с агентным поиском, одновременно сократив потребление токенов и число шагов.

• Чем запутаннее документы, тем ценнее итеративное извлечение. В сканированных PDF с глубоко вложенными таблицами однопроходный RAG едва начинает работать, тогда как агентный цикл может искать, изучать и проверять найденное.

• Инструментальный стек имеет значение. По данным исследования Kimi, GLM-5.2 получил 41,4% в OfficeQA Pro с обвязкой Claude Code и 51,9% с обвязкой Mistral: разница составила 10,5 п.п. при одной и той же базовой модели.

Начало работы с Agentic Search

Подробности доступны в документации Agentic Search. Решение можно использовать и в облачных, и в локальных развёртываниях. Для корпоративных систем особенно важно заранее определить права доступа, журналы действий, требования к хранению данных и правила проверки ответов — то есть заложить контроль доступа и аудит действий агента не после запуска, а в саму архитектуру.

• Mistral Search Toolkit. Подходит для интеграции Agentic Search в собственных агентов, рабочие процессы и клиентские развёртывания.

• Libraries. Позволяет использовать Agentic Search в Studio и Vibe без самостоятельной разработки системы извлечения.

Самый быстрый способ проверить Search Toolkit — запустить Search Starter App. Приложение создаёт локальный индекс по вашему корпусу с конфигурацией по умолчанию, поэтому начать можно без глубокой экспертизы в поисковых системах. А дальше — по мере необходимости — настраиваются загрузка данных, стратегии чанкинга, модели эмбеддингов, ранжирование, гибридный поиск и повторное ранжирование. Маленькими шагами, но уже на реальных данных компании.

Агентный поиск упирается не в модель, а в то, как устроены ваши документы и права на них. Настроим агентную память и поиск по вашим корпоративным документам — на вашем контуре, с журналами действий и проверяемыми ответами.