Google：面向 Gemini Enterprise 的 Agentic RAG——90.1% 的准确率与高达 34% 的事实性提升

Google Research 与 Google Cloud 于 2026 年 6 月 5 日为 Gemini Enterprise Agent Platform 推出了一个多智能体 RAG 框架，其核心创新是 Sufficient Context Agent——一个评估检索到的上下文是否足以给出可靠回答的组件。在一项高难度基准上，该框架取得了 90.1% 的准确率，并显著提升了事实性。

什么是 RAG，它为什么重要？

RAG（retrieval-augmented generation，检索增强生成）是一种技术，模型在组织回答之前会从知识库中检索相关文档。模型不再仅仅依赖它在训练期间所学到的内容，而是将回答建立在具体的来源之上。

由此带来双重好处：减少了模型臆造事实的倾向，并提升了回答的事实性。在回答必须建立在公司内部文档之上的商业环境中，RAG 尤为重要。

Sufficient Context Agent 是如何工作的？

相比经典 RAG 的最大飞跃在于 Sufficient Context Agent。它的任务是评估检索到的上下文是否真的足以据此给出可靠的回答。如果该智能体判定上下文不充分，它会启动迭代式检索，而不是返回一个不完整的回答。

这一机制解决了标准 RAG 的一个常见弱点：即便检索到的材料并未完全覆盖问题，模型仍会作答。迭代式方法使系统能够在形成最终回答之前收集更多信息。

该架构由哪些智能体组成？

该框架被组织为一组专门化的智能体。其中包括 Orchestrator（协调器）、Planner（规划器）、Query Rewriter（查询改写）、Search Fanout（检索扇出）以及 Synthesis 智能体（回答合成）。

每个智能体承担清晰界定的角色，它们共同构成一条流水线：分解查询、规划检索、必要时改写查询，最终合成回答。这种分工使得对处理每一步的控制更加精确。

在 FramesQA 基准上的结果如何？

该框架在涵盖 824 个查询、跨越 2,676 份 PDF 文档的 FramesQA 基准上接受了测试。在需要关联多个来源信息才能作答的 cross-corpus 场景中，它取得了 90.1% 的准确率。

相比标准 RAG，该框架带来了高达 34% 的事实性提升。与此同时，延迟的增长保持在平均 3% 以内，这意味着质量上的收益是在不显著拖慢回答的情况下取得的。

这对企业用户意味着什么？

对于希望获得建立在自身文档之上的可靠回答的公司而言，高准确率与提升的事实性、再加上极小的延迟增长，构成了一项实用的进步。该系统作为 public preview 在 Gemini Enterprise Agent Platform 内提供，Google 由此让企业用户能够在真实条件下进行试用。

Sufficient Context Agent 带来了特殊的价值，它降低了系统基于残缺信息作答的风险。在企业语境中，错误的回答可能带来真实的后果，因此系统识别何时数据不足、并继续检索而非进行猜测的能力，与准确率本身同等重要。由此，Agentic RAG 瞄准的是可靠性，而这正是在业务流程中认真应用的前提。