Agentic RAG with Cross-Corpus Retrieval
Google Gemini Enterprise Agent Platform 的 Agentic RAG 架構，於 2026-06-05 發布公開預覽版。核心創新在於 Sufficient Context Agent（充分上下文檢查機制），使系統能夠感知資訊缺口並主動迭代搜尋，解決跨資料來源的多跳查詢問題。
核心架構
多代理（Multi-Agent）管線
Agentic RAG 包含五個階段：
- Orchestration（編排）：Root Agent 解析複雜請求，委派給子代理
- Search（搜尋）：RAG Agent 對所有查詢同時搜索
- Sufficient Context Check（充分上下文檢查，核心創新）：Sufficient Context Agent 從三個面向評估 — 檢索片段、中間草稿、缺失分析
- Iteration（迭代）：發現缺失後，Query Rewriter 產生新的精確搜索查詢，RAG Agent 深入搜索被忽略的文件
- Synthesis（合成）：檢查通過後，Synthesis Agent 撰寫最終回答
Sufficient Context Agent（充分上下文代理）
這是 Google 版本與其他多代理 RAG 框架的關鍵差異：
- 不只是判斷「資訊是否充足」，而是生成具體的 Reason（原因） 和 Feedback（反饋） 日誌
- 指出「找到了什麼」vs.「缺少什麼」，並指引下一步搜索方向
- 防止 AI 在首次搜尋不足時「猜測」或直接回報「找不到」
角色分工
| 代理角色 | 功能 |
|---|---|
| Orchestrator | 評估複雜請求，拆分任務 |
| Planner Agent | 規劃資訊路徑（先查哪個資料庫，再查哪個） |
| Query Rewriter | 將原始查詢拆解為多個精確搜索查詢 |
| Search Fanout Agent | 將查詢發送到不同檢索來源 |
| RAG Agent | 執行實際檢索 |
| Sufficient Context Agent | 檢查上下文完整性，產生缺失分析與迭代指令 |
| Synthesis Agent | 整合所有資訊，產出最終答案 |
評估結果
- 數據集：FramesQA（824 條查詢，2,676 份 PDF 文件）
- 跨語料庫設定（4 個資料來源）：90.1% 準確率，幾乎等同於單一語料庫的水準
- 延遲：單一語料庫與跨語料庫版本差異在 3% 以內
- 與標準 RAG 比較：準確率提升最高 34%
實際案例
多跳查詢範例：「截至 2024 年 6 月，收視率最高的兩部電視劇季終集中，哪一集的時長最長？長多少？」
Agentic RAG 流程：
- 查詢兩部收視率最高的影集 — 找到 MAS*H 和 Cheers
- 搜尋這兩部影集季終集的時長 — 透過 Query Rewriter + Sufficient Context Agent 精確搜索
- 計算差異 — MAS*H 150 分鐘，Cheers 98 分鐘，差 52 分鐘
相關頁面
- google-research-blog — Google Research Blog（發布來源）
Raw Sources
raw/articles/google-research-agentic-rag-2026-06-05.md— 原始文章全文