Агентный поиск становится узким местом для компаний, которые пытаются поручить AI-агентам реальные рабочие процессы. Модель может написать письмо, составить отчёт или вызвать API, но без умения находить нужные документы, проверять источники и уточнять запрос она лишь быстро воспроизводит знакомую проблему RAG: убедительно формулирует ответ на неполных данных.
Об этом пишет The New Stack в материале о retrieval-подходах для AI-агентов. Главная мысль проста: корпоративный поиск нельзя сводить к одному запросу в векторную базу и выдаче нескольких похожих фрагментов в контекст модели. Человек-эксперт сначала понимает задачу, выбирает, где искать, меняет формулировку запроса, сопоставляет противоречивые сведения и только затем делает вывод. Если агент должен работать не как чат-окно, а как исполнитель, ему нужна похожая цепочка действий.
Разница особенно заметна в прикладных сценариях. Пользователь спрашивает, можно ли включить новую функцию для клиента. Ответ может лежать не в одном документе, а на пересечении технической документации, договора, внутренних правил доступа, тикета поддержки и актуального статуса релиза. Обычный RAG-конвейер часто достанет самый семантически близкий абзац. Агенту же нужно распознать, что вопрос состоит из нескольких подзадач, обратиться к разным источникам, учесть дату и статус данных, а при нехватке контекста запросить уточнение.
Именно поэтому разговор об AI в бизнесе постепенно смещается от качества самой языковой модели к качеству доступа к знаниям. На демо агент выглядит убедительно, пока отвечает на один хорошо подготовленный вопрос. В продакшене он сталкивается с дубликатами, устаревшими страницами, разными правами доступа, внутренними сокращениями и документами, где важная оговорка спрятана в приложении. Ошибка здесь дороже, чем неудачный ответ обычного чат-бота: агент может создать задачу, поменять запись в CRM или запустить следующий шаг процесса.
Для разработчиков это означает, что агентный поиск надо проектировать как отдельный слой, а не как чекбокс рядом с LLM. В нём важны описание и классификация источников, права доступа, свежесть данных, стратегия разбиения документов и возможность объяснить, откуда взят вывод. Полезно разделять поиск фактов и поиск инструкций: политика безопасности, спецификация API и история обращения клиента требуют разных способов ранжирования. Не менее важна проверка результата перед действием: агент может сформировать ответ, но критичный шаг должен опираться на найденные доказательства, а не на правдоподобную догадку.
Практическая ловушка — пытаться решить всё увеличением контекстного окна. Длинный контекст снижает необходимость выбирать между несколькими фрагментами, но не отвечает на вопросы, какие документы вообще релевантны, можно ли им доверять и не утратили ли они силу. Более того, загрузка большого объёма внутренней информации повышает стоимость запроса и усложняет контроль доступа. Хорошая система не просто передаёт модели больше текста: она организует маршрут к данным и оставляет журнал того, какие источники были использованы.
Для продуктовых команд полезная метрика здесь — не только точность ответа в тестовом наборе. Стоит измерять, нашёл ли агент актуальный первоисточник, распознал ли конфликт между документами, попросил ли человека о помощи в неопределённой ситуации и выполнил ли действие в рамках выданных полномочий. Для HR и внутренних сервисов это особенно чувствительно: неверно найденное правило о компенсации или доступе способно быстро превратить эксперимент с автоматизацией в источник недоверия.
Российским командам, разворачивающим LLM поверх внутренних баз знаний, стоит начинать не с выбора самой громкой модели, а с инвентаризации данных. Какие документы считаются нормативными, кто отвечает за их актуальность, где есть дубли, какие сведения нельзя показывать агенту и как сотрудник сможет оспорить его вывод — эти вопросы определят качество сильнее, чем очередная смена провайдера моделей. Агентный поиск становится инфраструктурой доверия: без него автономность агента остаётся красивой демонстрацией, с ним появляется шанс делегировать ему часть работы без постоянного ручного контроля.
Следующий этап гонки AI-агентов, вероятно, будет связан не столько с тем, кто лучше пишет текст, сколько с тем, кто надёжнее ищет, сверяет и обосновывает ответ в закрытом контуре компании. Для бизнеса это менее эффектная, но гораздо более полезная инженерная задача.
