# 策展 · X (Twitter) 🔥🔥🔥🔥

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 作者：Google Research (@GoogleResearch) · 平台：X (Twitter) · 日期：2026-06-06

> 原始來源：https://x.com/GoogleResearch/status/2062982001850974257

## 中文摘要

Google Research 推出 Gemini Enterprise Agent Platform 的 Agentic RAG 框架，透過多代理協作與迭代搜尋提升企業級查詢的準確性。

Google Research 與 Google Cloud 合作開發的這套 Agentic RAG 框架，旨在解決傳統單步驟 RAG 系統無法處理多來源、多跳躍（multi-hop）查詢的痛點。該系統透過將複雜任務拆解為專門角色，確保在生成回應前已取得足夠的上下文資訊，在事實性資料集上的準確度提升了 34%。

**核心架構與運作機制**
該系統將 AI 視為一個組織化的研究部門，透過以下代理分工協作：
- **Root Agent (Orchestrator)**：負責評估請求並將任務分配給子代理。
- **Planner Agent**：規劃資訊路徑，決定搜尋的先後順序。
- **Query Rewriter**：將模糊請求轉換為多個精確的搜尋查詢。
- **Search Fanout Agent**：將查詢分發至不同資料來源進行檢索。
- **Sufficient Context Agent**：這是該框架的關鍵創新，擔任「品質控制員」角色。它會審核檢索到的片段與草稿，若發現資訊不足，會提供具體回饋並觸發迭代搜尋，直到取得足夠資訊為止。
- **Synthesis Agent**：在確認上下文充足後，負責整合資訊並產出最終回應。

<video src="https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1780786248757-znmuys8g.mp4" poster="https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1780786249060-gGEikD2S39U00PtAVjpg.jpg" controls playsinline preload="metadata" style="max-width:100%;height:auto;display:block;margin:1rem 0"></video>
> 這張流程圖展示了一個基於 AI Agent 的複雜查詢處理與資訊檢索架構。

**實際應用與效能**
與傳統 RAG 相比，此框架具備「持久性」，能避免 AI 在搜尋結果為空時進行臆測或直接放棄。在 FramesQA 資料集的測試中，該系統在跨語料庫情境下準確度達到 90.1%，且延遲時間與單語料庫版本相比差異不到 3%。目前此功能已於 [Gemini Enterprise Agent Platform](https://goo.gle/4oeg94G) 以公開預覽版形式提供，協助企業建立更具備可追溯性與事實根據的 AI 系統。

## 標籤

Agent, RAG, 新產品, 研究論文, Google, Gemini