企业在构建人工智能系统时，往往面临一个痛点：核心业务数据和专有知识由于涉及机密，通常被隔离在各种长篇密集文档、金融申报文件、法律合同以及政府记录之后。传统的一次性检索增强生成（RAG）由于只能检索固定文本块且缺乏推理迭代能力，面对这类结构复杂的长文档和跨来源对比任务时往往力不从心。为了解决这一行业难题，Mistral AI 正式推出了全新升级的 Agentic Search。该技术引入了多步骤检索循环机制，不仅打破了传统方法的局限，还让 AI 系统在处理企业级复杂文档查询时实现了质的飞跃。

五大核心工具协同，从“机械检索”迈向“主动推理”

传统 RAG 的核心缺陷在于“只检索、不推理、无法迭代”，模型必须根据初次命中的碎片化文本硬着头皮作答。而 Agentic Search 构建在企业现有的搜索索引之上，为模型赋予了五个类似于常见文件系统操作的核心工具：

  • search（搜索）：在整个语料库中查找相关初始文档。
  • open（打开）：精准开启特定的目标文档。
  • navigate（导航）：直接移动到文档中的某一页、某一节或特定区域。
  • read（读取）：检索并获取目标位置的具体内容。
  • grep（模式匹配）：在已打开的文档中查找特定的模式。

通过这一套组合拳，模型不再受限于传统的分块粒度。它可以在回答前主动检查找到的内容、优化搜索策略、深入查阅底层证据，甚至在多份文档间进行对比核对，从而让检索质量随着模型自身推理能力的提升而水涨船高。

显著的性能提升与多场景验证

在实际行业基准测试中，Agentic Search 展现出了极强的落地实力与数据爆发力：

  • FinanceBench 金融问答测试：基于 368 份平均约 147 页的复杂 SEC 文件测试显示，引入仅搜索循环后，模型准确率直接提升了约 3 倍；加入完整的导航工具链后，准确率最高可飙升至 86%，同时 p90 延迟显著下降，token 消耗也减少了高达三分之一。
  • OfficeQA Pro 财政部公报测试：面对包含 696 份扫描版、表格密集型政府金融 PDF 的高难度基准，完整闭环的智能体搜索使模型的准确率实现了突破性增长，充分证明了其应对深层表格与结构化数值查询的能力。

此外，Agentic Search 能够完美适配云端和本地部署需求，无论是内置于 Studio 和 Vibe 的 Libraries 中，还是通过 Mistral Search Toolkit 集成到客户自建的工作流中，它都为企业释放敏感领域数据价值、打造高精度检索系统提供了强有力的底层支撑。