Google Research 在 Gemini Enterprise Agent 平台推出 Agentic RAG，Sufficient Context

一句话看懂

Google 在 Gemini Enterprise Agent 平台推出 Agentic RAG，通过 Sufficient Context Agent 迭代搜索，解决多源多跳查询中信息缺失问题，事实准确性提升 34%。

详细发生了什么

Google Research 团队在 Gemini Enterprise Agent 平台中引入了一个新的 Agentic RAG 框架，驱动名为 Cross-Corpus Retrieval 的功能，现已进入公开预览。该框架针对企业搜索中常见的失败模式——标准单步 RAG 无法处理多源、多跳查询。例如，当用户问“Project X 所用服务器的规格是什么？”系统可能找到包含服务器 ID 的文档，但不会自动用该 ID 去另一个数据库查询规格，导致答案不完整。

Google 的 Agentic RAG 采用多智能体架构，包含 Orchestrator、Planner Agent、Query Rewriter、Search Fanout Agent 和 Sufficient Context Agent 等角色。其核心创新是 Sufficient Context Agent，它在生成回答前检查上下文是否充分，若发现缺失信息，会记录具体缺口并触发迭代搜索，直到上下文完整。

在 FramesQA 基准测试中，Cross-Corpus 设置（从 4 个语料库中选择正确来源）达到了 90.1% 的准确率，与单语料库设置几乎持平，且延迟差异在 3% 以内。相比标准 RAG，事实准确性提升高达 34%。

中文圈视角

对国内企业用户来说，这个框架直接解决了多系统数据孤岛的痛点——比如财务系统与项目管理系统数据不互通，传统 RAG 无法跨库关联查询。但需注意，Gemini Enterprise Agent 平台目前依赖 Google Cloud，国内访问可能需要特殊网络配置，且数据出境合规问题需评估。

国内类似产品如百度千帆、阿里云百炼也提供 RAG 能力，但多跳、多源迭代搜索功能尚不成熟。Google 的 Sufficient Context Agent 设计值得借鉴：它不只是简单重试，而是记录具体缺失信息并定向补充，这比国内常见的“重新检索”更高效。

对于中文用户的具体场景，比如企业知识库查询、医疗病历整合、工程文档关联等，该框架能显著减少人工拼接信息的工作量。但中文语义理解、分词和跨库检索的适配仍需验证，且国内企业更倾向私有化部署，Google 的云原生方案可能受限。

几条值得记住的细节

Sufficient Context Agent 会生成具体的 Reason 和 Feedback 日志，指明缺失信息，而非简单返回“上下文不足”。
Cross-Corpus Retrieval 在 FramesQA 上从 4 个语料库中正确路由，准确率达 90.1%，延迟仅增加 3%。
相比标准 RAG，事实准确性提升最高 34%，在内部专有数据集上也有更好的推理准确性。
该功能已作为 Gemini Enterprise Agent 平台的一部分公开预览，企业用户可申请试用。
多智能体架构包括 Planner、Query Rewriter、Search Fanout 等角色，分工明确。

一句话总结

Google 的 Agentic RAG 让企业搜索不再“答非所问”，多跳查询的准确性大幅提升，但国内用户需关注部署和合规门槛。