Ang pinakamahirap na bagay na turuan sa isang search system ay ang pagiging mapagpahinga. Karamihan sa mga AI agent, kapag hinihingi sa kanila na hanapin ang impormasyon, patuloy na hinihingi ang konteksto hanggang makarating sa token limit o timeout. Pumili ang Databricks na turuan ang isang system na tumigil kapag talagang tapos na.
Ang resulta ay KARL, isang retrieval-augmented generation agent na batay sa reinforcement learning na tumutugma sa performance ng Claude Opus 4.6 habang nagkakahalaga ng 33% mas mababa at nagpapatakbo na may 47% mas mababang latency.
Pagtuturo sa isang agent na huminto
Ang pangunahing pag-unawa sa KARL ay ang pagkakaroon ng kawalan ng epi-siyensiya sa paghahanap ay karaniwang isang problema sa oras. Ang mga tradisyonal na sistema ng RAG ay naghahangad ng higit pang konteksto kaysa kailangan, pinoproseso ang mga redundant na impormasyon, at ginagastusan ang compute para dito. Gumagamit ang KARL ng reinforcement learning upang makilala kailan natitigil ang karagdagang paghahanap sa pagdaragdag ng halaga, at tumigil agad sa paghahanap kaysa magpatuloy nang default.
Pinagsasama ni Databricks ito sa context compression, isang teknik na nagpapahintulot sa agent na i-compact ang mga nakuha nito bago magpasya kung kumuha pa ng higit pa.
Ano ang idinadagdag ni Agent Bricks sa larawan
Nakakapaloob si KARL sa isang mas malaking framework na tinatawag na Agent Bricks, na ipinakilala ng Databricks noong Setyembre 2026 bilang isang platform para sa pagbuo ng auto-optimized, domain-specific na mga agent. Ang prinsipyo ay ang mga negosyo ay hindi kailangang manu-manong i-tune ang bawat model na ipapalabas. Sinasagawa ng Agent Bricks ang optimization na ito nang awtomatiko, at ina-adjust ang pag-uugali ng agent upang magsuot sa mga partikular na uri ng gawain na ilarawan sa simpleng wika.
Mula sa paglunsad, higit sa 100,000 na agent ang nabuo sa platform. Ang framework ay sumusuporta sa mga pangunahing provider ng modelo kabilang ang Claude at mga variant ng GPT, na may pamamahala na ipinapasa sa pamamagitan ng Databricks’ Unity Catalog.
May idinagdag din ang Databricks ang kakayahang mag-rerank sa kanilang AI Search product. Ang reranking ay ang proseso ng pagkuha ng isang unang set ng mga natanggap na dokumento at pag-re-score nito batay sa kahalagahan bago ito ipasa sa language model. Ang pagtaas sa akurasyon sa mga enterprise benchmark ay nangunguna sa 15 puntos porsyento.
Kasiguraduhan sa harap ng mga presyo ng harap
Ang mga benchmark numbers na binabanggit ng Databricks sa loob ay nagpapakita ng pagpapabuti sa akurasyon mula sa halos 32% patungo sa higit sa 90% sa ilang uri ng gawain kapag ginagamit ang mga espesyalisadong agent technique tulad ng parallel thinking at multi-LLM designs.
Ang pagpaparehistro kay Claude Opus 4.6 sa mga gawain sa paghahanap at pag-iisip habang binabawasan ang gastos nito ng isang kalahati ay nagpapakita ng interesanteng posisyon ng Databricks sa merkado ng enterprise. Ang kumpanya ay hindi nagbebenta ng foundation model. Ito ay nagbebenta ng infrastraktura na nagpapagana ng foundation models sa malaking saklaw.