एक सर्च सिस्टम को सिखाने का सबसे कठिन बात है संयम। अधिकांश AI एजेंट, जब जानकारी ढूंढने का कार्य दिया जाता है, तो टोकन सीमा या टाइमआउट तक संदर्भ जारी रखते हैं। Databricks ने एक ऐसा एजेंट ट्रेन किया जो तब रुक जाता है जब वह वास्तव में पूरा कर लेता है।
परिणाम KARL है, एक पुनर्प्राप्ति-समृद्ध उत्पादन एजेंट जो प्रबलन अधिगम पर आधारित है और Claude Opus 4.6 के समान प्रदर्शन प्रदान करता है, जबकि इसकी लागत 33% कम है और इसकी लेटेंसी 47% कम है।
एजेंट को रोकना सिखाना
KARL के पीछे का मूल सिद्धांत यह है कि खोज अक्षमता आमतौर पर एक समय समस्या होती है। पारंपरिक RAG प्रणालियाँ अपनी आवश्यकता से अधिक संदर्भ प्राप्त करती हैं, अतिरिक्त जानकारी को प्रोसेस करती हैं और इसके लिए कंप्यूट कम्प्यूटेशन खर्च करती हैं। KARL रिइनफोर्समेंट लर्निंग का उपयोग करके पहचानता है कि जब अतिरिक्त खोज मूल्य जोड़ना बंद हो जाता है, तो डिफ़ॉल्ट रूप से जारी रखने के बजाय खोज को रोक देता है।
डेटाब्रिक्स इसे कॉन्टेक्स्ट संपीड़न के साथ जोड़ता है, एक तकनीक जो एजेंट को अधिक लेने के निर्णय लेने से पहले पहले ही प्राप्त किए गए डेटा को संक्षिप्त करने की अनुमति देती है।
एजेंट ब्रिक्स क्या चित्र में जोड़ता है
KARL, एक बड़े फ्रेमवर्क Databricks द्वारा पेश किए गए Agent Bricks के अंदर स्थित है, जिसकी शुरुआत सितंबर 2026 में ऑटो-अनुकूलित, डोमेन-विशिष्ट एजेंट बनाने के लिए एक प्लेटफॉर्म के रूप में हुई। यह अवधारणा है कि उद्यमों को अपने प्रत्येक डिप्लॉय किए गए मॉडल को हाथ से अनुकूलित करने की आवश्यकता नहीं होनी चाहिए। Agent Bricks इस अनुकूलन को स्वचालित रूप से संभालता है, और साधारण भाषा में परिभाषित विशिष्ट कार्य प्रकारों के अनुसार एजेंट के व्यवहार को समायोजित करता है।
लॉन्च के बाद, प्लेटफॉर्म पर 1,00,000 से अधिक एजेंट बनाए गए हैं। यह फ्रेमवर्क Claude और GPT वेरिएंट सहित प्रमुख मॉडल प्रदाताओं का समर्थन करता है, जिसमें शासन Databricks के Unity Catalog के माध्यम से संचालित होता है।
डेटाब्रिक्स ने अपने AI सर्च उत्पाद में पुनः रैंकिंग क्षमता भी जोड़ दी है। पुनः रैंकिंग की प्रक्रिया में प्राप्त दस्तावेजों के प्रारंभिक सेट को भाषा मॉडल को पास करने से पहले प्रासंगिकता के आधार पर पुनः स्कोर किया जाता है। उद्यम संबंधी मानकों पर सटीकता में वृद्धि औसतन 15 प्रतिशत बिंदु रही है।
सीमा के बिना सीमा की सटीकता
डेटाब्रिक्स द्वारा आंतरिक रूप से उद्धृत मानक संख्याएँ दर्शाती हैं कि समानांतर चिंतन और मल्टी-एलएलएम डिज़ाइन जैसी विशेष एजेंट तकनीकों का उपयोग करने पर कुछ कार्य प्रकारों पर शुद्धता में लगभग 32% से अधिक 90% तक सुधार होता है।
रिट्रीवल और तर्क कार्यों में Claude Opus 4.6 के साथ मैच करते हुए इसकी लागत को एक तिहाई तक कम करके, Databricks को उद्यम बाजार में एक दिलचस्प स्थिति प्राप्त होती है। कंपनी एक फाउंडेशन मॉडल नहीं बेच रही है। यह उस बुनियादी ढांचे को बेच रही है जो फाउंडेशन मॉडल्स को स्केल पर उपयोगयोग्य बनाता है।