Hal tersulit yang diajarkan ke sistem pencarian adalah pengekangan. Sebagian besar agen AI, ketika diberi tugas mencari informasi, terus mengambil konteks hingga mencapai batas token atau waktu habis. Databricks memutuskan untuk melatih satu yang berhenti ketika benar-benar selesai.
Hasilnya adalah KARL, agen generasi yang diperkuat pencarian yang dibangun berdasarkan reinforcement learning, yang mencapai kinerja setara dengan Claude Opus 4.6 sambil biaya 33% lebih rendah dan menjalankan latensi 47% lebih rendah.
Mengajari agen untuk berhenti
Wawasan inti di balik KARL adalah bahwa ketidakefisienan pencarian biasanya merupakan masalah waktu. Sistem RAG tradisional mengambil lebih banyak konteks daripada yang dibutuhkan, memproses informasi yang berulang, dan menghabiskan daya komputasi untuk melakukannya. KARL menggunakan pembelajaran penguatan untuk mengenali kapan pencarian tambahan berhenti menambah nilai, lalu menghentikan pencarian alih-alih melanjutkan secara default.
Databricks menggabungkan ini dengan kompresi konteks, sebuah teknik yang memungkinkan agen meringkas apa yang telah diambil sebelumnya sebelum memutuskan apakah akan mengambil lebih banyak.
Apa yang ditambahkan Agent Bricks ke dalam gambar
KARL berada dalam kerangka yang lebih besar yang diperkenalkan Databricks bernama Agent Bricks, yang diluncurkan pada September 2026 sebagai platform untuk membangun agen spesifik domain yang dioptimalkan secara otomatis. Prinsipnya adalah perusahaan tidak perlu menyesuaikan secara manual setiap model yang mereka deploy. Agent Bricks menangani optimasi tersebut secara otomatis, menyesuaikan perilaku agen agar sesuai dengan jenis tugas tertentu yang didefinisikan dalam bahasa sehari-hari.
Sejak peluncuran, lebih dari 100.000 agen telah dibangun di platform ini. Kerangka kerja ini mendukung penyedia model utama termasuk Claude dan varian GPT, dengan tata kelola yang diarahkan melalui Unity Catalog Databricks.
Databricks juga telah menambahkan kemampuan reranking dalam produk AI Search-nya. Reranking adalah proses mengambil sekumpulan dokumen yang telah diambil secara awal dan memberi skor ulang berdasarkan relevansinya sebelum dikirim ke model bahasa. Peningkatan akurasi pada benchmark perusahaan rata-rata mencapai 15 poin persentase.
Akurasi di garis depan tanpa harga frontier
Angka patokan yang dikutip Databricks secara internal menunjukkan peningkatan akurasi dari sekitar 32% menjadi lebih dari 90% pada jenis tugas tertentu saat menggunakan teknik agen khusus seperti pemikiran paralel dan desain multi-LLM.
Mengimbangi Claude Opus 4.6 dalam tugas pengambilan dan penalaran sambil mengurangi biayanya sepertiga menempatkan Databricks di posisi menarik di pasar perusahaan. Perusahaan ini tidak menjual model dasar. Perusahaan ini menjual infrastruktur yang membuat model dasar dapat digunakan dalam skala besar.