Perkara paling sukar untuk diajar kepada sistem carian ialah kesabaran. Kebanyakan agen AI, apabila diberi tugas untuk mencari maklumat, terus mengambil konteks sehingga mencapai had token atau masa habis. Databricks memutuskan untuk melatih satu agen yang berhenti apabila ia benar-benar selesai.
Hasilnya ialah KARL, agen generasi yang diperkuat pengambilan semula yang dibina berdasarkan pembelajaran penguatan, yang mencapai prestasi setara dengan Claude Opus 4.6 sambil mengurangkan kos sebanyak 33% dan menjalankan dengan latensi 47% lebih rendah.
Mengajar agen untuk berhenti
Insight utama di sebalik KARL ialah ketidakefisienan carian biasanya merupakan masalah masa. Sistem RAG tradisional mengambil lebih banyak konteks daripada yang diperlukan, memproses maklumat yang berulang, dan menghabiskan komputasi untuk melakukannya. KARL menggunakan pembelajaran penguatan untuk mengenali bila carian tambahan berhenti menambah nilai, kemudian menghentikan carian alih-alih meneruskan secara lalai.
Databricks menggabungkan ini dengan pemampatan konteks, teknik yang membolehkan agen meringkaskan apa yang telah dipulihkan sebelum memutuskan sama ada untuk mengambil lebih banyak.
Apa yang ditambahkan oleh Agent Bricks kepada gambaran ini
KARL berada di dalam kerangka besar yang diperkenalkan oleh Databricks bernama Agent Bricks, yang dilancarkan pada September 2026 sebagai platform untuk membina agen khusus domain yang dioptimakan secara automatik. Premisnya ialah perusahaan tidak perlu menyesuaikan setiap model yang mereka deploy secara manual. Agent Bricks mengendalikan pengoptimuman itu secara automatik, menyesuaikan tingkah laku agen agar sesuai dengan jenis tugas tertentu yang ditakrifkan dalam bahasa biasa.
Sejak pelancaran, lebih daripada 100,000 agen telah dibina di platform ini. Kerangka ini menyokong penyedia model utama termasuk Claude dan varian GPT, dengan tatacara yang diarahkan melalui Unity Catalog Databricks.
Databricks juga telah menambahkan kemampuan reranking dalam produk AI Search-nya. Reranking adalah proses mengambil set dokumen yang telah diambil secara awal dan mengira semula skor kerelevanannya sebelum menghantarkannya kepada model bahasa. Peningkatan ketepatan pada tolok ukur perusahaan purata ialah 15 peratus.
Kejituan di hadapan tanpa harga hadapan
Nombor patokan yang dikutip Databricks secara dalaman menunjukkan peningkatan ketepatan dari kira-kira 32% kepada lebih daripada 90% pada jenis tugas tertentu apabila menggunakan teknik agen khusus seperti pemikiran selari dan reka bentuk multi-LLM.
Menyamai Claude Opus 4.6 dalam tugas pengambilan dan penalaran sambil mengurangkan kosnya sebanyak sepertiga menempatkan Databricks di kedudukan yang menarik dalam pasaran perniagaan. Syarikat ini tidak menjual model asas. Ia menjual infrastruktur yang menjadikan model asas boleh digunakan pada skala besar.