Самое сложное в обучении поисковой системы — это сдержанность. Большинство ИИ-агентов, получив задачу найти информацию, продолжают извлекать контекст, пока не достигнут лимита токенов или тайм-аута. Databricks решило обучить агента, который останавливается, когда действительно закончил.
Результатом стал KARL — агент генерации с усилением извлечения, построенный на основе обучения с подкреплением, который демонстрирует производительность, сопоставимую с Claude Opus 4.6, при этом стоить на 33% меньше и работать с на 47% меньшей задержкой.
Обучение агента остановке
Основная идея KARL заключается в том, что неэффективность поиска обычно является проблемой временного интервала. Традиционные системы RAG извлекают больше контекста, чем необходимо, обрабатывают избыточную информацию и тратят вычислительные ресурсы на это. KARL использует обучение с подкреплением, чтобы определить, когда дополнительный поиск перестает приносить пользу, и останавливает поиск, вместо того чтобы продолжать его по умолчанию.
Databricks сочетает это с сжатием контекста — техникой, позволяющей агенту сжимать уже извлечённые данные перед принятием решения о необходимости извлечения дополнительной информации.
Что добавляет Agent Bricks к картине
KARL встроен в более крупную платформу Databricks под названием Agent Bricks, которая была запущена в сентябре 2026 года как решение для создания автоматически оптимизированных, специализированных агентов. Идея заключается в том, что предприятия не должны вручную настраивать каждую развернутую модель. Agent Bricks автоматически выполняет эту оптимизацию, адаптируя поведение агентов под конкретные типы задач, определенные на простом языке.
С момента запуска на платформе было создано более 100 000 агентов. Фреймворк поддерживает основных поставщиков моделей, включая Claude и варианты GPT, с управлением, реализованным через Unity Catalog от Databricks.
Databricks также добавила функцию переоценки в свой продукт AI Search. Переоценка — это процесс взятия начального набора извлеченных документов и повторного расчета их релевантности перед передачей языковой модели. Повышение точности на корпоративных тестах в среднем составило 15 процентных пунктов.
Точность на передовой без цен передовой
Внутренние эталонные показатели Databricks демонстрируют повышение точности с примерно 32% до более чем 90% для определенных типов задач при использовании специализированных методов агентов, таких как параллельное мышление и многомодельные архитектуры.
Сопоставимость Claude Opus 4.6 по задачам извлечения и рассуждения при снижении стоимости на треть ставит Databricks в интересное положение на корпоративном рынке. Компания не продает фундаментальную модель. Она продает инфраструктуру, которая делает фундаментальные модели применимыми в масштабе.