Bir arama sistemi eğitmenin en zor yanı kontrolüdür. Çoğu AI ajanı, bilgi bulmakla görevlendirildiğinde, bir token sınırına veya zaman aşımına ulaşana kadar bağlam çekmeye devam eder. Databricks, aslında tamamlandığında duran birini eğitmeye karar verdi.
Sonuç, Claude Opus 4.6'in performansını eşitlerken maliyeti %33 daha az ve gecikmesi %47 daha düşük olan, pekiştirmeli öğrenme üzerine kurulan bir retrieval-augmented generation ajanı olan KARL.
Bir ajanı durdurmayı öğretmek
KARL’ın temel fikri, arama verimsizliğinin genellikle bir zamanlama sorunu olduğudur. Geleneksel RAG sistemleri, ihtiyaçlarından daha fazla bağlam getirir, gereksiz bilgileri işler ve bunu yaparken hesaplama kaynakları harcar. KARL, ek aramanın değer katmayı durdurduğu anı tanımlamak için pekiştirmeli öğrenmeyi kullanır ve varsayılan olarak aramaya devam etmek yerine aramayı durdurur.
Databricks, ajanın daha fazla veri alıp almayacağını karar vermeden önce zaten edinmiş olduğu verileri sıkıştırmasına izin veren bir bağlam sıkıştırma tekniğiyle bunu birleştirir.
Agent Bricks'in resme katkısı
KARL, Eylül 2026'da otomatik olarak optimize edilmiş, alanlara özel ajanlar oluşturmak için tanıtılan daha büyük bir çerçeve olan Agent Bricks'in içinde yer alıyor. Varsayım, kurumların dağıttıkları her modeli elle ayarlamalarına gerek olmamasıdır. Agent Bricks, bu optimizasyonu otomatik olarak yönetir ve ajan davranışlarını düz metinle tanımlanmış belirli görev türlerine uyarlar.
Lansmanından beri platformda 100.000'den fazla ajan oluşturuldu. Çerçeve, Claude ve GPT varyantları dahil olmak üzere büyük model sağlayıcılarını destekliyor ve yönetim Databricks'in Unity Catalog üzerinden yönlendiriliyor.
Databricks, AI Arama ürününe bir yeniden sıralama özelliği de ekledi. Yeniden sıralama, ilk alınan belgeler kümesini alıp dil modeline göndermeden önce ilgiliklerine göre yeniden puanlama sürecidir. Kurumsal performans testlerindeki doğruluk artışı ortalama %15 olmuştur.
Sınır fiyatları olmadan önde gelen doğruluk
Databricks'in dahili olarak belirttiği referans sayılar, paralel düşünme ve çoklu LLM tasarımları gibi özel ajan tekniklerinin kullanıldığı belirli görev türlerinde doğruluk artışını yaklaşık %32'den %90'ın üzerinde seviyelere çıkardığını göstermektedir.
Claude Opus 4.6 ile arama ve akıl yürütme görevlerinde eşitlenirken maliyetini üçte bir oranında düşürmek, Databricks'i kurumsal pazarında ilginç bir konuma getiriyor. Şirket bir temel model satmıyor. Temel modelleri ölçeklenebilir hale getiren altyapıyı satıyor.