Найскладнішим у навчанні пошукової системи є самоконтроль. Більшість AI-агентів, отримавши завдання знайти інформацію, продовжують отримувати контекст, доки не досягнуть ліміту токенів або таймауту. Databricks вирішила навчити одного, який зупиняється, коли справді закінчує.
Результатом є KARL — агент генерації з підсиленням пошуку, побудований на підсиленому навчанні, який досягає продуктивності Claude Opus 4.6 при витратах на 33% нижчих та зниженні затримки на 47%.
Навчання агента зупинятися
Основна ідея KARL полягає в тому, що неефективність пошуку зазвичай є проблемою таймінгу. Традиційні системи RAG отримують більше контексту, ніж потрібно, обробляють надлишкову інформацію та витрачають обчислювальні ресурси на це. KARL використовує підсилення навчання, щоб визначити, коли додаткове отримання даних більше не додає цінності, і зупиняє пошук, замість того щоб продовжувати його за замовчуванням.
Databricks поєднує це зі стисненням контексту — технікою, яка дозволяє агенту стиснути те, що вже було отримано, перш ніж вирішити, чи варто отримувати додаткові дані.
Що додає Agent Bricks до картини
KARL знаходиться всередині більшої рамки під назвою Agent Bricks, яку Databricks представила у вересні 2026 року як платформу для створення автозадібних, спеціалізованих агентів. Ідея полягає в тому, що підприємствам не потрібно вручну налаштовувати кожну модель, яку вони розгортають. Agent Bricks автоматично виконує цю оптимізацію, налаштовуючи поведінку агента відповідно до конкретних типів завдань, визначених звичайною мовою.
З моменту запуску на платформі було створено більше 100 000 агентів. Фреймворк підтримує основних постачальників моделей, включаючи Claude та варіанти GPT, з управлінням, що здійснюється через Unity Catalog Databricks.
Databricks також додала функцію переоцінки у свій продукт AI Search. Переоцінка — це процес, під час якого початковий набір знайдених документів повторно оцінюється на предмет релевантності перед передачею мовній моделі. Точність на корпоративних тестах зросла в середньому на 15 відсоткових пунктів.
Точність на межі без цін на межі
Внутрішні еталонні показники Databricks свідчать про збільшення точності приблизно з 32% до понад 90% на певних типах завдань при використанні спеціалізованих технік агентів, таких як паралельне мислення та багато-LLM архітектури.
Зіставлення Claude Opus 4.6 за завданнями пошуку та міркувань, при цьому знижуючи витрати на третину, ставить Databricks у цікаве положення на корпоративному ринку. Компанія не продає фундаментальну модель. Вона продає інфраструктуру, яка робить фундаментальні моделі придатними для масштабного використання.