Điều khó nhất để dạy một hệ thống tìm kiếm là sự kiềm chế. Hầu hết các tác nhân AI, khi được giao nhiệm vụ tìm thông tin, sẽ tiếp tục trích xuất ngữ cảnh cho đến khi đạt giới hạn token hoặc hết thời gian chờ. Databricks đã quyết định huấn luyện một tác nhân dừng lại ngay khi nó thực sự hoàn thành.
Kết quả là KARL, một tác nhân sinh sinh dựa trên học tăng cường, có hiệu suất tương đương Claude Opus 4.6 với chi phí thấp hơn 33% và độ trễ thấp hơn 47%.
Dạy một tác nhân dừng lại
Sự hiểu biết cốt lõi đằng sau KARL là sự không hiệu quả trong tìm kiếm thường là một vấn đề về thời gian. Các hệ thống RAG truyền thống truy xuất nhiều ngữ cảnh hơn mức cần thiết, xử lý thông tin trùng lặp và tốn tài nguyên tính toán để làm điều đó. KARL sử dụng học tăng cường để nhận biết khi việc truy xuất thêm không còn mang lại giá trị, sau đó dừng tìm kiếm thay vì tiếp tục theo mặc định.
Databricks kết hợp điều này với nén ngữ cảnh, một kỹ thuật cho phép tác nhân nén những gì đã truy xuất trước khi quyết định có nên truy xuất thêm hay không.
Điều mà Agent Bricks bổ sung vào bức tranh
KARL nằm trong một khung lớn hơn do Databricks giới thiệu gọi là Agent Bricks, được ra mắt vào tháng 9 năm 2026 như một nền tảng để xây dựng các tác nhân chuyên biệt được tối ưu hóa tự động. Nguyên lý là các doanh nghiệp không cần phải tinh chỉnh thủ công từng mô hình mà họ triển khai. Agent Bricks tự động xử lý việc tối ưu hóa này, điều chỉnh hành vi của tác nhân để phù hợp với các loại nhiệm vụ cụ thể được định nghĩa bằng ngôn ngữ tự nhiên.
Kể từ khi ra mắt, hơn 100.000 tác nhân đã được xây dựng trên nền tảng. Khung này hỗ trợ các nhà cung cấp mô hình lớn bao gồm Claude và các biến thể GPT, với quản trị được định tuyến thông qua Unity Catalog của Databricks.
Databricks cũng đã tích hợp tính năng xếp lại thứ tự trong sản phẩm AI Search của mình. Xếp lại thứ tự là quá trình lấy một tập hợp tài liệu đã truy xuất ban đầu và đánh giá lại mức độ liên quan của chúng trước khi truyền cho mô hình ngôn ngữ. Độ chính xác trên các bộ dữ liệu kiểm tra doanh nghiệp đã tăng trung bình 15 điểm phần trăm.
Độ chính xác ở ranh giới mà không có giá ranh giới
Các con số chuẩn mà Databricks đang trích dẫn nội bộ cho thấy sự cải thiện độ chính xác từ khoảng 32% lên hơn 90% trên một số loại nhiệm vụ khi sử dụng các kỹ thuật tác nhân chuyên biệt như tư duy song song và thiết kế đa LLM.
Sánh ngang với Claude Opus 4.6 trong các nhiệm vụ truy xuất và suy luận, đồng thời giảm chi phí xuống một phần ba, Databricks đang chiếm một vị trí thú vị trên thị trường doanh nghiệp. Công ty không bán mô hình nền tảng. Họ đang bán cơ sở hạ tầng giúp các mô hình nền tảng có thể được sử dụng ở quy mô lớn.