Mistral Agentic Search เปลี่ยน RAG จากการค้นครั้งเดียว สู่การสืบค้นเอกสารแบบเป็นขั้นตอน

Mistral Agentic Search คือชั้น retrieval หรือระบบค้นคืนข้อมูลที่เปิดให้โมเดล AI ตรวจสอบคลังเอกสารผ่านการเรียกใช้เครื่องมือหลายครั้ง แทนที่จะรับข้อความชุดเดียวจากการค้นครั้งแรกแล้วรีบสรุปคำตอบ ระบบสามารถค้นหาเอกสารที่น่าจะเกี่ยวข้อง เปิดไฟล์ นำทางไปยังหน้าและส่วนต่าง ๆ อ่านข้อความพร้อมบริบท และค้นหาคำหรือรูปแบบที่ตรงกันแบบเจาะจงได้

แนวคิดนี้สำคัญกับเอกสารองค์กรที่ไม่ได้มีคำตอบอยู่ในย่อหน้าเดียว ไม่ว่าจะเป็นรายงานการเงินฉบับยาว หน้าเอกสารที่สแกน ตาราง เชิงอรรถ หรือข้อมูลที่ต้องตรวจเทียบจากหลายไฟล์ Mistral รายงานว่าแนวทางดังกล่าวช่วยเพิ่มความถูกต้องของ Mistral Medium 3.5 บน FinanceBench จาก 26.7% เป็น 86% ในคลังเอกสาร 368 ฉบับ รวมประมาณ 53,900 หน้า ผลลัพธ์นี้เป็นการประเมินของ Mistral เอง จึงควรมองเป็น product benchmark ไม่ใช่มาตรฐานอุตสาหกรรมที่ผ่านการยืนยันโดยหน่วยงานอิสระ

Agentic Search ต่างจาก RAG แบบเดิมอย่างไร

ระบบ retrieval-augmented generation (RAG) ทั่วไปมักค้นข้อมูลหนึ่งรอบ เลือกข้อความส่วนที่มีอันดับสูงสุดตามจำนวนที่กำหนด แล้วส่งให้โมเดลภาษาใช้สร้างคำตอบ วิธีนี้ได้ผลดีเมื่อคำตอบอยู่ในข้อความสั้น ๆ และค้นพบได้ง่าย แต่จะเริ่มมีปัญหาเมื่อการค้นครั้งแรกพลาดเอกสารสำคัญ แยกตารางออกจากคำอธิบาย หรือส่งข้อความมาโดยไม่มีบริบทจากหัวข้อและเชิงอรรถที่เกี่ยวข้อง Mistral อธิบาย RAG สำหรับ Document Search ในลักษณะเดียวกัน คือให้โมเดลดึงข้อความที่เกี่ยวข้องจากคลังเอกสารที่อัปโหลดไว้

Agentic Search ทำให้กระบวนการค้นเป็นแบบปรับเปลี่ยนได้ โมเดลไม่จำเป็นต้องถือว่าผลลัพธ์ชุดแรกเป็นคำตอบสุดท้าย แต่สามารถดูสิ่งที่พบแล้วเลือกขั้นตอนต่อไปได้:

1. Search ค้นหาเอกสารหรือข้อความที่มีแนวโน้มเกี่ยวข้อง
2. Open เปิดเอกสารที่เลือกเพื่อตรวจสอบ
3. Navigate เลื่อนผ่านโครงสร้างของไฟล์ เช่น หน้า หัวข้อ หรือส่วนต่าง ๆ
4. Read อ่านเนื้อหาที่ต้องการพร้อมบริบทโดยรอบ
5. Grep ตรวจคำ วลี ตัวเลข หรือลักษณะข้อความที่ตรงกันแบบเจาะจง

เมื่อจำเป็น โมเดลสามารถวนทำขั้นตอนเหล่านี้ซ้ำเพื่อค่อย ๆ แคบขอบเขตคำตอบ จึงเกิดเป็นวงจร ค้นหา ตรวจสอบ และยืนยันหลักฐาน แทนการค้นแล้วตอบทันที รูปแบบนี้สอดคล้องกับสถาปัตยกรรม agent ของ Mistral ที่ให้โมเดลเรียกใช้ฟังก์ชันภายนอกระหว่างทำงาน รับผลกลับมา แล้วจึงใช้ประกอบการให้เหตุผลต่อ

ทำไมการค้นแบบวนซ้ำจึงเหมาะกับเอกสารองค์กรที่ซับซ้อน

แก้ทางได้เมื่อผลค้นครั้งแรกไม่ดีพอ

RAG แบบครั้งเดียวพึ่งพาคำค้น ดัชนี วิธีแบ่งเอกสารเป็นชิ้น และระบบจัดอันดับอย่างมาก หากผลลัพธ์แรกดูเหมือนจะใช่แต่ยังไม่ครบ โมเดลอาจไม่มีโอกาสเห็นหลักฐานที่ใช้แก้คำตอบได้ Agentic Search เปิดให้โมเดลปรับคำค้น เปิดเอกสารอีกฉบับ หรืออ่านส่วนใกล้เคียงก่อนตัดสินใจ

รักษาโครงสร้างของเอกสาร

ข้อมูลในตารางและรายงานทางการเงินมักต้องอ่านควบคู่กับหัวข้อ ตำแหน่งของหน้า เชิงอรรถ และข้อความข้างเคียง การแบ่งเอกสารเป็นชิ้นข้อความแบบแบน ๆ อาจทำให้ความสัมพันธ์เหล่านี้หายไป เครื่องมือนำทางและการอ่านแบบเจาะจงช่วยให้โมเดลเข้าใจเอกสารในฐานะโครงสร้าง ไม่ใช่เพียงกองข้อความที่แยกขาดจากกัน

ตรวจหลักฐานแบบตรงตัวได้

การค้นเชิงความหมายเหมาะกับการหาแนวคิดที่ใกล้เคียงกัน แต่การตรวจชื่อบริษัท คำศัพท์บัญชี วันที่ รหัสอ้างอิง หรือตัวเลขที่ปรากฏซ้ำ ยังต้องอาศัยการจับคู่แบบตรงตัว เครื่องมือในลักษณะ grep จึงช่วยยืนยันได้ว่าคำหรือรูปแบบที่ต้องการปรากฏอยู่ในคลังเอกสารจริงหรือไม่ ระบบเอกสารสำหรับ agent อื่น ๆ ก็ใช้เครื่องมือคล้ายกัน เช่น search, grep, read และการเรียกดูโครงสร้างไฟล์

รองรับคำถามที่ต้องเชื่อมหลายเอกสาร

คำถามในงานองค์กรจำนวนมากไม่ได้ถามเพียงว่า ตัวเลขอยู่ที่ไหน แต่ต้องถามต่อว่า ตัวเลขนั้นนิยามอย่างไร หรือแตกต่างจากตัวเลขในรายงานอีกฉบับอย่างไร ลูปที่โมเดลเป็นผู้ควบคุมสามารถสลับระหว่างการค้นหาและการตรวจสอบข้ามเอกสารได้ แทนที่จะพึ่งการจัดอันดับเพียงรอบเดียว

ผลทดสอบที่ Mistral รายงาน

Mistral ชูผลประเมินสองชุดซึ่งเน้นงานถามตอบจากเอกสารที่ยากต่อการค้นคืน

FinanceBench: จาก 26.7% เป็น 86%

FinanceBench ประกอบด้วยเอกสารรายงานการเงิน 368 ฉบับ รวมประมาณ 53,900 หน้า Mistral รายงานว่า Mistral Medium 3.5 ทำความถูกต้องได้ 26.7% เมื่อใช้ retrieval แบบครั้งเดียว และเพิ่มเป็น 86% เมื่อใช้ Agentic Search หรือเพิ่มขึ้น 59.3 จุดเปอร์เซ็นต์ คิดเป็นประมาณ 3.2 เท่าของผลลัพธ์เดิม

Mistral ยังรายงานการทดสอบ retrieval layer กับ GLM-5.2 ซึ่งเอกสารของ Mistral ระบุว่าเป็นโมเดลข้อความโอเพนซอร์สจากผู้พัฒนาภายนอก โดยผลที่รายงานเพิ่มจาก 6.3% เมื่อใช้ retrieval แบบครั้งเดียว เป็น 51.9% เมื่อใช้ Agentic Search

OfficeQA Pro: เพิ่มขึ้น 45.6 จุดเปอร์เซ็นต์

OfficeQA Pro เน้นคำถามที่เกี่ยวกับตารางและข้อมูลจากหลายเอกสาร โดยใช้เอกสารสแกน U.S. Treasury Bulletin จำนวน 696 ฉบับ ประกาศของ Mistral ที่ Ina Koleva แชร์ระบุว่าผลลัพธ์เพิ่มจาก 6.3% เป็น 51.9% หรือเพิ่มขึ้น 45.6 จุดเปอร์เซ็นต์ เมื่อเทียบกับ one-shot RAG

ตัวเลขเหล่านี้น่าสนใจ แต่ไม่ได้รับประกันว่าทุกองค์กรจะได้ผลเท่ากัน ประสิทธิภาพอาจเปลี่ยนแปลงตามคุณภาพการแยกเอกสาร OCR วิธีแบ่งข้อความ ดัชนี โมเดล คำสั่ง จำนวนครั้งที่อนุญาตให้เรียกเครื่องมือ และวิธีประเมินผล งานวิจัยของ OfficeQA Pro เองยังชี้ว่าการจัดโครงสร้างและการแปลงเอกสารมีผลต่อความถูกต้อง เวลาแฝง จำนวนครั้งที่เรียกเครื่องมือ และต้นทุน

ความถูกต้องไม่ใช่คำถามเดียวสำหรับงานจริง

Mistral ระบุว่า Agentic Search ช่วยเพิ่มความถูกต้อง พร้อมลดจำนวนรอบการทำงาน ปริมาณโทเค็น และเวลาแฝงเมื่อเทียบกับการตั้งค่าที่นำเสนอใน benchmark อย่างไรก็ตาม ระบบหลายขั้นตอนยังต้องรอการเรียกเครื่องมือและการประมวลผลเอกสาร การวิเคราะห์รองของผล FinanceBench รายงานเวลาแฝงเฉลี่ย 71 วินาที และค่า p90 ที่ 154 วินาที สำหรับลูปเต็ม ตัวเลขดังกล่าวไม่ได้ปรากฏในเนื้อหาหลักของแหล่งข้อมูล Mistral ที่อ้างถึง จึงควรพิจารณาเป็นข้อมูลจากการวิเคราะห์รอง

สำหรับทีมที่นำไปใช้จริง การเปรียบเทียบจึงไม่ควรหยุดอยู่ที่คำถามว่า agentic ดีกว่า non-agentic หรือไม่ แต่ควรถามว่า:

• ระบบค้นพบหลักฐานที่ถูกต้องบ่อยเพียงใด
• รักษาบริบทของหน้า ตาราง และแหล่งอ้างอิงได้สม่ำเสมอหรือไม่
• เวลาเฉลี่ยและกรณีที่ช้าที่สุดอยู่ที่เท่าไร
• แต่ละคำถามต้องใช้การเรียกเครื่องมือและโทเค็นกี่ครั้ง
• เชื่อมระบบสิทธิ์การเข้าถึง ดัชนี OCR และบันทึกตรวจสอบย้อนหลังได้หรือไม่
• การประมวลผลเอกสารและการอนุมานของโมเดลเกิดขึ้นที่ใด

การค้นแบบ agentic อาจลดบริบทที่ไม่จำเป็นด้วยการอ่านเฉพาะส่วนที่ต้องใช้ แต่ขั้นตอนการให้เหตุผลเพิ่มเติมก็อาจเพิ่มเวลาและต้นทุนได้เช่นกัน การออกแบบที่เหมาะสมจึงขึ้นอยู่กับความเสี่ยงและความซับซ้อนของงาน

Mistral เปิดให้ใช้ผ่านผลิตภัณฑ์ใด

Mistral ระบุว่า Agentic Search ให้บริการผ่าน Search Toolkit และ Libraries ผลิตภัณฑ์เหล่านี้เชื่อมกับชุดเครื่องมือ agent และ document search ของ Mistral โดยเอกสารของบริษัทระบุว่า Document Libraries ใช้ค้นหาไฟล์ที่อัปโหลดไว้ได้ ขณะที่ Agents API รองรับ agent ที่เรียกใช้เครื่องมือระหว่างการสนทนา

จุดสำคัญคือ Mistral วาง Agentic Search เป็นส่วนประกอบด้าน retrieval สำหรับนำไปประกอบในแอปพลิเคชัน agent หรือระบบค้นหาองค์กร ไม่ใช่เพียงฟีเจอร์ของแชตบอตสำหรับผู้บริโภค

การออกแบบที่ไม่ผูกกับโมเดลมีความหมายอย่างไร

ผลทดสอบที่ Mistral รายงานกับทั้ง Mistral Medium 3.5 และ GLM-5.2 สะท้อนแนวคิดว่าชั้น retrieval และการนำทางเอกสารอาจทำงานร่วมกับโมเดลให้เหตุผลได้หลายแบบ หากทำได้ตามเป้าหมาย องค์กรก็ไม่จำเป็นต้องสร้าง workflow เอกสารใหม่ทั้งหมดทุกครั้งที่เปลี่ยนโมเดล

ความยืดหยุ่นนี้อาจมีความหมายต่อองค์กรที่ต้องชั่งน้ำหนักระหว่างความสามารถ ราคา ใบอนุญาต สถานที่ติดตั้ง และข้อกำหนดด้านข้อมูล การแข่งขันจึงไม่ได้อยู่ที่โมเดลเพียงอย่างเดียว แต่รวมถึงการแทนโครงสร้างเอกสาร ระบบสิทธิ์ การสังเกตการณ์การทำงาน และคุณภาพของหลักฐานด้วย

อย่างไรก็ตาม คำว่า model-agnostic ในเชิงการออกแบบไม่ได้แปลว่าทุกโมเดลจะให้ผลเหมือนกัน ความน่าเชื่อถือในการใช้เครื่องมือ การจัดการบริบท และคุณภาพการให้เหตุผลของแต่ละโมเดลยังส่งผลต่อประสิทธิภาพจริง

ส่วนหนึ่งของยุทธศาสตร์องค์กรและ AI แบบมีอธิปไตยของ Mistral

Agentic Search ช่วยเสริมภาพของ Mistral ในฐานะผู้ให้บริการมากกว่าโมเดลภาษาเดี่ยว บริษัทกำลังวางเทคโนโลยีของตนเป็นชั้นสำหรับค้นหาและให้เหตุผลบนข้อมูลสำคัญขององค์กร ตั้งแต่เอกสารการเงินไปจนถึงฐานความรู้ภายใน โดยสื่อด้านการเงินของ Mistral เน้นการค้นหาที่เคารพสิทธิ์การเข้าถึง พร้อมคำตอบที่มีหลักฐานและบริบท

แนวทางนี้เหมาะกับองค์กรที่อยู่ภายใต้การกำกับดูแลและต้องควบคุมว่าข้อมูลถูกประมวลผลที่ใด รวมถึงควบคุมเส้นทางการเข้าถึงหลักฐาน รายงานที่เกี่ยวข้องกับ Mistral ระบุถึงการติดตั้งทั้งบนคลาวด์และโครงสร้างพื้นฐานที่ควบคุมเอง รวมถึงสภาพแวดล้อมลักษณะ on-premises แต่ความยืดหยุ่นในการติดตั้งไม่ควรถูกตีความว่าเป็นการปฏิบัติตามกฎหมายหรือข้อกำกับโดยอัตโนมัติในทุกประเทศและทุกอุตสาหกรรม

แผนโครงสร้างพื้นฐานของบริษัทยังสนับสนุนเรื่องนี้ Reuters รายงานว่า Microsoft ตกลงใช้งบหลายพันล้านดอลลาร์กับโครงสร้างพื้นฐานประมวลผล AI ของ Mistral ในยุโรป และลูกค้า Azure จะสามารถพัฒนาซอฟต์แวร์โดยใช้ศูนย์ข้อมูลของ Mistral ในฝรั่งเศสได้ การโฮสต์ในยุโรปช่วยสนับสนุน data residency และการควบคุมการดำเนินงาน แต่ความสัมพันธ์กับ Microsoft ก็สะท้อนว่า AI แบบมีอธิปไตยไม่ได้หมายถึงการเป็นอิสระจากห่วงโซ่อุปทานคลาวด์และฮาร์ดแวร์ระดับโลกโดยสิ้นเชิง

เบื้องหลังแผนระดมทุนของ Mistral

การเปิดตัว Agentic Search เกิดขึ้นท่ามกลางรายงานว่า Mistral อยู่ระหว่างการหารือเบื้องต้นเพื่อระดมทุนประมาณ 3 พันล้านยูโร ที่มูลค่าบริษัทประมาณ 2 หมื่นล้านยูโร Bloomberg ระบุว่าการเจรจายังอยู่ในระยะแรกและเงื่อนไขอาจเปลี่ยนแปลงได้

หากเกิดขึ้นตามรายงาน มูลค่าดังกล่าวจะสูงกว่ามูลค่า 1.17 หมื่นล้านยูโร ที่มีการรายงานหลังการระดมทุนในเดือนกันยายน 2025 อย่างมาก แต่ต้องแยกให้ออกระหว่างการหารือด้านการระดมทุนกับรอบการลงทุนที่ปิดดีลแล้ว ตัวเลขนี้จึงเป็นเงื่อนไขที่อาจเกิดขึ้น ไม่ใช่ธุรกรรมที่เสร็จสมบูรณ์

แผนระดมทุนยังสะท้อนว่าทำไม retrieval และโครงสร้างพื้นฐานจึงมีความสำคัญเชิงกลยุทธ์ การสร้างผลิตภัณฑ์ AI ระดับแนวหน้าต้องใช้กำลังประมวลผลราคาแพง ขณะที่ลูกค้าองค์กรต้องการระบบที่เชื่อถือได้และทำงานกับข้อมูลของตนเองได้ Agentic Search จัดการกับชั้นแอปพลิเคชันและ retrieval ส่วนศูนย์ข้อมูลในยุโรปเป็นอีกส่วนของเรื่องราวด้านโครงสร้างพื้นฐาน

ตำแหน่งของ Mistral ในตลาดที่มีคู่แข่งหนาแน่น

Mistral กำลังแข่งขันหลายด้านพร้อมกัน:

• ระบบค้นหาองค์กรแบบเดิม: Agentic Search เพิ่มการสืบค้นที่ขับเคลื่อนโดยโมเดลเข้าไปเหนือการจัดอันดับและการค้นคืน โดยมุ่งค้นหา ตรวจสอบ และอธิบายหลักฐาน ไม่ใช่เพียงแสดงรายชื่อไฟล์
• RAG พื้นฐาน: ความแตกต่างหลักคือการค้นซ้ำ การนำทาง และการตรวจสอบ แทนการค้นด้วยเวกเตอร์หรือคีย์เวิร์ดเพียงรอบเดียวบนข้อความที่แบ่งไว้ล่วงหน้า
• ผู้ให้บริการคลาวด์และแพลตฟอร์ม: Mistral เน้นเครื่องมือที่นำไปประกอบได้ ความยืดหยุ่นในการเลือกโมเดล และทางเลือกในการติดตั้งในยุโรป
• ระบบ agentic search อื่น ๆ: OpenSearch ก็อธิบาย workflow ที่โมเดลวางแผนและดำเนินการค้นคืนโดยอัตโนมัติ แสดงให้เห็นว่าตลาดนี้ไม่ได้มีเพียง Mistral รายเดียว

ผล benchmark ทำให้ Mistral มีจุดเริ่มต้นที่น่าสนใจ โดยเฉพาะกับเอกสารยาวและมีโครงสร้างซับซ้อน แต่ข้อได้เปรียบระยะยาวจะขึ้นอยู่กับว่าผลลัพธ์ยังคงอยู่ในการประเมินโดยอิสระและงานจริงหรือไม่ รวมถึงบริษัทสามารถรักษาความหน่วง ต้นทุน ความปลอดภัย และความซับซ้อนในการเชื่อมระบบให้อยู่ในระดับที่องค์กรยอมรับได้หรือไม่

สรุป

แนวคิดหลักของ Mistral Agentic Search ตรงไปตรงมาแต่มีนัยสำคัญ: การค้นข้อมูลไม่ควรเป็นเพียงขั้นตอนเตรียมการครั้งเดียว แต่ควรเป็นกระบวนการสืบสวนที่โมเดลค้นหา เปิดเอกสาร นำทาง อ่าน และตรวจหลักฐานได้หลายรอบ

ผลที่ Mistral รายงาน—จาก 26.7% เป็น 86% บน FinanceBench และเพิ่มขึ้น 45.6 จุดเปอร์เซ็นต์บน OfficeQA Pro—ชี้ว่าการออกแบบนี้อาจช่วยยกระดับการถามตอบจากเอกสารได้อย่างมาก แต่ข้อควรระวังก็สำคัญไม่แพ้กัน: ตัวเลขเป็นผลจาก benchmark ที่เชื่อมโยงกับผู้พัฒนาเอง และผู้ซื้อระดับองค์กรยังต้องทดสอบเวลาแฝง ต้นทุน สิทธิ์การเข้าถึง คุณภาพการแปลงเอกสาร และความน่าเชื่อถือบนข้อมูลจริงของตนเอง