Databricks 构建了一个知道何时退出的 AI 代理

KARL 智能体通过学习在拥有足够信息时停止搜索，以三分之一的成本降低前沿模型的准确性

教授搜索系统最难的事情就是克制。大多数人工智能代理在执行查找信息的任务时，会不断提取上下文，直到达到令牌限制或超时。 Databricks 决定训练一个在实际完成时停止的模型。

结果是 KARL，一种基于强化学习构建的检索增强生成代理，其性能与 Claude Opus 4.6 的性能相匹配，同时成本降低了 33%，运行延迟降低了 47%。

格洛丽亚 拥有这个故事中的任何名字吗？了解今天的走势对您的投资组合有何实际影响。在格洛丽亚开业 →

教导特工停止

KARL 背后的核心见解是搜索效率低下通常是时间问题。传统的 RAG 系统会检索超出其需要的上下文、处理冗余信息并消耗计算资源。 KARL 使用强化学习来识别何时额外的检索停止增加价值，然后停止搜索而不是默认继续。

Databricks 将其与上下文压缩相结合，上下文压缩是一种让代理在决定是否获取更多内容之前压缩已经检索到的内容的技术。

Agent Bricks 添加了什么内容

KARL 位于 Databricks 推出的一个名为 Agent Bricks 的更大框架内，该框架于 2026 年 9 月推出，作为构建自动优化的特定领域代理的平台。前提是企业不需要手动调整他们部署的每个模型。 Agent Bricks 自动处理该优化，调整代理行为以适应以简单语言定义的特定任务类型。

自上线以来，平台已建立超过10万个代理。该框架支持主要模型提供商，包括 Claude 和 GPT 变体，并通过 Databricks 的 Unity Catalog 进行治理。

Databricks 还在其人工智能搜索产品中加入了重新排名功能。重新排名是获取一组初始检索文档并在将它们传递到语言模型之前重新对其相关性进行评分的过程。企业基准的准确度平均提高了 15 个百分点。

边界准确度，无边界价格

Databricks 内部引用的基准数据显示，当使用并行思维和多法学硕士设计等专门代理技术时，某些任务类型的准确性从大约 32% 提高到 90% 以上。

在检索和推理任务上与 Claude Opus 4.6 相匹配，同时降低其成本，成为第三个，使 Databricks 在企业市场中处于一个有趣的位置。该公司不销售基础模型。它正在销售使基础模型能够大规模使用的基础设施。