Agentic RAG di Google: il framework con Sufficient Context Agent per query multihop arriva su Gemini Enterprise
Google Research ha integrato un nuovo framework Agentic RAG nella piattaforma Gemini Enterprise Agent, abilitando la funzione Cross-Corpus Retrieval, ora in versione pubblica. L’obiettivo è risolvere un limite noto della RAG standard: la difficoltà a gestire query che richiedono informazioni da più fonti.
Le query multi-sorgente e multi-hop sono il tallone d’Achille della RAG classica. Una domanda come «Quali sono le specifiche del server usato nel Progetto X?» potrebbe trovare un documento con l’ID del server, ma non proseguire la ricerca in un secondo database per le specifiche. Il risultato è una risposta parziale o un «non trovato».
Come funziona il nuovo framework multi-agente
Google lo descrive come un dipartimento di ricerca organizzato, non un singolo motore. Il sistema divide il lavoro in ruoli specializzati:
- Orchestrator: valuta se la richiesta è complessa e delega
- Planner Agent: mappa i percorsi informativi tra le fonti
- Query Rewriter: trasforma una richiesta vaga in diverse query precise
- Search Fanout Agent: invia le query a più fonti
- LLM: aggrega il contesto raccolto nella risposta finale
La differenza principale rispetto ad altri framework è la persistenza. Il sistema riconosce quando mancano informazioni e continua a cercare, evitando risposte incomplete o inventate. Questo comportamento è garantito dal Sufficient Context Agent, una componente inedita firmata Google.
Un esempio concreto: un medico cerca farmaci da dimissione, restrizioni dietetiche e allergie di un paziente. Nella prima fase, l’Orchestrator smista le richieste a Farmacia, Nutrizione e Note Cliniche. Il Query Rewriter scompone la domanda in tre query semplici. La ricerca iniziale trova farmaci e dieta, ma non le allergie. Qui interviene il Sufficient Context Agent: analizza i frammenti recuperati, li confronta con la richiesta originale, e identifica il dato mancante. Non si limita a segnalare «contesto insufficiente»: scrive un feedback specifico che indica il gap. A questo punto il Query Rewriter crea una nuova ricerca per le allergie, e il sistema la completa.
I risultati dei test
Google ha valutato il sistema su FramesQA, un dataset con 824 query e 2.676 documenti PDF. La RAG classica ha raggiunto un’accuratezza base. Il nuovo framework in modalità cross-corpus (con quattro dataset aggiuntivi di disturbo) ha ottenuto il 90,1% di risposte corrette, selezionando la fonte giusta tra quattro diversi corpora. La latenza tra singola fonte e cross-corpus è rimasta entro il 3%.
Rispetto alla RAG tradizionale, l’accuratezza su dataset di factuality è aumentata fino al 34%. Google ha anche testato su dataset interni proprietari, riportando un miglioramento nel grounding e nell’accuratezza del ragionamento per compiti di dominio specifico.
Casi d’uso
Il framework è pensato per contesti aziendali dove le informazioni sono sparse in database separati. In sanità per compilare schede paziente da più reparti. In ingegneria per risalire da un ID server alle specifiche tecniche. In finanza per incrociare dati di budget e cronologia progetti.
La funzione Cross-Corpus Retrieval è già disponibile in public preview su Gemini Enterprise Agent Platform.
