LLM i agenci AI · Agentowy research
Deep research z AI: od danych do wiedzy, na której można oprzeć decyzję
Dla większości firm wiedza należy do najcenniejszych zasobów, a zarazem to właśnie na nią traci się mnóstwo czasu: na szukanie, weryfikowanie i porządkowanie informacji ze źródeł wewnętrznych i zewnętrznych. Agentowy research rozdziela tę pracę między kilku wyspecjalizowanych agentów AI i daje raport z możliwymi do sprawdzenia źródłami.
Aleksandra Osztynowicz
Najważniejsze w skrócie
- Agent nadzorujący (supervisor) dzieli zadanie badawcze na części, a wyspecjalizowani agenci wyszukują, analizują, sprawdzają fakty i piszą raport.
- Wyszukiwanie hybrydowe, retrieval-augmented generation i weryfikacja faktów sprawiają, że stwierdzenia opierają się na dokumentach, które można sprawdzić.
- Sprawdza się m.in. w analizie rynku i konkurencji, w R&D, sprzedaży i compliance.
- Najlepiej zacząć od jasno ograniczonego pilotażu z mierzalnymi kryteriami, takimi jak pokrycie, trafność i zaoszczędzony czas.
Klasyczne wyszukiwanie po słowach kluczowych i proste chatboty szybko okazują się tu niewystarczające. Zbyt wiele nietrafionych wyników, niejasne źródła i fragmentaryczne odpowiedzi sprawiają, że decyzje oparte na danych wymagają sporo pracy. Systemy takie jak OpenAI Deep Research, narzędzia do budowy agentów w Google Vertex AI czy Claude Agent SDK od Anthropic pokazują, że AI potrafi już koordynować wieloetapowe procesy badawcze.
Agentowy research: koncepcja i architektura
Systemy agentowe dzielą duże zadanie badawcze na mniejsze zadania cząstkowe. Agent nadzorujący, czyli supervisor, planuje proces, steruje nim i go kontroluje. Poszczególne kroki przejmują wyspecjalizowani agenci:
| Rola | Zadanie |
|---|---|
| Supervisor | Dzieli pytanie na części, przydziela zadania cząstkowe, ocenia wyniki pośrednie i zleca ponowne próby |
| Wyszukiwanie | Przeszukuje dokumenty wewnętrzne i wybrane źródła internetowe |
| Analiza | Ocenia dokumenty i streszcza ich treść |
| Weryfikacja faktów | Porównuje stwierdzenia ze źródłami i oznacza sprzeczności |
| Raport | Łączy wyniki w uporządkowany raport z przypisami |
System scala informacje z wielu źródeł, ocenia ich jakość i usuwa powtórzenia. Każde stwierdzenie w raporcie da się powiązać z konkretnym dokumentem.
Od strony technicznej taki system łączy kilka warstw:
- Wyszukiwanie hybrydowe: połączenie semantycznego wyszukiwania wektorowego z klasycznym wyszukiwaniem po słowach kluczowych zapewnia precyzję i szerokie pokrycie.
- Orkiestracja: koordynuje agentów, ocenia wyniki pośrednie i zarządza ponownymi próbami.
- Retrieval-augmented generation (RAG): generowane treści opierają się na dokumentach, które można sprawdzić. Jak budujemy takie systemy, pokazujemy na stronie Systemy RAG.
- Kontekst i pamięć: system zachowuje istotne informacje także podczas dłuższych sesji.
- Kontrola jakości: weryfikacja faktów zapewnia wiarygodność stwierdzeń.
Czym różnią się oba podejścia, wyjaśniamy w artykule Deep search a deep research.
Gdzie agentowy research daje firmie realną wartość
- Analiza rynku i konkurencji: rzetelne, uporządkowane według wagi wnioski o branżach, trendach i konkurentach.
- Rozwój produktów i R&D: przegląd publikacji, patentów i technicznych white papers w poszukiwaniu szans na innowacje.
- Sprzedaż i marketing: automatyczne przygotowywanie raportów o klientach i branżach oraz lepsze zrozumienie grup docelowych.
- Dział prawny i compliance: przegląd dużych zbiorów dokumentów, od polityk po raporty z audytów, i ich podsumowanie z podaniem dowodów.
Case study: deep research w theBlue.ai
Z praktyki: narzędzie badawcze dla firmy doradczej
Dla firmy doradczej zbudowaliśmy oparty na AI zestaw narzędzi, który łączy wewnętrzne i zewnętrzne źródła wiedzy. Najpierw przeprowadza deep search w prywatnej bazie klienta, liczącej ponad osiem milionów dokumentów. Jeśli nie znajdzie tam nic istotnego, automatycznie rozszerza wyszukiwanie na wybrane źródła internetowe.
Na obu etapach działa wyszukiwanie hybrydowe. W następnym kroku, w trybie deep research, system analizuje wszystkie zebrane dane i tworzy z nich obszerne, uporządkowane raporty. Dla zespołu konsultantów działa jak asystent badawczy, który dopasowuje każdy raport do aktualnych potrzeb informacyjnych.
Wyzwania i czynniki sukcesu
Zaufanie i weryfikacja źródeł
Agent jest wiarygodny tylko w takim stopniu, w jakim wiarygodne są jego dane. System musi ujawniać, jak dobiera źródła, i wykrywać sprzeczności.
Dane i prawa dostępu
Źródła wewnętrzne wymagają ochrony: trzeba starannie zarządzać uprawnieniami i spełnić wymogi ochrony prywatności. Agent może znaleźć tylko to, co wolno zobaczyć osobie, która pyta.
Skala i wydajność
Gdy wielu agentów prowadzi research równolegle, kluczowe stają się sprawne rozdzielanie zadań, priorytetyzacja i zarządzanie zasobami.
Ciągłe uczenie się
Opinie użytkowników, regularne ewaluacje i stale ulepszana logika agentów dbają o to, by system był aktualny.
Jak zacząć i co dalej
Wdrożenie zwykle zaczyna się od jasno ograniczonego pilotażu:
- Określ konkretne zastosowanie, np. cotygodniowy monitoring konkurencji.
- Przejrzyj dostępne źródła danych i prawa dostępu.
- Zbuduj niewielką strukturę agentów, np. supervisora, który koordynuje komponent wyszukiwania i komponent syntezy.
- Mierz pokrycie, trafność i zaoszczędzony czas, a potem rozbudowuj system krok po kroku.
Technologia szybko dojrzewa. W raporcie technicznym zespołu AWS Bedrock współpracujący agenci osiągali w zadaniach firmowych nawet o 70% wyższy odsetek zrealizowanych celów niż pojedynczy agent. Przy jasnych zasadach governance, ścieżkach audytu i dostrojeniu do konkretnej dziedziny systemy agentowego researchu stają się w wielu firmach stałym elementem pracy z wiedzą.
Źródło: Shu i in., Towards Effective GenAI Multi-Agent Collaboration, arXiv 2024
Podsumowanie
Systemy agentowego researchu wnoszą do zbierania informacji w firmie szybkość, głębię i przejrzystość. Zdejmują z zespołów powtarzalny research i dają podstawy decyzji, które łatwo prześledzić. Jak łączymy agentów w takie systemy, opisujemy na stronie Systemy wieloagentowe.
Dalsze źródła: OpenAI, Introducing Deep Research; Google Cloud, budowa agentów wielosystemowych i zarządzanie nimi w Vertex AI; Anthropic, budowa agentów z Claude Agent SDK
System researchu dla Twoich danych?
Razem z Tobą ustalamy, które zadania badawcze warto powierzyć agentom, jakie źródła podłączyć i jak wygląda pilotaż z mierzalnymi celami.
Poproś o rozmowęNajczęściej zadawane pytania
To podejście, w którym kilku wyspecjalizowanych agentów AI wspólnie pracuje nad złożonym pytaniem. Agent nadzorujący przydziela zadania cząstkowe, a pozostali agenci wyszukują, analizują, sprawdzają fakty i przygotowują raport z przypisami.
Chatbot odpowiada na pytanie w jednym kroku. Deep research planuje kilka etapów wyszukiwania, korzysta z wielu źródeł, ocenia je i łączy wyniki w uporządkowany raport.
Tak. Wyszukiwanie może najpierw obejmować wewnętrzne bazy danych i dokumenty, a dopiero potem wybrane źródła internetowe. Obowiązują przy tym istniejące prawa dostępu.
Od jasno ograniczonego pilotażu: określ zastosowanie, przejrzyj źródła danych, zbuduj małą strukturę agentów i mierz pokrycie, trafność oraz zaoszczędzony czas.
Aleksandra od 2021 roku tworzy w theBlue.ai dedykowane rozwiązania AI. Specjalizuje się w systemach agentowych i wdrożeniach lokalnych modeli LLM dopasowanych do potrzeb firm. Jako AI Engineer pomaga organizacjom automatyzować procesy za pomocą systemów gotowych do pracy produkcyjnej: od modeli open source działających on-premise po wewnętrzne bazy wiedzy oparte na RAG dla branż regulowanych. Na bieżąco poszerza swoją wiedzę w szybko zmieniającym się świecie sztucznej inteligencji.
W swoich artykułach dzieli się doświadczeniem z prawdziwych projektów enterprise AI i pokazuje, że wdrożenie AI w firmie nie musi być skomplikowane.