当大多数团队还在琢磨怎么把RAG的分块尺寸调得更优雅时，Mistral直接掀了桌子。Agentic Search——不是给模型一块切好的蛋糕，而是把厨房钥匙丢给它，让它自己翻冰箱、找食材、开火做饭。这项发布最刺眼的地方在于一个数字：在同样的任务上，一次性检索的精度只有26.7%，而用上五个工具的多步检索循环，精度飙到86%。事情的性质变了，检索质量的瓶颈不再是文本切得够不够碎，而是模型愿不愿意主动去查证、去打开原文、去跟信息较劲。
一次检索的旧逻辑，已经走到墙角
传统的RAG流程像极了流水线上的工人：文档被提前切成固定方块，用户提问后，系统用向量相似度捞出一堆碎片，拼成上下文喂给模型。这套流程高效，但脆弱。问题稍微绕一点，比如“这篇报告里第三页的结论和第五页的附录是不是矛盾”，固定分块几乎必然翻车——因为答案不在同一块里，甚至不在同一个来源里。
分块策略的诅咒
团队为了提升召回率，卷过chunk size，卷过overlap，卷过embedding模型。可本质上，这是一场在输入侧做加法的军备竞赛。你永远不知道真正关键的信息藏在哪个段落的后半段，也不知道哪句话需要跟另一篇文档的某张表格连起来看。分块策略做得再精细，也是在盲人摸象。
模型成了被动的阅读器
更别扭的是，传统RAG里模型只是个被动的文本消费者——给它什么它就读什么，读不到就瞎编。它没有“觉得信息不够就再去找找”的冲动。你说这个产品好用，它还坚持说原文里没写。这种僵硬，根子上是因为检索过程被外包给了流程，而不是留给推理。
五个工具，一场有章法的信息追捕
Mistral的解法不复杂，甚至有点朴素：把搜索拆成五个能被模型自由调用的原子动作——search、open、navigate、read、grep。模型不再一次性吃下一整包检索结果，而是像人一样，一步一步逼近目标。它可以先搜，看到线索后打开某篇文档，在文档里跳转定位，再针对具体位置细读，甚至用grep直接去原文里翻特定的关键词。每一步的产出，都成为下一步的输入。
search：从零开始的地毯式扫描
第一步通常是一记广撒网。模型把问题转化为几个关键词，跑一遍检索，拿到一份按相关度排序的候选列表。这一步和传统检索没本质区别，但它的意义在于：检索过程被显式地交给了模型决策，而不是被埋在管道里。
open 与 navigate：敢于打开，敢于跳转
候选列表不是终点，而是起点。模型可以自主决定打开哪一篇文档，如果发现内容不相关，就立刻返回列表换一篇。打开文档后，它还能在页面里上下定位，找到值得细品的部分。注意，这种“打开”不是简单地把整篇文档塞进上下文，而是带着某个具体意图去访问——想验证什么，就在哪里停留。
read 与 grep：在原文里抠细节
read是细读模式，允许模型对选定的文本片段做深入理解；grep则更像一个高效的工具人，直接按字面模式去原文里匹配，适合寻找具体的术语、数字或某种格式的文本。这两个工具让模型拥有了显微镜和雷达，既可以扎进一句话里品咂含义，也能快速扫描全文抓出所有可疑的线索。
精度从26.7%到86%，到底发生了什么
数字最诚实。26.7%意味着传统RAG在包含多文档、需要交叉验证的任务上几乎等于瞎猜；86%则说明，当模型被允许用推理去驱动检索时，效果出现了质的飞跃。这中间差的60个百分点，不是某个embedding模型的胜利，而是把控制权交还给推理本身的结果。
错误模式被改变了
旧RAG的失败通常是“找不到”——相关的信息压根没被捞进上下文。而Agentic Search的失败更多是“找不全”——已经看到了部分答案，但可能漏掉了另一处关键证据。后一种错误要温柔得多，也更接近人类研究问题的节奏：先有个大致印象，再回头补细节。
验证成为检索的一部分
五个工具带来的最大改变，是模型可以主动去做交叉验证。它读到某个说法，不直接采信，而是再搜一下，再用grep翻翻上下文，再打开另一篇文档看看是否矛盾。这种“怀疑—验证—确认”的循环，恰恰是人类做研究时最自然的行为，却在此前的自动检索产品里几乎看不到。
不只是搜索，是推理能力的延伸
Agentic Search的野心显然不止于做一个更强的搜索接口。它真正想说的是：检索本身就是一种思考方式。模型不再把“找信息”和“理解信息”分成两段，而是让它们交替进行，互相喂给彼此。你在搜索的过程中理解，在理解的过程中重新搜索。
长文档与多来源场景是主战场
几十页的研究报告、一堆互相引用的网页、跨文档的矛盾条款——这些恰恰是传统RAG最容易崩溃的场景。Agentic Search的多步循环就像一位带着便利贴和荧光笔的研究助理，它会不厌其烦地来回奔波，直到把线索串起来。对于那些动辄十万字的企业知识库，这才是真正够用的形态。
下一步是什么？检索会越来越像推理
当模型可以自由调用工具去搜索、打开、定位、细读、匹配的时候，它已经不再是检索系统的用户，而是检索系统的操作者。面向未来，这种模式会和agentic流程深度绑定——模型不仅能搜，还能在搜到的内容上做规划、做比较、做决策。搜索的门槛会进一步降低，而语义理解的权重会越来越高。
回头再去看那个26.7%到86%的跃升，我们会意识到，真正值钱的不是那五个工具本身，而是“让模型按需决策”这个简单到容易被忽略的理念。毕竟，在信息过载的时代，最好的检索器不是更大的索引，而是一个懂得什么时候该翻页、什么时候该停下来细看的头脑。
