摘要：
2026年8月20日，法国AI公司Mistral AI正式推出Mistral Agentic Search——一款智能体搜索检索层AI工具。它并非传统聊天... 2026年8月20日，法国AI公司Mistral AI正式推出Mistral Agentic Search——一款智能体搜索检索层AI工具。它并非传统聊天助手，而是一个专为解决复杂长文档和跨源数据信息检索难题而设计的Agentic RAG（检索增强生成）系统。其核心价值在于：让AI从"根据固定片段猜答案"升级为"在文档中主动翻页、跳转、验证、再搜索"，直到找到足够证据为止。
一、核心能力：多步检索循环，突破传统RAG天花板
传统RAG的工作方式可以理解为：用户提问→系统从知识库中检索最相关的几个文本块→大模型根据这些固定片段生成答案。如果答案分散在文档的五个不同章节，或者需要跨多份文件交叉验证，单次检索几乎必然失败。
Mistral Agentic Search引入了多步检索循环机制。模型可以在语料库中主动搜索、打开文档、读取内容、验证信息，并根据需要重新查询，直至收集到足够证据。这种迭代式检索方式让AI系统能够处理答案不在首个检索片段中的复杂问题，模拟了人类研究者查阅文献时的"翻书-跳转-对照"过程。
七大检索工具，实现文档级精细操作
Agentic Search为模型提供了七个类似文件系统操作的检索工具：
search：在整个语料库中执行语义或混合检索，支持排除已查看片段
open：扩展已检索片段周围的上下文
navigate：从已知位置向前或向后遍历文档
read：读取由search或导航结果返回的已知范围内容
grep：在单个文档内进行精确词或短语的精确搜索
ingest：向索引添加本地路径、文件URI或URL的文档
delete：删除文档及其全部片段
模型无关性，检索质量随模型能力扩展
Agentic Search的检索工具无需针对特定模型进行微调或训练。随着底层模型的推理和工具使用能力提升，检索质量也随之提高。这种设计意味着检索效果不受限于固定的分块策略，而是与模型能力同步进化。Mistral官方测试显示，同一底层模型使用Mistral工具栈相比使用Claude Code工具栈，在OfficeQA Pro基准上准确率提升10.5个百分点。
二、性能数据：准确率从27%飙升至86%
Agentic Search在官方测试中交出了一份极具说服力的成绩单：
准确率提升：在FinanceBench金融问答基准测试中，基于368份平均约147页的SEC文件（10-K/10-Q/8-K年报），完整Agentic循环准确率从单次RAG的27%提升至86%，提升约3倍
延迟降低：p90延迟从255秒降至154秒，降低约40%
Token消耗减少：相比仅搜索循环，token用量减少23.9%至33.7%
高难度基准突破：在696份扫描版财政部公报的OfficeQA Pro测试中，完整循环准确率从6.3%提升至51.9%
这些数据揭示了一个关键洞察：86%对27%的准确率差距并非来自模型规模，而是来自检索方式的根本性变革。
三、与传统RAG方案对比
| 维度 | Mistral Agentic Search | 传统RAG | LlamaIndex Agent |
|---|---|---|---|
| 检索方式 | 多步循环+文档内导航 | 单次检索固定片段 | 多工具组合检索 |
| 文档操作 | open/navigate/grep精细操作 | 无文档内操作能力 | 依赖自定义工具 |
| 准确率(FinanceBench) | 86% | 约27% | 依配置差异较大 |
| 模型依赖 | 模型无关，随能力扩展 | 与模型解耦 | 与LangChain生态绑定 |
| 部署方式 | 云端Studio/Vibe或本地Docker | 自建向量数据库 | Python框架自建 |
四、应用场景与适用人群
金融财报分析：处理数百页SEC文件，提取关键财务指标并进行跨年度对比
法律合同审查：在长篇法律合同中定位特定条款，对比多份合同差异
企业知识库检索：连接内部文档系统，支持员工自然语言查询技术手册和产品规格
政府公报查询：处理扫描版、表格密集的政府金融PDF，提取可验证的数值型答案
科研文献综述：跨多篇论文检索特定实验数据，验证研究结论一致性
适合人群：企业开发者、数据分析师、金融与法律从业者，以及需要构建高精度文档检索系统的技术团队。
在AI工具导航的框架下，Mistral Agentic Search属于企业级专业检索工具，与面向终端内容创作的AI写作工具、AI PPT或AI表格工具等定位不同——它解决的不是"生成什么内容"，而是"在浩如烟海的文档中如何精准找到依据"。在AI办公软件推荐的逻辑中，Agentic Search更适合作为金融、法律、合规等专业岗位的辅助决策工具，而非全员标配的通用办公套件。对于需要深度处理内部知识库的企业团队，它代表了一种从"关键词搜索"到"智能体深度阅读"的能力跃迁。
五、如何使用Agentic Search
Mistral Agentic Search提供两条使用路径：
云端开箱即用：通过Mistral Studio和Vibe的Libraries功能，无需代码即可使用
本地部署：使用Search Toolkit SDK集成到自定义工作流中
快速启动（本地部署）：通过Mistral官方提供的Search Starter App，使用Docker启动Vespa搜索引擎，配合make命令完成数据摄取和检索测试，普通开发机即可运行，对本地硬件要求不高。
六、定价与开源状态
开源组件：Search Starter App开源项目（GitHub: mistralai/search-starter-app），包含默认配置和完整示例代码
API使用：通过Mistral API调用，费用计入Mistral API套餐
云端方案：Studio和Vibe用户可直接在Libraries中使用
企业部署：支持本地私有化部署，需联系Mistral销售获取企业定价
目前Mistral未单独公布Agentic Search的定价，费用包含在Mistral API或企业套餐中，开发者可通过免费额度体验基础功能。
七、与传统RAG的核心区别
传统RAG仅执行单次检索并返回固定文本块，无法处理答案分散在文档多处或需要跨文档验证的复杂问题。Agentic Search引入多步检索循环，模型可以主动打开文档、导航到特定章节、grep精确词组，并根据证据重新搜索，直至找到准确答案。它支持文本、PDF、扫描版文档等多种格式，非文本文件会自动调用Mistral OCR解析。