我把 Mistral 的 Agentic Search 文档和发布材料对了一遍。这套东西最有用的地方很具体：模型拿到第一批检索结果以后，还能继续找。
查海外客户时，这个差别很快就会露出来。你想知道一家公司的母公司、主营产品和采购负责人，搜索引擎通常给出一批链接，普通 RAG 再从其中挑几段文字交给模型。只要第一批片段漏了关键材料，后面的回答写得再完整，也只能围着缺口打转。
外贸客户开发里的很多问题都需要追线索。一份 PDF 出现了母公司的名字，下一步要查母公司。一条贸易记录提到旧公司名，还要回头核对品牌和主体有没有变更。联系人写着采购经理，也要找到公司页面或原始文件确认他的岗位。一次检索很难把这些材料同时送到模型面前。
从人肉搜索到单次 RAG
人肉搜索靠经验。一个熟练业务员会换关键词，会打开长文档，也知道看到公司别名以后该往哪里追。问题也很明显：速度慢，过程很难复用，换个人常常会得到另一套结果。
单次 RAG 把前半段加快了。系统从索引里取回 top-k 片段，模型读完就回答。直接查一个已知字段时，这种办法很合适。Mistral 的文档也把短文档、简单问题和高频直接查询列为普通索引检索更合适的场景。
长报告、多份资料和需要核验的数字会让单次 RAG 吃力。答案可能藏在表格、脚注或另一份文件里。系统找对了文档，却没拿到答案所在的那一页。模型缺少继续行动的工具，只能用手上的片段结束回答。
Agentic Search 多了一个检索循环
Mistral 把 Agentic Search 定义为检索之上的编排层。底下仍然是关键词、语义或混合检索，上面多了一组模型可以反复调用的工具。
这个循环从 search 开始。模型挑中一个有希望的结果，用 open 读它周围的内容，再用 grep 在同一份文档里找精确词。需要前后翻时调用 navigate 或 read。新线索出现以后，模型改写查询，再带着 exclude_ids 搜一次，已经看过的片段不会反复回来。
官方文档面向检索列了五个工具：search、open、navigate、read 和 grep。MCP server 还提供 ingest 与 delete，合计七个。文档内导航依赖 NavigableIndex，索引 schema 需要使用 IndexingMode.DOCUMENT_PER_CHUNK，这样每个 chunk 才保留来源位置，模型才能按顺序移动。
拿客户背调来拆，可以得到一条很直观的路线。系统先搜公司名和产品，打开年报或产品目录，在文档里定位 supplier、procurement 等词，再顺着附近段落读出部门和地区。出现母公司或旧品牌名后，它会换一个查询继续搜，同时排除已经读过的内容。最后交付的结果应当带着来源位置，让业务员能回到原文复核。
这条路线没有凭空提高底层检索算法的召回率。它给了模型补材料的机会，也把人肉搜索里的换词、翻页和追线索变成可执行步骤。
Agentic Search 从第一批片段继续追到原始证据；为本文生成
多走几步为什么可能更省
多次调用工具通常会增加成本。导航做得好时，增加的步骤可以替代大量重复搜索。模型已经找到正确文档，就在文档内部定位，不必一次次对整个语料库做宽泛查询。
Mistral 在 2026 年 8 月公布了一组自测结果。FinanceBench 部分使用 368 份 SEC 文件和 150 个问题，采用默认 chunking、默认 ranking，没有针对数据集调优。官方报告里，GLM-5.2 从单次 RAG 的 26.7% 提升到完整 Agentic Search 的 86%。加入导航后，两种受测模型相对 search-only 循环少用了 23.9% 和 33.7% 的 token，p90 延迟从 255 秒降到 154 秒。
OfficeQA Pro 的材料更难，包含 696 份扫描版 Treasury Bulletins 和 133 个问题。Mistral 报告 GLM-5.2 的准确率从 6.3% 升到 51.9%。
这些数字能说明导航工具在长文档任务里有潜力，暂时不能替所有业务场景作结论。数据来自 Mistral 的发布材料，模型、索引、问题集和评分方法都有限定。换成外贸网站、海关记录和企业内部 CRM 后，结果要重新测。
放进 AI 虚拟业务员以后
AI 虚拟业务员最费时间的一段，往往发生在发出第一封邮件以前。它要确认公司是否匹配，找出采购角色，还要判断某条贸易记录能不能支持当前推断。这里很适合用 Agentic Search：资料分散，问题会随着新证据变化，最终答案也需要回到来源。
实现时可以从一个小任务开始。挑 30 个现有客户背调问题，让当前 RAG 和 Agentic Search 各跑一次。记录答案是否有来源支撑，统计延迟和 token，再看哪些问题需要第二次检索。第一批结果经常已经够用，就保留简单 RAG。漏证据和重复片段经常出现，再增加检索循环。
信息搜集会越来越适合交给 AI。人的精力可以往判断和决策移动。哪些客户值得跟，哪条证据可信，什么时候应该停止追查，这些问题仍然决定销售动作。Agentic Search 的意义，是让 AI 在把材料交上来以前，多做几步功课。