Gemini Deep Research

מערכת סוכנית

ב-Deep Research, פיתחנו מערכת תכנון סוכנית שמאפשרת לאפליקציית Gemini לפתור בעיות מורכבות. כדי להפעיל את Deep Research, אימנו מודלים של Gemini כך שיפתחו את היכולות הבאות:

• פירוק הבעיה לשלבים: כשמציגים למערכת שאילתה מורכבת ממשתמש, היא מתחילה בהכנת תוכנית מחקר מפורטת, ואז מחלקת את הבעיה לסדרת משימות משנה קטנות יותר שניתן לבצע. התוכנית בשליטת המשתמש: Gemini מציג אותה ואפשר לחדד אותה כדי שתתמקד בתחומים שרוצים לחקור.

• מחקר: המודל מפקח על התקדמות התוכנית, ובוחר בצורה חכמה אילו משימות משנה ניתן להשלים בו-זמנית ואילו צריך לבצע אחת אחרי השנייה. המודל יכול להשתמש בכלים, כמו חיפוש וגלישה באינטרנט, כדי לאחזר מידע ולהסיק ממנו מסקנות. בכל שלב, המודל מנתח את המידע הזמין וקובע לפיו איך להתקדם. יצרנו חלונית חשיבה, כדי שהמשתמשים יוכלו לעקוב אחרי מה שהמודל למד עד נקודה מסוימת ולראות מה השלב הבא.

• סינתזה: כשהמודל קובע שמספיק מידע נאסף, הוא מסנתז את הממצאים ויוצר מהם דוח מקיף. בזמן יצירת הדוח, Gemini בוחן את המידע בצורה ביקורתית, מזהה נושאים עיקריים וחוסר עקביות ומסדר את המידע בדוח בצורה הגיונית ואינפורמטיבית. יש אפילו כמה סבבים של ביקורת עצמית כדי לשפר את רמת הפירוט והבהירות.

בכל קטגוריה חדשה יש בעיות חדשות ופתרונות חדשים

כשפיתחנו את Deep Research, התמודדנו עם 3 אתגרים טכניים משמעותיים:

תכנון בכמה שלבים

כדי להשלים משימות מחקר, נדרש תכנון בכמה שלבים שחוזרים על עצמם. בכל שלב, המודל צריך להתבסס על כל המידע שנאסף עד אותו רגע. אחר כך עליו לזהות איזה מידע חסר ואילו פערים צריך לחקור. בכל התהליך צריך לאזן בין היקף המחקר לבין היכולת החישובית וזמני ההמתנה של המשתמש. הסתמכנו על מספיק נתונים כדי לאמן את המודל בתכנון ארוך של כמה שלבים ובצורה יעילה. לכן, Deep Research יכול לפעול בסביבה של דומיין פתוח בכל הנושאים האפשריים.

הסקת מסקנות לאורך כל התהליך

במשימה טיפוסית של Deep Research מתבצעות מספר קריאות למודל במשך כמה דקות. המצב הזה מאתגר כשמנסים ליצור סוכנים: צריך להגדיר אותם כך שלא כל כשל יוביל להתחלת המשימה מחדש.

כדי להשיג את המטרה הזו, פיתחנו מנהל משימות אסינכרוני חדשני ששומר על המודלים של המשימות והתכנון במצב משותף. הוא מאפשר להתאושש משגיאות בצורה מדויקת יותר בלי להתחיל משימה שלמה מחדש. המערכת הזו לגמרי אסינכרונית: תוכלו לעבור לאפליקציה אחרת וגם לכבות את המחשב אחרי שתתחילו פרויקט ב-Deep Research, ובביקור הבא ב-Gemini תקבלו הודעה כשהמחקר יסתיים.

ניהול ההקשרים

במהלך פעילות מחקר, Gemini יכול לעבד מאות דפי תוכן. כדי שתהיה המשכיות ואפשר יהיה לשאול עוד ועוד שאלות, אנחנו נעזרים בחלון ההקשר של מיליון טוקנים ב-Gemini, מהמובילים בתחום, בשילוב עם הגדרת RAG. במצב הזה, המערכת "זוכרת" את כל המידע שנלמד במהלך אותה שיחה, אז ככל שמדברים איתה יותר, היא עונה בצורה חכמה יותר.

מבוסס עכשיו על מודל ‎2.0 Flash Thinking (ניסיוני)

בהשקה של Deep Research בדצמבר, הפיצ'ר התבסס על מודל Gemini 1.5 Pro. מאז פיתחנו את מודל ‎2.0 Flash Thinking (ניסיוני) של Gemini, שמאפשר לנו לשפר באופן משמעותי את האיכות ואת היעילות של ביצועי המוצר הזה. באמצעות מודלים של חשיבה, Gemini משקיע יותר זמן בתכנון הגישה שלו לבעיה לפני שהוא עובר לשלב הבא. זה מאפיין מובנה של בדיקה עצמית ותכנון שמתאים מאוד למשימות סוכניות מתמשכות. הממצאים כרגע מראים ש-Gemini פועל אפילו יותר טוב בכל שלבי המחקר, ומספק דוחות מפורטים יותר. במקביל, היעילות החישובית של מודל Flash מאפשרת לנו לתת ליותר משתמשים גישה ל-Deep Research. אנחנו מאוד נהנים לפתח מודלים של חשיבה ומסדרת Flash באופן כללי, וממשיכים לשפר את Deep Research עוד ועוד.

השלב הבא

כשפיתחנו את המערכת, דאגנו שהיא תוכל לפעול בכל מיני דרכים כדי שנוכל להרחיב את היכולות שלה עם הזמן. לשם כך אנחנו נותנים לכם יותר שליטה על המידע שזמין לפיצ'ר לעיון, ונותנים לו גישה למקורות מחוץ לאינטרנט הפתוח.

חשוב לנו להבין איך אנשים משתמשים ב-Deep Research, כי לפי ההתנסויות האלה בפועל נוכל להמשיך בפיתוח ובשיפור של הפיצ'ר. בסופו של דבר, אנחנו שואפים לפתח עוזר אישי מבוסס-AI שפועל כסוכן שבאמת יכול לעזור בכל מה שרוצים.