Mistral Agentic Search: ให้โมเดล "เปิดอ่านเอกสารเอง" แทนการดึง chunk มายัด — FinanceBench จาก 26.7% เป็น 86%

20 สิงหาคม 2026 Mistral เปิดตัว Agentic Search — และถ้าคุณเคยสร้างระบบ RAG บนเอกสารองค์กรจริง ๆ แล้วเจอกำแพงว่า “ตอบผิดตลอดเวลาที่คำตอบอยู่ในตาราง” หรือ “คำตอบต้องเอาสองไฟล์มาต่อกัน” นี่คือข่าวที่ควรอ่าน

ประเด็นหลักไม่ใช่ว่าโมเดลเก่งขึ้น แต่คือการเปลี่ยน รูปแบบการเข้าถึงข้อมูล จาก retrieval ครั้งเดียว (ยิงคำถาม → ได้ chunk กลับมา k ชิ้น → ให้โมเดลตอบจากเท่านั้น) มาเป็นการให้โมเดลถือเครื่องมือแล้ว “เดินสำรวจ” เอกสารเองเป็นหลายก้าว เหมือนที่มนุษย์เปิดรายงานประจำปีแล้วกระโดดไปหน้าภาคผนวกเพื่อเช็กตัวเลขในตาราง

ห้าเครื่องมือที่โมเดลได้ถือ

Mistral ให้โมเดลเข้าถึงทูลห้าตัว: search, open, navigate, read และ grep

ความต่างอยู่ตรงที่ RAG แบบเดิมนั้น “ตัวดึงข้อมูล” กับ “ตัวตอบ” เป็นคนละระบบ และตัวดึงจะได้เห็นแค่คำถามตั้งต้นเท่านั้น พอเจอเอกสารที่คำตอบต้องประกอบจากหลายจุด — ตัวเลขในตารางหน้า 42, นิยามในเชิงอรรถหน้า 7, การอ้างอิงข้ามไปอีกไฟล์ — retrieval แบบยิงครั้งเดียวจะแพ้เสมอ เพราะมันไม่มีโอกาสรู้ว่าต้องไปดูอะไรต่อ

การมี open กับ navigate แปลว่าโมเดลเปิดเอกสารแล้วเลื่อนดูโครงสร้างได้เอง ส่วน grep คือสิ่งที่คนทำ RAG หลายคนแอบทำเองมานานแล้วด้วย regex เพราะ embedding search หาคำเฉพาะเจาะจง (รหัสสินค้า, ชื่อเฉพาะ, ตัวเลขในสัญญา) ได้แย่กว่าการค้นตรง ๆ — คราวนี้มันถูกทำให้เป็นทูลมาตรฐานที่โมเดลเลือกใช้เองได้

ตัวเลขที่ Mistral รายงาน

• FinanceBench: ความแม่นยำจาก 26.7% → 86% (ราวสามเท่า)
• OfficeQA Pro: จาก 6.3% → 51.9% (+45.6 จุด)
• Latency: ลดลงได้ถึง 39.6%
• การใช้โทเคน: ลดลงราวหนึ่งในสาม

ตัวเลขสองชุดแรกน่าสนใจตรงที่ฐานเดิมมันต่ำมาก — 6.3% บน OfficeQA Pro แปลว่า RAG แบบเดิมกับงานประเภทนี้แทบใช้ไม่ได้เลย ไม่ใช่ “พอใช้แล้วดีขึ้น” นี่สอดคล้องกับสิ่งที่คนสร้างระบบเอกสารองค์กรบ่นกันมาตลอด: เดโมสวยตอนถามคำถามง่าย ๆ แต่พังทันทีที่คำถามต้องข้ามหน้า

ส่วนตัวเลขที่ควรสนใจไม่แพ้กันคือ latency และโทเคน ลดลง ทั้งที่จำนวนก้าวเพิ่มขึ้น ฟังดูขัดกัน แต่มีเหตุผล: RAG แบบเดิมมักแก้ปัญหาความไม่แม่นด้วยการยัด context เยอะ ๆ เข้าไปเผื่อไว้ (top-k สูง ๆ, chunk ใหญ่ ๆ) ซึ่งเปลืองโทเคนมหาศาลและยังพลาดอยู่ดี ขณะที่การเดินหาแบบมีเป้าหมายอ่านน้อยกว่าแต่อ่านตรงจุด

deploy ได้ทั้งคลาวด์และ on-premise

Mistral บอกว่า Agentic Search ใช้ได้ผ่าน Mistral Search Toolkit และถูกฝังเข้าไปใน Studio กับ Vibe แล้ว พร้อมมี Search Starter App ให้ลองก่อน — และรองรับการ deploy ทั้งบนคลาวด์และ on-premise

จุดหลังนี้คือสิ่งที่ทำให้ข่าวนี้ต่างจากฟีเจอร์ search ของเจ้าอื่น เพราะกลุ่มที่เจ็บปวดกับ RAG บนเอกสารหนัก ๆ ที่สุดคือธนาคาร ประกัน กฎหมาย และหน่วยงานรัฐ — ซึ่งเป็นกลุ่มเดียวกับที่เอาเอกสารออกนอกองค์กรไม่ได้ การที่ทูลชุดนี้ไปรันหลังกำแพงองค์กรได้ ตรงกับยุทธศาสตร์ sovereign AI ที่ Mistral ประกาศไปเมื่อ 11 ส.ค. พอดี

หน้าประกาศไม่ได้ระบุราคาต่อการเรียกใช้ไว้ ซึ่งเป็นข้อมูลที่ต้องรอ

มุมมอง AI Curator

ผมคิดว่านี่คือสัญญาณว่า “RAG” ในความหมายเดิมกำลังจะกลายเป็นคำที่ล้าสมัย ไม่ใช่เพราะมันผิด แต่เพราะสมมติฐานเบื้องหลังมันเกิดในยุคที่ context window เล็กและโมเดลเรียกทูลไม่เก่ง เราจึงต้องออกแบบระบบให้ “ตัดสินใจแทนโมเดลว่าจะให้มันเห็นอะไร” ก่อนที่มันจะได้คิด — ซึ่งเป็นการตัดสินใจที่ทำตอนที่เรามีข้อมูลน้อยที่สุด พอโมเดลเรียกทูลได้เชื่อถือได้แล้ว การคืนอำนาจตัดสินใจนั้นให้โมเดลก็เป็นเรื่องที่ควรเกิด

แต่มีข้อควรระวังที่คนอ่านตัวเลข 26.7% → 86% แล้วมักมองข้าม: เบนช์มาร์กพวกนี้ Mistral วัดเอง และการเทียบ “agentic search vs. RAG แบบดึงครั้งเดียว” นั้นขึ้นกับว่าเบสไลน์ RAG ที่เอามาเทียบถูกจูนมาดีแค่ไหน ทีมที่ทำ RAG จริงจังส่วนใหญ่ไม่ได้ใช้ vanilla top-k อยู่แล้ว — มี reranker, hybrid search, query rewriting กันหมด ตัวเลขที่คุณจะได้จริงจึงน่าจะน้อยกว่าสามเท่า สิ่งที่ควรทำคือเอา eval set ของตัวเองไปวัด ไม่ใช่เชื่อเลข FinanceBench

สำหรับบริบทไทย ผมว่าข่าวนี้มีน้ำหนักกว่าที่เห็น เพราะปัญหาที่ Agentic Search แก้ — เอกสารสแกน, ตารางเยอะ, คำตอบกระจายข้ามไฟล์ — คือสภาพเอกสารราชการและเอกสารองค์กรไทยเป๊ะ ๆ รายงานประจำปี, หนังสือเวียน, ประกาศ ก.ล.ต., เอกสารประกวดราคา ล้วนเป็น PDF ที่ RAG แบบ chunk-แล้ว-embed ทำได้ห่วยมาก และหลายองค์กรก็เอาข้อมูลออกนอกประเทศไม่ได้ด้วยข้อกำหนด PDPA หรือระเบียบภายใน

ข้อเสียคือทูลชุดนี้ยังผูกกับ stack ของ Mistral อยู่ ไม่ใช่มาตรฐานเปิดแบบ MCP ถ้าคุณอยากได้ผลลัพธ์แนวเดียวกันโดยไม่ผูกเวนเดอร์ ข่าวดีคือแนวคิดนี้ลอกได้ตรง ๆ — ให้เอเจนต์ของคุณถือทูล grep กับ open บนไดเรกทอรีเอกสาร แล้วเลิกยัด chunk เข้า context เผื่อไว้ นั่นคือ 80% ของไอเดียนี้ และทำได้วันนี้ด้วย MCP server ธรรมดาตัวเดียว

แหล่งข่าว

• Agentic Search — Mistral AI
• In-region inference, open models, and new European infrastructure for sovereign AI — Mistral AI