Databricks 发布了一款名为 KARL 的 AI 智能体，核心目标是减少检索增强生成系统中的无效搜索。公司称，这类系统过去常会持续拉取上下文、反复检索信息，直到触及 token 上限或超时，既增加算力消耗，也拖慢响应速度。

强调何时停止搜索

KARL 的设计重点不是单纯扩大检索范围，而是判断何时已经获得足够信息。Databricks 表示，这一能力通过强化学习训练而来，使智能体在额外检索已无法继续提升答案质量时主动停止，而不是继续消耗资源。

公司还将“上下文压缩”与这一机制结合使用。也就是说，KARL 会先压缩已获取的信息，再决定是否还需要继续搜索。Databricks 认为，这两项能力共同构成了 KARL 提升效率的基础。

成本和延迟数据公布

按照 Databricks 的说法，KARL 在检索和推理任务中的准确率可与 Claude Opus 4.6 持平，但运行成本更低、响应更快。

  • 成本降低 33%
  • 延迟降低 47%
  • 准确率与 Claude Opus 4.6 相当

这意味着，面向大量企业查询场景时，系统部署成本和等待时间都可进一步压缩。对需要大规模运行 AI 智能体的企业来说，这类指标通常比单一基准成绩更受关注。

接入 Agent Bricks 平台

KARL 并不是独立产品，而是运行在 Databricks 于 2026 年 9 月推出的 Agent Bricks 平台内。该平台面向企业构建自动优化、按场景定制的智能体，目标是减少企业手动调参的工作量。

Databricks 表示，Agent Bricks 支持 Claude、GPT 等主流模型，并通过 Unity Catalog 处理治理流程。公司还在 AI Search 产品中加入 reranking 功能，即先对初步检索结果重新评分，再交给语言模型处理。Databricks 称，这一功能让企业基准测试准确率提升约 15 个百分点。

平台使用量超过10万个智能体

Databricks 称，自 Agent Bricks 上线以来，平台上已构建超过 10 万个智能体。公司还表示，结合并行推理、多模型协同等方法，部分任务类型的准确率已从约 32% 提升至 90% 以上。

从产品定位看，Databricks 并未把自己定义为基础模型提供商，而是强调为企业提供模型部署、治理和扩展所需的基础设施。KARL 的发布，也延续了这一思路：竞争重点不只是模型本身，而是模型在企业环境中的运行效率和使用成本。