Mistral 把 AI 查复杂文档的准确率从 26.7% 拉到 86%，但平均响应时间从 1-2 秒变成 71 秒。这不是普通升级，是检索范式从'找片段'到'拼证据链'的转变。值得关心的是：哪些场景愿意为准确率多等一分钟，哪些不愿意。

这是什么

Mistral 在 8 月 20 日发布的 Agentic Search 不是一个新模型，而是一种新的检索方式。传统 RAG（让 AI 检索文档片段后再生成答案的流程）面对复杂文档有三个明显短板：单次检索拿不到跨章节信息、模型没有回溯验证能力、检索深度固定。Agentic Search 给 AI 五个工具（search、open、navigate、read、grep），让模型自主规划步骤、反复跳转验证。在 FinanceBench 基准测试（368 份 SEC 文件、53,900 页、150 道多跳推理题）上，准确率从 26.7% 升到 86%，提升 59 个百分点。

行业怎么看

支持者认为这是金融合规、法律尽调、合同审查的刚需解法。招股书、年报里的关键信息常藏在脚注、附注、交叉引用里，传统 RAG 命中的是片段，Agentic Search 拼出的是证据链。同时，完整导航循环的 Token 消耗比纯搜索循环还少约三分之一，长期成本可能更低。

反方意见也很直接：71 秒平均延迟、154 秒 p90（90% 的请求不超过该值）延迟，对客服、实时对话场景不可接受；循环次数取决于问题复杂度，SLA（服务等级承诺）难以稳定签出；模型自主调用工具，调试和审计更复杂——「AI 凭什么信自己查出来的东西」会成新问题。

对普通人的影响

对企业 IT：招股书、年报、合同密集的行业（券商、律所、审计）值得重新评估文档检索方案，准确率本身就是竞争力。

对个人职场：律师、分析师、审计师等岗位的 AI 工具会变好用，但客户对错误的容忍度也会同步降低，工具不会让你失业，但会让你更快被追责。

对消费市场：普通用户短期内不会直接感受到变化，但 B2B 服务（如法律 SaaS、合规平台）的输出质量会提升，下游消费产品间接受益。