Agent不用向量数据库也能搜索给它一个grep就够了

本文核心作者团队包括：来自 Texas A&M University 的 Zhuofeng Li、Yu Zhang，UC San Diego 的 Haoxiang Zhang，University of Waterloo 的 Dongfu Jiang、Cong Wei、Ping Nie、Wenhu Chen、Jimmy Lin，Stanford University 的 Pan Lu、Yejin Choi、James Zou，UIUC 的 Ming Zhong、Jiawei Han，以及 UW、Verdent AI、Lambda 等机构的合作研究者。

当大语言模型从“回答预设问题”迈向“自主搜索、验证并综合证据”时，检索接口正成为 Agentic Search（智能体搜索）的核心瓶颈。传统搜索系统的标准流程是：先将文档切分并建立索引，随后根据查询返回 top-k 结果；智能体只能基于这批候选片段进行推理。这一流程虽然高效且成熟，但其局限性在于，复杂搜索任务并非总能通过语义最相近的片段解决。答案可能隐藏在多条弱线索的交汇处——一旦这些关键证据在最初的 top-k 阶段被过滤，后续无论模型推理能力多强，都难以凭空将其找回。

来自 Texas A&M University、University of Waterloo、UC San Diego、Stanford University 等机构的研究团队，提出了一种全新的搜索范式：Direct Corpus Interaction（DCI），中文译为“直接语料交互”。其核心思想是：摒弃对 embedding 模型、向量索引或传统检索器的依赖，转而让智能体直接运用 grep、文件读取、shell 命令、轻量脚本等工具，在原始语料中进行多轮搜索、定位、验证与假设修正。

实验结果显示，在深度研究、多跳问答、信息检索等任务中，DCI-Agent 不仅成功摆脱了传统语义检索器，更在多项指标上显著超越众多检索智能体基线。以深度研究的 BrowseComp-Plus 基准数据集为例，当使用 Claude Sonnet 4.6 模型时，采用 DCI 替代 Qwen3-Embedding-8B 检索工具，准确率从 69.0% 提升至 80.0%，同时成本从 1440 美元大幅降至 1016 美元。

图 1：BrowseComp-Plus 上的性能与成本对比。论文比较了 Qwen3-Embedding-8B 与 DCI-Agent 两种 agentic search 接口，后者在准确率和成本之间实现了更优平衡。

• arXiv 论文链接：https://arxiv.org/abs/2605.05242

• 开源代码仓库：https://github.com/DCI-Agent/DCI-Agent-Lite

• 在线体验 Demo：https://huggingface.co/spaces/DCI-Agent/demo

为何 Agentic Search 的检索接口需要重新审视？

Agentic Search 与传统搜索的本质区别在于：它并非“一次查询对应一次 top-k 查找”。一个检索智能体会不断拆解问题、提出中间假设、寻找实体线索、打开文档、检查局部上下文，并根据观察到的证据调整下一轮搜索。因此，真正的瓶颈往往不在于模型是否会总结，而在于模型能否获取足够关键、足够细粒度的证据。一旦检索遗漏核心证据，后续推理极易沦为在不完整信息基础上的自我论证。

传统检索器大致可分为几类。稀疏检索以倒排索引、BM25 为代表，具有快速、稳定、可解释性强的特点，擅长处理专有名词、编号日期及精确字符串匹配，但对同义表达的理解能力较弱。稠密检索则将查询和文档块编码为向量索引，通过相似度进行召回，能够应对模糊问题，但会将复杂文档压缩成固定维度的向量。重排方法在粗排后使用 cross-encoder 或大模型进行精细排序，质量更高，但范式并未改变：语料仍先被索引系统压缩，智能体只能看到被选中的一部分信息。

在 Agentic Search 时代，top-k 的局限性被进一步放大。尽管智能体具备规划、查询改写、文档阅读和迭代推理的能力，但若每次只能通过检索接口返回的狭小窗口观察语料，将难以像研究者一样进行反复检索、交叉过滤和证据定位。

论文将这类困境归纳为三种典型场景：精确词法约束，例如答案依赖于特定的日期、编号或缩写；稀疏线索组合，例如地点、年份、组织、事件必须同时成立；局部上下文验证，例如找到相关文档后，还需定位到文档中的特定句子、表格或脚注。诸如 BrowseComp-Plus 这类基准数据集，正是为了考察这种能力：智能体需要发现中间实体、组合弱线索、执行精确约束，并在观察局部证据后修正搜索计划。

DCI-Agent：赋能智能体直接与语料交互

既然现有智能体已经能够进行规划和使用工具，为何非要先通过 embedding 将语料压缩成向量，再让模型仅查看 top-k 结果？DCI 的思路更为直接：智能体不调用传统检索接口，也不依赖向量索引，而是直接通过命令行工具访问原始语料。它可以使用 grep 或 rg（ripgrep）进行精确匹配和正则搜索，利用 find 或 glob 发现文件，通过文件读取工具查看局部上下文，甚至编写轻量脚本来统计、过滤和组合线索。DCI 的观察结果不再是固定格式的文档排序列表，而是工具的输出：匹配的片段、文件路径、计数、上下文、元数据等。

图 2：两种 agentic search 接口对比。左侧为传统方法：语料先被索引，智能体利用 BM25、ColBERT 等检索工具，再基于返回的 top-k 结果进行推理。右侧为 DCI：绕过索引和 embedding 过程，智能体直接使用 grep、glob、bash、轻量脚本等工具访问原始语料，从而获得更细粒度的模式匹配和证据定位能力。

这更接近人类研究者查阅资料的方式。我们不会始终只输入一个查询词，然后仅阅读搜索引擎显示的前几条结果片段；我们会打开文件，使用 Ctrl+F 搜索关键词，沿着实体名称继续搜索，利用多条线索交叉过滤，并在查看局部上下文后重新调整问题。DCI 将这种交互行为赋予了智能体。举例来说，智能体可以先用 find 命令定位可能相关的文档目录；再用 grep “Nobel” 找出所有包含特定实体的文件；接着通过 grep “Nobel” file | grep “physics” 强制两个弱线索同时出现；然后读取命中位置前后数十行上下文，验证内容是否支持假设；最后根据新发现的人名、年份、机构等信息启动下一轮搜索。这种模式并非一次性的“召回 top-k”，而是在语料中进行持续的探索、定位、验证与收敛。

DCI-Agent 的具体实现方案

为了验证直接语料交互本身的有效性，论文实现了两个 DCI-Agent 版本。

第一个是 DCI-Agent-Lite。它是一个基于 Pi 的轻量级命令行（CLI）智能体，仅使用 bash 和 read 等基础工具，并结合简单的上下文管理。它不构建离线索引，不使用任何稀疏、稠密或重排检索工具。该版本主要用于证明：即使没有复杂的工程实现，仅依靠直接语料交互接口，也能带来显著的性能提升。

第二个是 DCI-Agent-CC。它基于 Claude Code，具备更优秀的提示、工具编排和上下文处理能力，但同样不使用任何传统意义上的检索工具。论文将其视为 DCI 的强实现，用于测试该范式在更强命令行智能体上的性能上限。

图 3：长程 DCI 的运行时上下文管理。由于反复执行 grep、读取文件和展开上下文会产生大量文本，DCI-Agent-Lite 引入了裁剪（truncation）、压缩（compaction）和总结（summarization）三种机制，在保留搜索轨迹结构的同时缓解上下文压力。

上下文管理是 DCI 能够执行长程搜索的关键。论文并未将所有文件直接塞入上下文，而是让智能体边搜索边读取，并通过三种机制控制信息量：

• 裁剪：对于单次工具调用，超过阈值的工具回显内容会被截断，并附上系统提示，避免单次搜索结果淹没后续推理过程。

• 压缩：对于多轮历史记录，保留早期轮次的思考过程和所使用的命令行，但将对应的命令行返回结果替换为占位符，仅留下搜索轨迹的骨架信息。

• 总结：当上下文接近预算上限时，触发独立的总结智能体，将历史记录重写为结构化的研究笔记，保留关键线索、工具调用、已收集证据以及当前任务焦点。

摒弃 embedding，性能反而更优

在深度研究的 BrowseComp-Plus 基准数据集上，使用 Claude Sonnet 4.6 时，以 DCI 替代 Qwen3-Embedding-8B 检索工具，准确率从 69.0% 提升至 80.0%，同时成本降低 29.4%。

在多跳问答的 NQ、TriviaQA、Bamboogle、HotpotQA、2WikiMultiHopQA、MuSiQue 等基准数据集上，DCI-Agent-CC 取得了 83.0% 的平均准确率，相比最强的检索智能体基线 ASearcher-Local-14B，提升了 30.7%。

在信息检索的 BRIGHT、BEIR 基准数据集上，DCI-Agent-CC 达到了 68.5 的平均 NDCG@10，比最强的传统检索基线 ReasonRank-32B 高出 21.5%。

图 4：多跳问答与信息检索基准数据集上的实验结果。DCI-Agent 在各项任务中均表现出优势，表明它并非仅在特定数据集上有效的技巧，而可能代表了一种全新的检索范式。

DCI 的性能提升从何而来？

论文的机制分析给出了一个颇具启发性的答案。通过对模型在 BrowseComp-Plus 上生成的轨迹进行分析发现，DCI-Agent-Lite 的平均相关文档覆盖率反而低于使用 Qwen3-Embedding-8B 的检索智能体，但其定位准确率却显著更高。换言之，DCI 的制胜点并非“更全面地找到所有相关文档”，而是“一旦接触到相关文档，就能在文档内部进行更细粒度的定位、验证和线索扩展”。

传统检索方法提供给智能体的是文档级或片段级的候选结果，而 DCI 提供了更精细的操作粒度：文件名、行号、匹配片段、局部上下文、管道命令组合、正则约束、计数统计等。智能体不仅获得了一段相似文本，更能继续在语料中进行“实验”。论文将此称为“检索接口分辨率”。这也是 DCI 最具启示性的地方：检索质量不仅关乎模型或 embedding，更核心的是接口设计问题。当模型能够像研究者一样提出假设、测试模式、阅读上下文并改写查询时，过度压缩的相似度索引反而可能成为瓶颈。

图 5：BrowseComp-Plus 上模型的轨迹分析。DCI-Agent-Lite 的平均相关文档覆盖率并不高于传统检索智能体，但其定位准确率显著更高，说明 DCI 的优势主要源于更细粒度的局部定位与证据验证能力。

语料规模扩大后效果如何？

论文保留了一项重要观察：DCI 并非万能解决方案！当语料规模扩大时，直接语料交互会面临搜索广度、工具调用次数、延迟和成本上升的挑战。这很容易理解：DCI 擅长高分辨率的局部搜索，但在超大规模开放语料中，找到第一个有用锚点本身就可能代价高昂。语料越大，智能体需要在更多文件和更多候选线索中进行探索。

因此，DCI 的适用边界也很清晰：它不一定适合所有超大规模、开放式、简单查询密集的检索场景；它更适用于本地语料、异构文件、快速变化的工作区、代码仓库、科研资料、企业内部文档，以及需要多轮探索和严格证据验证的 Agentic Search 任务。这也意味着，未来更现实的方向并非 DCI 完全取代所有传统检索模型。更可能的形态是：粗粒度召回采用传统检索模型，高分辨率验证则使用 DCI。也就是说，传统检索模块可以先引导智能体到可能相关的区域，而 DCI 则负责在局部语料中完成精确定位、线索组合和证据验证。

图 6：在 BrowseComp-Plus 上，随着文档规模从 100K 扩展到 200K、400K，DCI-Agent 的搜索成本和延迟上升，准确率下降，说明直接语料交互需要与语料规模及任务复杂度进行权衡。

这篇论文真正改变了什么？

过去，我们优化检索系统时，常常围绕这些问题打转：改用哪个 embedding 模型？chunk 大小如何设定？top-k 取多少？如何选择 reranker？如何进行查询重写？但 DCI-Agent 提醒我们，还需要追问一个更底层的问题：智能体究竟应该以什么粒度访问外部世界？如果检索接口只能返回 top-k 片段，那么智能体看到的世界就是被压缩过的世界。它无从知晓被过滤掉的证据中蕴含什么，也难以像人类一样对原始材料进行反复搜索、交叉验证和局部定位。而 DCI 将语料转变为一个可操作的环境。智能体不再是等待检索器投喂结果，而是主动操作语料。这使得搜索从一个相似度排序问题，转变为一个多轮交互问题。

这或许是下一代 Agentic Search 和深度科研系统的重要发展方向：不是让检索工具替智能体决定看什么，而是设计分辨率更高的语料接口，让智能体自主学会如何寻找、如何审视、以及如何验证。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：Agent不用向量数据库也能搜索给它一个grep就够了要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题