Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction

Paper: arXiv:2605.05242 Code: DCI-Agent/DCI-Agent-Lite Code reference: main @ 208111d3 (2026-05-09)

1. Motivation (研究动机)

现有 Search / RAG 系统通常把语料访问压缩成一个固定的 retrieval interface：先把文档切 chunk、建 BM25 / dense embedding index，再把用户或 agent 的 query 映射成 top- $k$ snippet。这个接口在传统 RAG 中高效，但在 agentic search 中会变成瓶颈：agent 需要组合稀疏线索、验证精确字符串约束、查看局部上下文、根据中间证据修正假设；如果关键证据在 top- $k$ 阶段被过滤掉，后续再强的 reasoning 也无法恢复它。

论文关心的不是“换一个更强的 embedding model”，而是重新定义 agent 与 corpus 的交互方式。作者指出，BrowseComp-Plus 这类 deep-research benchmark 经常要求 agent 先找到中间实体，再用多个弱线索交叉验证答案；retriever-mediated access 只能返回 ranked list 和短 snippet，agent 很难主动做 grep 'foo' | grep 'bar' 这种组合式过滤，也难以在命中文档后继续定位到最小可用证据片段。

这个问题值得研究，因为它把 retrieval 从一个“相似度排序模块”变成 agent 可编排的工作环境。如果 agent 可以直接对 raw corpus 使用 terminal primitives，那么 retrieval 不再是一次 top- $k$ 调用，而是多轮 search / inspect / refine / verify 的过程；这可能同时提高答案正确率、降低对离线索引的依赖，并让本地私有语料、代码库、日志、网页 dump 等异构 corpus 直接成为可搜索环境。

2. Idea (核心思想)

核心洞察：agentic search 的关键能力不是语义相似度本身，而是“可组合、可验证、可逐步缩小范围的 corpus interaction”。Direct Corpus Interaction (DCI) 让 agent 跳过 embedding model、vector index、top- $k$ retriever API，直接用 grep / rg / find / glob / read / bash / lightweight scripts 操作 raw corpus。

本文的主要创新是把 retrieval interface 从 ranked snippet list 改成 general-purpose command-line interface，并用两个实现来验证这个范式：DCI-Agent-Lite 是轻量、可控的 terminal agent；DCI-Agent-CC 是基于 Claude Code 的更强 scaffold。作者还提出 coverage 与 localization 两类 trajectory-level metrics，用来区分“是否到达 gold document”和“是否把证据定位到小片段”。

更具体地说，DCI 把 search 拆成 agent 可组合的微操作：先用 broad keyword search 扩大候选范围，再用 chained filters 合并稀疏约束，再用 local context peek 验证片段，最后把新发现的 entity / date / title 作为下一轮 query。这个过程类似人在本地代码库或文档库里查证问题，而不是把问题一次性丢给一个 black-box retriever。

与 conventional retriever 的根本差异在于：Qwen3-Embedding-8B / BM25 这类方法先决定哪些文档暴露给 agent，agent 只能在返回候选里推理；DCI 则让 agent 自己决定搜索路径，可以先 broad search，再 chain search，再局部查看上下文。它牺牲的是运行时工具调用与 latency 的可控性，换来的是更高分辨率的证据探索。

这个想法也不是简单否定 retriever。论文真正强调的是 interface bottleneck：当问题需要 exact lexical constraints、multi-hop clue conjunctions、局部文本验证时，retriever 的 similarity score 可能把“看似不相似但逻辑上必要”的证据排除在外。DCI 的贡献是把这些本来只能由检索系统内部决定的搜索动作，开放给 agent 作为可规划、可观察、可纠错的动作空间。

3. Method (方法)

3.1 Overall framework：从 retriever-mediated access 到 Direct Corpus Interaction

Figure 2 解读：左侧是传统 retriever-mediated pipeline：corpus 先被离线索引，agent 每轮只能向 retriever 提 query 并读取 top- $k$ snippets。右侧 DCI 则把 raw corpus 暴露为 CLI 工作区，agent 直接调用 bash、glob、read、grep、python 等工具。关键变化不是多了一个工具，而是证据的过滤权从 retriever scorer 转移到 agent 的多步搜索策略中。

DCI 的运行循环可以理解为三层：第一层是 corpus workspace，文档以原始文件形式存在；第二层是 terminal/file tools，提供精确匹配、正则匹配、路径导航、局部读取、轻量脚本统计；第三层是 LLM agent，它根据中间 observation 继续生成下一批 tool calls。每次 observation 都可能包含 matched lines、file paths、counts、local spans 或 metadata，而不是固定 schema 的 top- $k$ list。

直觉上，DCI 有效是因为很多 deep-search 问题并不缺“语义相似”的文档，而缺“把多个弱条件组合到一起”的操作。例如一个问题可能同时包含人物别名、时间、地点、作品名，单个 query 很难让 embedding retriever 同时满足所有约束；但 rg pipeline 可以先找候选实体，再加第二个关键词过滤，再用 sed/head/tail 查看局部上下文，最后将新实体作为下一跳 query。

3.2 DCI-Agent-Lite 与 DCI-Agent-CC

作者实例化了两个 DCI agent：

DCI-Agent-Lite：基于 Pi coding agent 的轻量实现，released repo 中入口是 dci-agent-lite，核心 wrapper 在 src/dci/benchmark/pi_rpc_runner.py。它默认只启用 read,bash，用 --cwd 指向 corpus directory，不包含 embedding retriever、offline index 或 reranker。
DCI-Agent-CC：基于 Claude Code 的强 scaffold。论文把它视为 DCI 的强实现，而不是另一类 retrieval method；它仍只通过 terminal tools 操作 raw corpus，只是 prompt、tool orchestration 与上下文处理更稳定。
Controlled ablations：为了分离“DCI interface”与“unrestricted shell”的贡献，作者还测试了 read + grep 这种受限工具组合；即使没有 open bash，DCI-Agent-Lite 也在 BrowseComp-Plus sample-100 上达到 61% accuracy，高于 Qwen3-Embedding-8B retrieval agent 的 45%。

def dci_agent_lite_run(question, corpus_dir, *, model="gpt-5.4-nano", level="level3"):
    """Code-grounded pseudocode from scripts/bcplus_eval/run_bcplus_eval.py and pi_rpc_runner.py."""
    prompt = (
        "Answer the following question. "
        f"The answer is contained in the corpus directory at @{corpus_dir}. "
        "Do Not use web search! Use ripgrep (rg) instead of grep for fast searching.\n\n"
        f"QUESTION:\n{question}\n"
    )
    cmd = [
        "uv", "run", "dci-agent-lite",
        "--provider", "openai",
        "--model", model,
        "--cwd", str(corpus_dir),
        "--tools", "read,bash",
        "--max-turns", "300",
        "--extra-arg", f"--context-management-level {level}",
        "--extra-arg", "--thinking high",
        prompt,
    ]
    state = run_rpc_agent_and_record_events(cmd)
    return state["final.txt"], state["events.jsonl"], state["latest_model_context.json"]

3.3 Runtime Context Management

Figure 3 解读：DCI 会产生大量 tool outputs，因此 runtime 不仅要“找到证据”，还要决定哪些历史仍留在 live context 中。图中三种机制分别对应 Table 1 的 L1–L4：truncation 把单次工具结果截断；compaction 把旧 tool-result turn 清成 placeholder；summarization 在上下文压力更大时把旧历史改写为摘要。这里压缩的是 agent 的 working state，不是 corpus 本身。

论文定义 5 个 context-management levels：L0 无管理；L1 只截断，每个 tool result 上限 50K characters；L2–L4 使用 20K characters 上限；L3 在 accumulated tool-result content 超过 240K characters 后触发 compaction，并保留最近 12 turns；L4 在 compaction 后若估计 context tokens 仍超阈值，则用 model-generated summary 替换 compacted history，同时保留最近 20K tokens，并在连续 3 次 summarization failure 后停止重试。

def apply_runtime_context_management(messages, level):
    """Paper-level policy; released wrapper forwards this as --context-management-level to Pi."""
    if level == "level0":
        return messages
 
    char_cap = 50_000 if level == "level1" else 20_000
    for msg in messages:
        if msg.role == "toolResult":
            msg.text = msg.text[:char_cap]
            msg.context_management = {"truncated_to_chars": char_cap}
 
    if level in {"level3", "level4"} and total_tool_chars(messages) > 240_000:
        old_tool_turns = all_tool_result_turns(messages)[:-12]
        for turn in old_tool_turns:
            turn.text = "[tool result cleared from conversation context]"
            turn.context_management = {"status": "cleared", "keep_last": 12}
 
    if level == "level4" and estimated_context_tokens(messages) > CONTEXT_THRESHOLD:
        recent = keep_recent_tokens(messages, token_budget=20_000)
        summary = summarize_compacted_history(messages, max_failures=3)
        messages = [summary] + recent
    return messages

论文公式与 released code 实现差异：论文 Appendix A.3 写 BrowseComp-Plus / QA 的 accuracy judge 使用 GPT-4.1；released scripts/bcplus_eval/run_bcplus_eval.py 的 DEFAULT_JUDGE_MODEL 是 gpt-5.4-nano。此外，论文 Table 4 的 DCI-Agent-Lite direct interaction row 标注为 L4，而 released benchmark launch scripts（scripts/bcplus_eval/run_L3.sh、scripts/qa/*.sh、scripts/bright/*.sh）默认传入 --runtime-context-level level3。因此本文笔记把实验结论按论文表格记录，把可复现实验配置按 released code 记录。

3.4 Coverage 与 Localization：把“到达文档”和“定位证据”分开

Accuracy 只能说明答案对不对，不能解释 DCI 为什么赢。作者引入两个 trajectory-level metrics：coverage 衡量轨迹是否 surfacing gold documents；localization 衡量在已经到达 gold document 后，agent 暴露的 snippet 是否足够小、足够可用。

设 $D^{*} (q)$ 是问题 $q$ 的 gold documents， $M (q, τ) \subseteq D^{*} (q)$ 是 trajectory $τ$ 中实际 surfaced 的 gold documents： $coverage_{an y} (q, τ) = 1 [∣ M (q, τ) ∣ \geq 1], coverage_{m e an} (q, τ) = \frac{∣ M ( q , τ ) ∣}{∣ D ^{*} ( q ) ∣}, coverage_{a ll} (q, τ) = 1 [∣ M (q, τ) ∣ = ∣ D^{*} (q) ∣] .$ Localization 先把 observation $o_{t}$ 映射成候选集合 $R (o_{t}) = {(d_{t, i}, σ_{t, i})}_{i = 1}^{n}$ ，其中 $σ_{t, i}$ 是暴露 snippet， $ℓ_{t, i} = ∣ σ_{t, i} ∣$ 。令 $c_{se g}$ 是固定字符段长度： $ν (x) = max (1, ⌈ \frac{x}{c _{se g}} ⌉), ψ (a; b) = max (1 - \frac{l o g a}{l o g b}, 0), ψ (a; 1) = 1.$ 若候选 $d_{t, i}$ 与 gold document $d^{*}$ 对齐，则： $seg - score (d_{t, i}; d^{*}) = ψ (ν (ℓ_{t, i}); ν (∣ d^{*} ∣)) .$ 对每个 surfaced gold document 取最大 segment score，再对 $M (q, τ)$ 平均： $s (d^{*}, τ) = max_{d_{t, i} \in H (d^{*}, τ)} seg - score (d_{t, i}; d^{*}), localization (q, τ) = \frac{1}{∣ M ( q , τ ) ∣} \sum_{d^{*} \in M (q, τ)} s (d^{*}, τ) .$

def trajectory_metrics(gold_docs, observations, c_seg):
    surfaced = align_observations_to_gold_docs(observations, gold_docs)
    coverage_any = int(len(surfaced) >= 1)
    coverage_mean = len(surfaced) / max(1, len(gold_docs))
    coverage_all = int(len(surfaced) == len(gold_docs))
 
    def nu(chars):
        return max(1, math.ceil(chars / c_seg))
 
    def psi(a, b):
        return 1.0 if b <= 1 else max(1.0 - math.log(a) / math.log(b), 0.0)
 
    per_doc_scores = []
    for doc in surfaced:
        candidates = snippets_aligned_to_doc(observations, doc)
        if not candidates:  # path-only surfacing counts for coverage but not useful localization
            candidates = [full_document_as_snippet(doc)]
        per_doc_scores.append(max(psi(nu(len(s.text)), nu(len(doc.text))) for s in candidates))
 
    localization = sum(per_doc_scores) / max(1, len(per_doc_scores))
    return coverage_any, coverage_mean, coverage_all, localization

3.5 Prompt / evaluation pipeline in released code

Released code 的 scripts/bcplus_eval/run_bcplus_eval.py 负责把 benchmark row 变成 prompt、启动 dci-agent-lite、收集 artifacts、用 judge 或 NDCG 评分。QA prompt 要求只用指定 corpus、禁止 web search、优先用 rg；IR prompt 进一步要求最多返回 20 个 ranked documents，并强调 recall 与 precision 都影响 NDCG。

async def evaluate_dataset(rows, args):
    semaphore = asyncio.Semaphore(args.max_concurrency)
    results = []
    for row in rows:
        async with semaphore:
            prompt = build_ir_prompt(row["query"], args.corpus_dir) if args.enable_ir else \
                     build_benchmark_prompt(row["query"], args.corpus_dir)
            output_dir = prepare_query_dir(row["query_id"])
            run_cmd = build_run_command(args=args, question_text=prompt, query_output_dir=output_dir, resume_run=False)
            await launch_agent(run_cmd, cwd=REPO_ROOT)
            final_text = read_text(output_dir / "final.txt")
            if args.enable_ir:
                score = compute_ndcg_at_k(parse_retrieved_docs(final_text), set(row["gold_docs"]), k=10)
            else:
                score = await judge_answer_async(question=row["query"], gold_answer=row["answer"], predicted_answer=final_text)
            results.append(gather_query_metrics(row, output_dir, score))
    return aggregate_results(results)

Code reference: main @ 208111d3 (2026-05-09) — pseudocode and mapping based on this commit

Paper Concept	Source File	Key Class/Function
DCI-Agent-Lite CLI / RPC runner	`src/dci/benchmark/pi_rpc_runner.py`	`build_pi_command`, `PiRpcClient`, `RunRecorder`, `prompt_and_wait`
Tool set and dynamic system prompt	`src/dci/benchmark/pi_system_prompt.py`, `prompts/system_prompt.txt`	`parse_tools`, `buildSystemPrompt`, selected tools `read,bash`
BrowseComp-Plus / QA / IR evaluation	`scripts/bcplus_eval/run_bcplus_eval.py`	`build_benchmark_prompt`, `build_ir_prompt`, `build_run_command`, `judge_answer_async`, `compute_ndcg_at_k`
Released launch configs	`scripts/bcplus_eval/run_L3.sh`, `scripts/qa/.sh`, `scripts/bright/.sh`	OpenAI `gpt-5.4-nano`, `--tools read,bash`, `--max-turns 300`, `--runtime-context-level level3`
Corpus materialization	`src/dci/benchmark/export_bc_plus_docs.py`, `src/dci/benchmark/export_bright_docs.py`	domain-first text export, filename sanitization, parquet-to-text conversion

4. Experimental Setup (实验设置)

4.1 Datasets and corpus scale

Setting	Dataset / corpus	Scale
Agentic Search	BrowseComp-Plus	830 questions; corpus 100,195 docs; avg. 5,179 words/doc
Knowledge-Intensive QA	NQ, TriviaQA, Bamboogle, HotpotQA, 2WikiMultiHopQA, MuSiQue	Bamboogle full test set；其余每个 dataset 随机 sample 50 examples
IR Ranking	BRIGHT-Biology / Earth Science / Economics / Robotics	103 / 116 / 103 / 101 queries；corpus docs 分别为 57,359 / 121,249 / 50,220 / 61,961
IR Ranking	BEIR-ArguAna / BEIR-SciFact	ArguAna 1,406 queries sampled 50，8,674 docs；SciFact 300 queries sampled 50，5,183 docs
QA corpus	Wikipedia-18	21,015,324 docs; avg. 100 words/doc

BrowseComp-Plus 使用固定、人工验证 supporting documents 与 hard negatives 的 closed corpus；retrieval baseline 使用官方 corpus 构建 BM25 / Qwen3-Embedding-8B FAISS offline search engine；DCI 则在同一个 corpus 目录上直接运行 terminal tools，不建 index。

4.2 Baselines

Agentic Search baselines：BM25 或 Qwen3-Embedding-8B retriever + GPT-5、o3、GLM-4.7、Claude Sonnet 4.5、Claude Sonnet 4.6、GPT-5.4-nano 等 backbone。
Knowledge-intensive QA baselines：R1-Searcher-7B、Search-R1-32B、ZeroSearch-7B、Verl-Tool-Search-7B-DAPO、ASearcher-Local-14B。
IR baselines：BM25、OpenAI-text-embedding-3-large、GTE-Qwen2-7B-Instruct、Rank-R1-14B、Rank1-32B、ReasonRank-32B。

4.3 Metrics

Accuracy：BrowseComp-Plus 与 QA 使用 LLM judge 判定 final answer 是否与 gold answer 等价；论文说明使用 GPT-4.1 judge。
NDCG@10：IR ranking 的主指标，惩罚漏掉相关文档和把无关文档排在前面。
Cost / latency / tool calls：BrowseComp-Plus 上报告 API cost、平均工具调用数与 latency，用于衡量 DCI 的运行开销。
Coverage / localization：§3.4 的 trajectory metrics，用来解释 DCI 是“更会定位证据”还是“只是更会召回文档”。

4.4 Released-code evaluation config

Released repo 的实际 launch scripts 显示 DCI-Agent-Lite 评测不是 GPU training，而是 API-model inference + benchmark judging：

BrowseComp-Plus：scripts/bcplus_eval/run_L3.sh 调用 run_bcplus_eval.py，dataset 为 data/bcplus_qa.jsonl，corpus 为 corpus/bc_plus_docs，provider openai，model gpt-5.4-nano，tools read,bash，max-turns=300，max-concurrency=10，runtime-context-level=level3，pi-thinking-level=high，node-max-old-space-size-mb=8192。
QA：scripts/qa/run_*_sample50.sh 使用 corpus/wiki_corpus，同样是 gpt-5.4-nano + read,bash + max-turns=300 + level3，max-concurrency=5。
BRIGHT IR：scripts/bright/run_*.sh 开启 --enable-ir，corpus 指向各 BRIGHT domain folder，max-concurrency=20，其余核心参数同上。
DCI-Agent-CC：论文评测使用 Claude Code / Claude Sonnet 4.6 作为强 scaffold；released DCI-Agent-Lite repo 主要提供 Lite wrapper、benchmark scripts 与 corpus/export tooling，没有包含 Claude Code 内部实现。

5. Experimental Results (实验结果)

5.1 BrowseComp-Plus：更高准确率与更低成本的 Pareto frontier

Figure 1 解读：在 BrowseComp-Plus 上，DCI-Agent-CC + Claude Sonnet 4.6 达到 80.0% accuracy、总成本 $1, 016 ，相比同 ba c kb o n e 的 Qw e n 3 - E mb e dd in g - 8 B re t r i e v er ba se l in e 从 69.0$ 1,440 降到 $1, 016 （ - 29.4$ 424）。DCI-Agent-Lite + GPT-5.4-nano 达到 62.9%、成本 $93 ，比同 ba c kb o n ere t r i e v a l ba se l in e 提升 + 18.0 p o in t s ，并节省$ 12。图中的绿色区域说明 Lite 版本尤其突出在 low-cost / high-accuracy tradeoff。

作者还指出，DCI-Agent-CC 不仅超过 matched retrieval counterpart，也超过最强 retrieval baseline GPT-5 + Qwen3-Embedding-8B 的 71.7%，高出 +8.3 points。DCI-Agent-Lite 虽然使用轻量 GPT-5.4-nano，仍接近 o3 + Qwen3-Embedding-8B 的 66.0%，但成本减少 $647。

5.2 QA 与 IR ranking 主表结果

Knowledge-Intensive QA (Accuracy)：DCI-Agent-CC 平均 83.0%，超过最强 retrieval-agent baseline ASearcher-Local-14B 的 52.3%（+30.7）。DCI-Agent-Lite 平均 68.0%，也排在所有 retrieval baselines 之上。逐项看：NQ 78 / 72，TriviaQA 96 / 84，Bamboogle 80 / 72，HotpotQA 88 / 72，2Wiki 82 / 68，MuSiQue 74 / 40（前者为 DCI-Agent-CC，后者为 DCI-Agent-Lite）。

IR Ranking (NDCG@10)：DCI-Agent-CC 平均 68.5，超过 ReasonRank-32B 的 47.0（+21.5）；DCI-Agent-Lite 平均 56.7，也比 ReasonRank-32B 高 +9.7。DCI-Agent-CC 在 BRIGHT-Biology / Earth / Economics / Robotics 上分别为 77.1 / 69.0 / 46.8 / 56.8，在 BEIR-ArguAna / SciFact 上为 85.3 / 75.7。

5.3 机制分析：DCI 的优势来自局部定位与组合式搜索

Figure 4 解读：左侧把 830 个 BrowseComp-Plus 问题分为 both correct、both wrong、only retriever correct、only DCI correct。DCI-only correct 有 176 题（21.2%），retriever-only correct 只有 76 题（9.2%）。在 DCI-only 的 176 题中，只有 34 题是 retriever 完全没有召回 gold document；83 题属于 partial-chain failure（召回了一部分但不足以完成下一跳）；59 题甚至 recall=100，但没有成功利用已召回证据。右侧显示 DCI-Agent-CC 的 tool calls 主要由 Bash (62.4%) 和 Grep (33.0%) 组成，Bash 内部又集中在 chain search (22.3%)、document peek (18.0%)、regex search (17.0%)、locate file (14.0%)，说明 DCI 的核心收益不是简单“多读文档”，而是组合精确约束并在局部证据上迭代。

Trajectory table 给出更直接的证据：在 BrowseComp-Plus sample-100 上，Qwen3-Embedding-8B 的 mean coverage 是 56.7，高于 DCI-Agent-Lite 的 28.0；但 DCI-Agent-Lite 的 localization 是 48.4，显著高于 Qwen3-Embedding-8B 的 21.7，accuracy 也从 45.0 提到 73.0（+28.0）。这支持作者的解释：DCI 不一定召回更多 gold documents，但一旦接近正确区域，它更擅长把证据缩到可操作的片段。

5.4 Corpus scaling：深度可扩展，宽度会变贵

Figure 5 解读：当 corpus 从 100K 扩到 200K、400K documents 时，DCI-Agent-CC 的平均工具调用从 38 增至 87、123；latency 从 360s 增至 783s、4,188s；cost / question 从 $1.06 增至$ 2.26、$3.06；accuracy 从 82.7% 降到 69.1%、43.0%。这说明 DCI 在“搜索深度”上很有弹性，但在“搜索宽度”上会快速变贵：raw corpus 越大，agent 需要更多 broad search 与 pruning 才能进入有用区域。

5.5 Runtime 与 tool-profile ablations

Context-management ablation 在 BrowseComp-Plus sample-100 上呈非单调关系：L0 accuracy 72、cost/q $0.0716 ； L 1 a cc u r a cy 75 且 l a t e n cy 最低 1819.78 s ； L 2 cos t 最低$ 0.0590 但 accuracy 降到 69；L3 accuracy 最高 77，但 cost/q 上升到 $0.1109、latency 8711.81s；L4 accuracy 73。结论是“保留更多原文证据”不等于更好，适度忘记能帮助长程搜索维持工作状态，但过弱或过强压缩都会伤害。

Tool-profile ablation 显示工具表达力有两层贡献：read + grep (L4) 只有 19 average tools、cost/q $0.0355 ，却达到 61$ 0.1021，并把 accuracy 提到 73%。因此，DCI 的基础收益来自直接 corpus interaction；完整 shell 进一步提供 piping、regex、counting、localization 等组合能力。

Figure 6 解读：DCI-Agent-Lite 的 3,168 条 Bash commands 中，rg | head 这类 search+limit 占 56.2%，rg | rg chain search 占 20.6%，wc aggregation/counting 占 7.8%，single keyword search 占 6.3%，ls 占 4.3%，python scripting 占 2.4%，file localization 占 2.1%，full-document cat 只有 0.1%。这进一步说明 agent 大多在做 bounded, compositional, evidence-localizing search，而不是暴力读完整文档。

5.6 Limitations and takeaways

作者没有把 DCI 描述成通用替代所有 retrieval 的免费方案。它的主要限制是运行时开销与 corpus breadth：当 corpus 扩大到 400K documents，accuracy 降到 43.0%，latency 和 cost 都明显上升。DCI 还依赖 agent 是否会写出有效搜索命令；弱模型或错误 prompt 可能产生无效 grep、过早停止、或在 context management 后丢失关键约束。

总体结论是：对 agentic search 来说，retrieval interface 本身是能力瓶颈。DCI 通过直接暴露 raw corpus 和 compositional terminal tools，让 agent 把搜索从“语义相似度 top- $k$ ”改造成“多轮证据定位过程”；实验显示它在 BrowseComp-Plus、QA 与 IR ranking 上均明显优于强 retrieval baselines，但在大规模宽 corpus 上需要更好的 search planning、index-free pruning 或 hybrid retrieval/DCI 机制来控制成本。

Paper Notes

探索

Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction

Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction

1. Motivation (研究动机)

2. Idea (核心思想)

3. Method (方法)

3.1 Overall framework：从 retriever-mediated access 到 Direct Corpus Interaction

3.2 DCI-Agent-Lite 与 DCI-Agent-CC

3.3 Runtime Context Management

3.4 Coverage 与 Localization：把“到达文档”和“定位证据”分开

3.5 Prompt / evaluation pipeline in released code

4. Experimental Setup (实验设置)

4.1 Datasets and corpus scale

4.2 Baselines

4.3 Metrics

4.4 Released-code evaluation config

5. Experimental Results (实验结果)

5.1 BrowseComp-Plus：更高准确率与更低成本的 Pareto frontier

5.2 QA 与 IR ranking 主表结果

5.3 机制分析：DCI 的优势来自局部定位与组合式搜索

5.4 Corpus scaling：深度可扩展，宽度会变贵

5.5 Runtime 与 tool-profile ablations

5.6 Limitations and takeaways

目录