기술 요약: 의미적 유사성 너머: 직접 코퍼스 상호작용을 통한 에이전트 검색을 위한 검색 재고려

문제 제기

현대 검색 시스템은 어휘 기반 (예: BM25) 이든 의미 기반 (예: 밀집 임베딩) 이든, 고정된 유사성 인터페이스에 의존하여 코퍼스 접근을 단일 상위-k 검색 단계로 압축한 후 추론을 수행합니다. 효율적이기는 하지만, 저자들은 이러한 추상이 에이전트 검색을 위한 병목 현상을 만든다고 주장합니다. BrowseComp-Plus 와 같은 벤치마크에서 발견되는 복잡한 에이전트 작업은 정확한 어휘 제약, 희소 단서 결합, 지역적 문맥 검증, 그리고 가설 정제를 포함하는 다단계 프로세스를 에이전트가 조율해야 합니다.

표준 검색 증강 파이프라인에서는 검색기가 초기에 필터링한 증거는 에이전트가 강력한 추론 능력을 갖추고 있더라도 하류 추론 단계에서 복구될 수 없습니다. furthermore, 고정된 상위-k 인터페이스는 에이전트가 정규식 매칭 체이닝, 정확한 범위 검증, 또는 부분적 증거에 기반한 검색 계획의 반복적 정제와 같은 세밀한 작업을 수행하는 것을 방해합니다. 에이전트가 더 능력을 갖추어감에 따라, 한계는 모델의 추론 능력에서 코퍼스와 상호작용하는 인터페이스의 해상도로 이동합니다.

방법론: 직접 코퍼스 상호작용 (DCI)

본 논문은 **직접 코퍼스 상호작용 (Direct Corpus Interaction, DCI)**을 새로운 검색 패러다임으로 제안합니다. 사전 구축된 인덱스나 의미 검색기 API 를 쿼리하는 대신, 에이전트는 범용 터미널 도구 (예: grep, find, read, bash, 그리고 경량 스크립트) 를 사용하여 원시 코퍼스와 직접 상호작용합니다.

핵심 메커니즘

1. 인터페이스: 에이전트는 오프라인 인덱싱, 벡터 데이터베이스, 임베딩 모델을 우회합니다. 코퍼스를 명령줄 인터페이스 (CLI) 를 통해 접근 가능한 파일 시스템으로 취급합니다.
2. 작업: 에이전트는 다음을 위해 작업을 구성합니다:
   • 탐색: 디렉토리 구조 탐색 (find, ls).
   • 매칭: 정확한 매칭 또는 정규식 매칭 수행 (grep, rg).
   • 검사: 매칭 주변의 지역적 문맥 읽기 (head, tail, sed, read).
   • 구성: 복잡한 제약을 강제하기 위해 명령어 체이닝 (예: grep 'foo' file | grep 'bar').
3. 구현: 저자들은 두 가지 에이전트 스캐폴드를 사용하여 DCI 를 구체화합니다:
   • DCI-Agent-Lite: Pi 기반의 최소형 하네스로, 경량 문맥 관리 계층 (잘라내기, 압축, 요약) 을 통해 장시간 검색을 처리하며, 원시 터미널 상호작용 (bash 및 read) 으로 제한됩니다.
   • DCI-Agent-CC: Claude Code를 CLI 에이전트로 사용하는 더 강력한 구현으로, 견고한 도구 조율 및 문맥 처리를 제공합니다.

평가 지표

표준 정확도 외에도 저자들은 검색 인터페이스 해상도를 개념적 렌즈로 도입하며, 다음으로 측정합니다:

• 커버리지: 궤적이 관련 (골드) 문서를 표출하는지 여부.
• 국소화: 표출된 문서 내부에서 궤적이 작고 사용 가능한 증거 범위로 얼마나 효율적으로 좁혀지는지. 이 지표는 단순히 문서를 검색하는 것이 아니라 집중된 증거를 추출하는 능력을 정량화합니다.

주요 기여

1. DCI 의 형식화: 본 논문은 오프라인 인덱스에 의존하지 않고 에이전트 검색, 멀티홉 QA, IR 순위 결정 작업 전반에 걸쳐 체계적으로 평가함으로써 직접 코퍼스 상호작용을 검색 패러다임으로 형식화합니다.
2. 성능 우위: DCI 는 외부 검색기가 필요 없는 경우가 많으며, 다양한 벤치마크에서 강력한 희소, 밀집, 그리고 재순위화 베이스라인과 경쟁하거나 우월한 성능을 보여줍니다.
3. 해상도 렌즈: 저자들은 DCI 의 효과를 설명하기 위해 "검색 인터페이스 해상도"를 도입합니다. 그들은 유능한 에이전트에게 인터페이스의 세분화 (전체 문서보다 작은 단위로 작동할 수 있는 능력) 는 검색기의 순위 결정 품질만큼이나 중요하다고 주장합니다.

실험 결과

저자들은 세 가지 벤치마크 패밀리에서 DCI 를 평가했습니다: BrowseComp-Plus(에이전트 검색), 멀티홉 QA(NQ, TriviaQA, HotpotQA 등), 그리고 IR 순위 결정(BRIGHT, BEIR).

• 에이전트 검색 (BrowseComp-Plus): 동일한 Claude Sonnet 4.6 백본을 사용하면서 Qwen3-Embedding-8B 검색기를 DCI 로 대체한 결과, 정확도가 **69.0% 에서 80.0%**로 11.0 포인트 향상되었고 API 비용은 29.4% 감소했습니다. DCI-Agent-CC 는 가장 강력한 검색 베이스라인 (GPT-5 + Qwen3-Embedding-8B) 보다 8.3 포인트 더 높은 성능을 보였습니다.
• 멀티홉 QA: DCI-Agent-CC 는 **83.0%**의 평균 정확도를 달성하여 가장 강력한 검색 에이전트 베이스라인 (ASearcher-Local-14B) 보다 30.7 포인트 더 높은 성능을 보였습니다. DCI-Agent-Lite 또한 68.0% 를 달성하여 검색 베이스라인을 크게 능가했습니다.
• IR 순위 결정: BRIGHT 및 BEIR 데이터셋에서 DCI-Agent-CC 는 평균 NDCG@10 을 68.5로 달성하여 최상의 검색 베이스라인 (ReasonRank-32B) 보다 21.5 포인트 더 높은 성능을 보였습니다.

메커니즘 분석

궤적 분석에 따르면 DCI 의 이득은 주로 더 많은 골드 문서를 복구하는 데서 비롯되지 않습니다 (커버리지는 종종 밀집 검색기보다 낮음). 대신, 이 이득은 세밀한 발견 및 검증에서 비롯됩니다:

• DCI 에이전트는 표출된 증거를 고가치 지역 검색 단계 (예: 정확한 문자열 매칭 검증 또는 약한 단서 체이닝) 로 변환할 수 있기 때문에 검색 에이전트가 실패하는 곳에서 종종 성공합니다.
• 인터페이스의 "해상도"는 관련 문서가 발견되면 광범위한 검색에서 정밀한 검사로 전환할 수 있게 합니다.
• 확장성: DCI 는 검색 깊이와 함께 잘 확장되지만, 검색 폭 (코퍼스 크기) 에 따라 비용이 급격히 증가하므로, 광범위하고 얕은 스캔보다는 집중적이고 깊은 탐색에서 탁월한 작동 영역을 가집니다.

중요성 및 주장

본 논문은 언어 에이전트가 더 강력해짐에 따라 검색 품질은 추론 능력뿐만 아니라 인터페이스의 해상도에 달려 있다고 주장합니다. 저자들은 유능한 에이전트를 위한 검색은 단순히 검색기 설계 문제가 아니라 인터페이스 설계 문제로 재정의되어야 한다고 주장합니다.

• 패러다임 전환: DCI 는 에이전트가 인간 연구자처럼 검색할 때 (가설 수립, 정확한 패턴 테스트, 지역적 문맥 읽기) 압축된 유사성 인덱스가 병목 현상이 될 수 있음을 시사합니다.
• 실용성: DCI 는 오프라인 임베딩이나 인덱싱이 필요 없으며, 진화하는 지역 코퍼스에 자연스럽게 적응하고 에이전트가 추론 환경 내에서 직접 작동할 수 있게 합니다.
• 설계 공간: 밀집 및 희소 검색은 대규모 정적 코퍼스에 여전히 효과적이지만, DCI 는 코퍼스 인터페이스의 더 넓은 설계 공간에서 고유한 지점을 차지하며, 정밀한 다단계 증거 집계가 필요한 작업에 대한 고해상도 접근을 제공합니다.

저자들은 DCI 가 단순히 또 다른 접근법이 아니라, 에이전트 검색의 미래가 에이전트의 추론 능력과 정렬된 인터페이스를 설계하여 원시 데이터와의 직접적이고 고해상도의 상호작용을 가능하게 하는 데 있음을 보여주는 증거라고 결론지었습니다.