관련성의 새로운 역할: 에이전트 검색에서 말뭉치 상호작용 안내하기

초록

관련성은 문서나 발췌문에 유용한 증거가 포함되어 있는지에 대한 쿼리 의존적 추정치이다. 기존 검색 에이전트는 관련성을 사용하여 상위 k개 콘텐츠를 선택하지만, 문서 관련성만으로는 복잡한 질문에 필요한 증거를 위치 파악, 구성, 또는 검증할 수 없다. 직접 말뭉치 상호작용(Direct Corpus Interaction, DCI)은 grep 방식 탐색을 통해 이러한 세밀한 연산을 가능하게 하지만, 관련성에 무관한 검색은 유용한 단서를 늦게 노출시켜 수렴을 지연시킬 수 있다. 최근 연구는 관련성을 활용하여 말뭉치를 상호작용을 위한 작업 공간으로 좁힌다. 그러나 상호작용이 시작된 후에도 관련성은 여전히 어떤 문서를 grep이 먼저 검색할지 직접 안내하지 않으며, 광범위한 매치 집합에서 정보성 발췌문을 구별하여 LLM이 이를 먼저 볼 수 있도록 하지 않는다. 본 논문에서는 관련성 인식 RipGrep 검색 에이전트(Relevance-Aware RipGrep Search Agent, RARG)를 소개한다. RARG는 관련성을 말뭉치 상호작용을 위한 실행 사전 정보로 전환한다. RARG는 조대-세밀 관련성 안내를 제공한다. 즉, 순차적 ripgrep 탐색을 위해 문서에 순서를 부여하여 전역적으로 관련성 있는 단서를 더 일찍 노출시키고, 쿼리와 관련된 단락으로 유망한 진입점을 초기화하며, grep 매치를 재순위화하여 문서 수준 순위화가 가릴 수 있는 정보성 발췌문을 부각시킨다. 까다로운 브라우징 질문 응답과 추론 집약적 검색 전반에서 RARG는 검색 기반 및 직접 상호작용 에이전트에 비해 정확도-효율성 경계선을 개선한다. 이러한 결과는 관련성 인식 상호작용이 더 빠르고 신뢰할 수 있는 검색 수렴을 가능하게 함을 보여준다.

English

Relevance is a query-dependent estimate of whether a document or excerpt contains useful evidence. Existing retrieval agents use relevance to select top-k content, but document relevance alone cannot localize, compose, or verify the evidence required by complex questions. Direct Corpus Interaction (DCI) enables such fine-grained operations through grep-style exploration, but its relevance-agnostic search can expose useful clues late and delay convergence. Recent advances use relevance to narrow the corpus into a working space for interaction. Once interaction begins, however, relevance still does not directly guide which documents grep searches first or distinguish informative excerpts from a broad set of matches to let LLMs see them first. We introduce the Relevance-Aware RipGrep Search Agent (RARG), which turns relevance into an execution prior for corpus interaction. RARG provides coarse-to-fine relevance guidance: it orders documents for sequential 'ripgrep' traversal to expose globally relevant clues earlier, initializes promising entry points with query-relevant paragraphs, and reranks grep matches to surface informative excerpts that document-level ranking may otherwise obscure. Across challenging browse question answering and reasoning-intensive retrieval, RARG improves the accuracy--efficiency frontier over retrieval-based and direct-interaction agents. These results demonstrate that relevance-aware interaction enables faster and more reliable search convergence.