Além da Similaridade Semântica: Repensando a Recuperação de Informação para Buscas Agênicas por meio da Interação Direta com o Corpus

Resumo

Os sistemas de recuperação modernos, sejam lexicais ou semânticos, expõem um corpus através de uma interface de similaridade fixa que comprime o acesso em uma única etapa de recuperação top-k antes do raciocínio. Essa abstração é eficiente, mas para buscas agentivas, torna-se um gargalo: restrições lexicais exatas, conjunções de pistas esparsas, verificações de contexto local e refinamento de hipóteses em múltiplos passos são difíceis de implementar ao chamar um recuperador convencional de prateleira, e evidências filtradas precocemente não podem ser recuperadas por um raciocínio subsequente mais forte. Tarefas agentivas exacerbam ainda mais essa limitação porque exigem que os agentes orquestrem múltiplos passos, incluindo descobrir entidades intermediárias, combinar pistas fracas e revisar o plano após observar evidências parciais. Para enfrentar essa limitação, estudamos a interação direta com o corpus (DCI), na qual um agente pesquisa o corpus bruto diretamente com ferramentas de terminal de propósito geral (por exemplo, grep, leitura de arquivos, comandos shell, scripts leves), sem qualquer modelo de embedding, índice vetorial ou API de recuperação. Essa abordagem não requer indexação offline e adapta-se naturalmente a corporas locais em evolução. Em benchmarks de RI e tarefas de busca agentiva de ponta a ponta, essa configuração simples supera substancialmente fortes baselines esparsas, densas e de reclassificação em vários conjuntos de dados BRIGHT e BEIR, e atinge alta precisão em BrowseComp-Plus e QA multi-hop sem depender de qualquer recuperador semântico convencional. Nossos resultados indicam que, à medida que os agentes de linguagem se tornam mais capazes, a qualidade da recuperação depende não apenas da capacidade de raciocínio, mas também da resolução da interface pela qual o modelo interage com o corpus, com a qual a DCI abre um espaço de design de interface mais amplo para buscas agentivas.

English

Modern retrieval systems, whether lexical or semantic, expose a corpus through a fixed similarity interface that compresses access into a single top-k retrieval step before reasoning. This abstraction is efficient, but for agentic search, it becomes a bottleneck: exact lexical constraints, sparse clue conjunctions, local context checks, and multi-step hypothesis refinement are difficult to implement by calling a conventional off-the-shelf retriever, and evidence filtered out early cannot be recovered by stronger downstream reasoning. Agentic tasks further exacerbate this limitation because they require agents to orchestrate multiple steps, including discovering intermediate entities, combining weak clues, and revising the plan after observing partial evidence. To tackle the limitation, we study direct corpus interaction (DCI), where an agent searches the raw corpus directly with general-purpose terminal tools (e.g., grep, file reads, shell commands, lightweight scripts), without any embedding model, vector index, or retrieval API. This approach requires no offline indexing and adapts naturally to evolving local corpora. Across IR benchmarks and end-to-end agentic search tasks, this simple setup substantially outperforms strong sparse, dense, and reranking baselines on several BRIGHT and BEIR datasets, and attains strong accuracy on BrowseComp-Plus and multi-hop QA without relying on any conventional semantic retriever. Our results indicate that as language agents become stronger, retrieval quality depends not only on reasoning ability but also on the resolution of the interface through which the model interacts with the corpus, with which DCI opens a broader interface-design space for agentic search.