相关性的新角色：在代理搜索中指导语料库交互

相关性是对文档或摘录是否包含有用证据的依赖于查询的估计。现有的检索代理使用相关性来选择 top-$k$ 内容，但仅凭文档相关性无法本地化、撰写或验证复杂问题所需的证据。直接语料库交互 (DCI) 通过 grep 式的探索实现此类细粒度操作，但其相关性不可知的搜索可能会较晚暴露有用的线索并延迟收敛。最近的进展利用相关性将语料库缩小为交互的工作空间。然而，一旦交互开始，相关性仍然不能直接指导 grep 首先搜索哪些文档，也不能从广泛的匹配中区分信息摘录以使 LLM 首先看到它们。我们引入了相关性感知 RipGrep 搜索代理 (RARG)，它将相关性转化为语料库交互的执行优先级。 RARG 提供从粗到细的相关性指导：它对文档进行顺序“ripgrep”遍历，以便更早地公开全局相关线索，用与查询相关的段落初始化有希望的入口点，并对 grep 匹配重新排序，以显示文档级排名可能会掩盖的信息摘录。在具有挑战性的浏览问答和推理密集型检索中，RARG 提高了基于检索和直接交互代理的准确性和效率前沿。这些结果表明，相关性感知交互可以实现更快、更可靠的搜索收敛。