Dr-DCI: Scaling Direct Corpus Interaction via Dynamic Workspace Expansion
DR-DCI：通过动态工作空间扩展实现可伸缩直接语料交互
🧭 Agent 搜索接口 · 检索与直接语料交互结合
University of Toronto · Texas A&M University · University of Waterloo · UC San Diego · Verdent AI
将检索重塑为 Agent 可调用的 pull 动作以扩展本地工作空间，使 DCI 终端操作仅作用于已拉取文档，平衡大规模语料探索与细粒度证据验证。
📌 工作参考价值
- 检索即工作空间动作：在商品搜索/推荐 Agent 中，可将检索接口设计为 pull(query, topK)，根据推理中间状态动态拉取候选，而非固定一次性检索，适应多轮证据收集。
- 预览 + 本地 DCI 双阶段设计：拉取后返回 ranked preview 供 Agent 快速定位，同时保留 grep/read 等终端式命令在已拉取文档内进行跨文档比较与验证，可迁移到需多商品对比或约束过滤的场景。
- 工程化工作空间管理：拉取的文档存储为扁平目录、唯一文件名并提供统计信息，避免路径混乱和重复，降低 Agent 误操作；可利用现有 BM25 等轻量检索器作为后端，降低建设成本。
- 失败恢复机制：低置信度 + 显式 abstain 时，保留工作空间但重置推理上下文进行二次验证，能以极低成本（$4.44 恢复 17/49 个错误）提升准确率，适合高价值决策场景。
动机
直接语料交互（DCI）让 Agent 能像用 shell 一样灵活搜索全文，但全库执行 grep 等命令在大语料下极易超时、噪声爆炸，规模一扩展就不可用。现有 RAG 只返回排序列表或有限摘要，限制了 Agent 跨文档重组信息与精确验证的能力。亟需一种既能保留 DCI 灵活度又能随语料规模稳定工作的方法。
方法
- 核心思路：将检索设计成 Agent 可调用的工作空间扩展动作
pull(query, topK)，动态从全库拉取文档到本地工作空间，随后仅在该空间内执行 DCI 命令。 - 工作流：Agent 交替进行 pull（语料级发现）和本地 DCI（
grep、read、find），直到收集到足够证据后输出答案。 - 预览与交互：每次 pull 返回新增文档的 ranked preview 及统计量，Agent 据此决定进一步搜索方向；阻断跨文档 DCI 后准确率暴跌（82→40），说明排行引导与跨文档搜索缺一不可。
- 轻量恢复：低置信度且显式声明“证据不足”时，保留工作空间但重置对话历史，用原始 DCI 再推理一次，仅额外成本 $4.44 便挽回 17 个错误。
关键结果
- BrowseComp-Plus 全量（830 问）：DR-DCI 达 71.2%，比 Raw-DCI 高出 8.3 个百分点，同时工具调用减少 18%、耗时降低 95%、费用从 35。
- 语料扩增实验（100K→10M 文档）：DR-DCI 准确率仅从 80 降至 70，工作空间大小、超时率和成本保持稳定；Raw-DCI 在超过 200K 后即因频繁超时而无法完成评估。
- 20M 文档级的 Wiki-18 QA：平均得分 63.0，超过多个训练过的搜索 Agent 基线，且在 TriviaQA 上达 82。
- 消融：动态 pull 优于一次性静态拉取（82 vs 79），ranking 预览比隐藏或打乱预览有效，跨文档 DCI 是性能核心。
核心洞见
检索控制探索规模，DCI 保持局部精度，两者结合让 Agent 在大语料上既高效又精准。