관련성의 새로운 역할: 에이전트 기반 검색에서의 코퍼스 상호작용 지침

A New Role for Relevance: Guiding Corpus Interaction in Agentic Search

관련성은 문서 또는 발췌문이 유용한 증거를 포함하고 있는지 여부를 나타내는 질의 의존적인 추정치입니다. 기존 정보 검색 에이전트는 관련성을 사용하여 상위 $k$개의 콘텐츠를 선택하지만, 문서의 관련성만으로는 복잡한 질문에 필요한 증거를 특정하고 조합하거나 검증할 수 없습니다. 직접 코퍼스 상호작용(DCI)은 grep 스타일 탐색을 통해 이러한 세밀한 작업을 가능하게 하지만, 관련성을 고려하지 않는 검색 방식은 유용한 단서를 늦게 발견하게 하여 수렴 속도를 늦출 수 있습니다. 최근 연구에서는 관련성을 활용하여 상호 작용을 위한 작업 공간으로 코퍼스를 제한하는 방법을 사용합니다. 그러나 상호 작용이 시작되면, 관련성은 여전히 grep 검색이 우선적으로 탐색할 문서를 결정하거나, LLM이 먼저 볼 수 있도록 유용한 발췌문을 광범위한 일치 항목 집합에서 구별하는 데 직접적인 지침을 제공하지 못합니다. 본 연구에서는 관련성을 실행 우선순위로 활용하여 코퍼스 상호작용을 안내하는 '관련성 인식 RipGrep 검색 에이전트(RARG)'를 소개합니다. RARG는 거친 수준부터 세밀한 수준까지의 관련성 지침을 제공하며, 'ripgrep' 탐색 순서를 조정하여 전반적으로 관련된 단서를 더 일찍 노출하고, 질의와 관련된 문단으로 유망한 시작점을 초기화하며, 문서 수준의 순위로 인해 가려질 수 있는 유용한 발췌문을 강조하기 위해 grep 결과물을 재순위합니다. 어려운 브라우징 기반 질문 답변 및 추론 집약적 검색 작업에서 RARG는 기존 정보 검색 에이전트 및 직접 상호 작용 에이전트에 비해 정확도-효율성 균형을 향상시킵니다. 이러한 결과는 관련성을 고려한 상호 작용이 더 빠르고 안정적인 검색 수렴을 가능하게 한다는 것을 보여줍니다.

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.