在代理搜尋中賦予相關性新角色：引導 Corpus 互動
為何重要
此進展顯示 Agentic Search 正從單純的「資料撈取」轉向內建導向邏輯的「智慧互動」，解決了單純檢索無法支撐複雜推理的痛點。對開發者而言，這代表 RAG 產品的競爭力將越來越多地取決於「搜尋策略」而非串接模型的能力；從產業觀點看，若此技術被主流 AI 搜尋框架（如內部 grep 或 CLI 增強工具）採用，將大幅降低長篇檔案、程式碼庫或政策檔案分析的時間成本。
現有的檢索代理僅憑高相關性選取內容，無法滿足複雜問題所需的精細定位、組合或驗證需求。雖然直接 Corpus 互動（DCI）能透過 grep 風格的操作來執行這些微動作，但其忽略相關性的搜尋方式會延緩收斂。本研究提出 Global Search Agent（RARG），將相關性轉化為互動的執行優先順序。
- RARG 採用「粗到細的相關性導向」策略：先排序檔案以早期暴露線索，再選取查詢相關段落作為 grep 的初始化切入點。
- 模型會重新排名 grep 匹配結果，凸顯資訊豐富的片段，避免檔案層級排名掩蓋關鍵細節。
- 在 Browse QA 與推理密集型檢索場景中，RARG 相較於傳統檢索或直接互動代理，能改善準確率與效率邊界，實現更快更可靠的搜尋收斂。