Dr-DCI: Scaling Agentic Search via Dynamic Workspace Expansion

•Dr-DCI 所依據的「直接語料庫互動 (DCI)」典範，允許代理程式使用 grep、bash、find、sed 等通用終端工具直接與未索引的原始語料庫互動，無需依賴傳統的嵌入模型或向量資料庫，從而簡化了檢索系統並實現了高解析度的資訊存取。
•Dr-DCI 在 BrowseComp-Plus 基準測試中展現其優勢，該基準測試是一個固定語料庫、經人工驗證的評估工具，旨在提供公平且可重現的深度搜尋代理程式評估，解決了傳統基準測試依賴動態網路 API 導致的重現性問題。
•Dr-DCI 的動態工作區擴展方法與「代理式工作區 (Agentic Workspaces)」的趨勢相符，此類工作區為 AI 代理程式提供持久的環境，用於檔案儲存、程式碼執行、長期記憶和人機協作，使其能更自主地處理複雜工作流程。
•DCI-Agent-Lite 作為 DCI 典範的輕量級開源實作，在 BrowseComp-Plus 上使用 GPT-5.4-nano 達到了 62.9% 的準確率，超越了其他基於 GPT-5.2、Claude-Sonnet-4.6、Qwen3.5-122B 和 GLM-4.7 的代理搜尋系統。

📊 競品分析▸ Show

特性/基準	Dr-DCI / DCI-Agent-Lite	A-RAG	多代理 RAG (LangChain)	GPT-5 (搭配檢索器)	Search-R1 (搭配檢索器)
核心檢索方法	直接語料庫互動 (DCI)，使用終端工具直接搜尋原始檔案，無需嵌入或向量資料庫。	分層檢索介面 (關鍵字、語義、區塊讀取)，增量資訊檢索。	協調系統，專門代理程式處理不同知識源，路由代理程式導向。	傳統檢索增強生成 (RAG) 搭配大型語言模型。	傳統檢索增強生成 (RAG) 搭配開源模型。
工作區管理	動態工作區擴展，輕量級上下文管理 (截斷、壓縮、摘要)。	代理程式按需增量檢索資訊，最小化上下文開銷。	專門代理程式處理個別知識源，路由代理程式決定啟動哪些代理程式。	傳統 RAG 系統通常為單一代理程式架構。	傳統 RAG 系統。
BrowseComp-Plus 準確率	62.9% (使用 GPT-5.4-nano)	未直接提供，但聲稱在開放域 QA 基準測試中優於現有方法。	未直接提供。	55.9% (搭配 BM25 檢索器)；70.1% (搭配 Qwen3-Embedding-8B 檢索器)。	3.86% (搭配 BM25 檢索器)。
成本/複雜性	零索引檢索，無需昂貴的離線索引建構，降低基礎設施複雜性。	旨在有效利用模型能力並動態適應 RAG 任務，可能優化計算。	涉及多個專業代理程式的協調系統，可能增加架構複雜性。	依賴傳統檢索系統和 LLM。	依賴傳統檢索系統和 LLM。

核心典範: 直接語料庫互動 (Direct Corpus Interaction, DCI)，代理程式直接與原始、未索引的語料庫互動，而非透過固定的語義檢索器或檢索 API。
工具集: 利用通用終端工具，如 grep 進行精確詞彙匹配、find 導航目錄結構、sed 處理資訊，以及 bash 串聯指令。代理程式也能即時編寫輕量級 Python 腳本來處理資訊。
檢索機制: 零索引檢索，不使用嵌入、向量資料庫或離線索引建構。代理程式直接搜尋原始檔案，實現對知識庫的細粒度控制。
上下文管理: DCI-Agent-Lite 採用輕量級的執行時上下文管理層，包括：
- 截斷 (Truncation)：縮短每個回合中大型工具的結果。
- 壓縮 (Compaction)：保留最近的回合，並將較舊的工具結果替換為佔位符。
- 摘要 (Summarization)：當上下文擁擠時，對較舊的歷史進行摘要。
搜尋策略: 代理程式能夠動態組合搜尋原語，並進行「鏈式搜尋 (chain search)」，將一個搜尋的結果直接傳遞給另一個搜尋，以結合微弱的線索。
優勢: 提供高解析度的檢索介面，使語言模型能夠執行精確的局部文本檢查、創造性地組合複雜的搜尋策略，並直接在其操作環境中驗證細粒度證據。

代理式 AI 系統的部署將變得更加簡便且成本效益更高。

透過直接語料庫互動和零索引檢索，Dr-DCI 減少了對昂貴的離線索引建構和向量資料庫的需求，從而降低了基礎設施複雜性和營運成本。

AI 代理程式將能更有效地處理需要多步驟推理和細粒度資訊驗證的複雜研究任務。

Dr-DCI 提供的高解析度檢索介面和動態搜尋策略，使代理程式能夠進行精確的文本檢查和證據驗證，顯著提升了在複雜查詢上的準確性。

企業將加速採用具備動態工作區和工具生成能力的 AI 代理程式，以實現更深層次的自動化和決策支援。

Dr-DCI 的動態工作區擴展與「代理式企業」的趨勢一致，其中 AI 代理程式作為自主協作者，能夠動態調整工作流程、生成工具並處理多源資訊。

2025-01

多代理檢索增強生成 (RAG) 系統的討論開始興起，強調其在處理複雜和非線性互動方面的優勢。

2025-03

「代理式工作區 (Agentic Workspaces)」的概念被提出，強調 AI 代理程式與用戶協作處理複雜工作流程的動態數位環境。

2025-08

BrowseComp-Plus 基準測試的論文在 ArXiv 上發布，旨在為深度搜尋代理程式提供公平且透明的評估。

2025-11

深度研究代理程式的系統性審查論文發布，分析其基礎技術和架構組件，並提出分類法。

2026-02

A-RAG 框架論文在 ArXiv 上發布，提出透過分層檢索介面擴展代理式檢索增強生成。

2026-05

關於直接語料庫互動 (DCI) 典範的影片發布，解釋其如何透過通用終端工具革新自主語言代理程式的搜尋方式。

Dr-DCI：透過動態工作區擴展實現代理搜尋規模化