相关性新角色：引导智能体搜索中的语料库交互

相关性（relevance）是一种基于查询的估计，用于判断文档或片段是否包含有用证据。现有检索智能体利用相关性选择 top-k 内容，但仅凭文档相关性无法定位、组合或验证复杂问题所需的证据。直接语料交互（Direct Corpus Interaction, DCI）通过 grep 式探索实现此类细粒度操作，但其与相关性无关的搜索可能延迟暴露有用线索，从而拖慢收敛速度。近期进展利用相关性将语料库缩小为交互工作空间。然而，一旦交互开始，相关性仍无法直接指导 grep 优先搜索哪些文档，也无法从大量匹配结果中区分信息性片段，以便让大语言模型优先关注。我们提出相关性感知的 RipGrep 搜索智能体（Relevance-Aware RipGrep Search Agent, RARG），将相关性转化为语料交互的执行先验。RARG 提供从粗到细的相关性引导：它按序排列文档以进行顺序式 'ripgrep' 遍历，从而更早暴露全局相关线索；用与查询相关的段落初始化有前景的入口点；并对 grep 匹配结果进行重排序，以突出文档级排序可能掩盖的信息性片段。在具有挑战性的浏览问答和推理密集型检索任务中，RARG 在准确率-效率前沿上优于基于检索和直接交互的智能体。这些结果表明，相关性感知的交互能够实现更快、更可靠的搜索收敛。