第一部分：故事线——Agent 在十万份文件里找一个人

1. 主角与困境：会思考的 Agent，为何仍在语料库里迷路？

想象一个任务：

找出某位数学家。他在 1983 年取得数学博士学位，后来成为 AMS Fellow；他与另外两人合写过论文，其中一位获得 Rollo Davidson Prize，另一位在 1990 年代发表过一篇标题以 “Line” 结尾的论文。

答案是 Russell David Lyons。但问题没有直接给出姓名，需要跨多份简历、奖项记录和论文页面建立证据链。

传统搜索系统通常先找出 top-k 文档，再把它们交给大模型。问题是：

“整篇文档语义相似”不代表其中有决定性证据；
关键证据可能只是一句局部文字；
多跳问题中，后续需要的文档往往要等第一个实体被发现后才知道；
上下文和工具输出都有预算，匹配太多时后面的内容会被截断。

于是出现两种极端：

路线	优点	核心缺陷
传统 RAG	高效地给出少量候选	top-k 太早决定边界，可能丢失长尾证据
直接语料交互 DCI	Agent 可用 `rg`、`Read`、脚本自由探索	没有全局方向感，容易在海量文件中盲搜

RARG 要解决的正是这个矛盾：

能否保留 DCI 的细粒度探索能力，同时给搜索过程装上一只“相关性罗盘”？

2. 旧路：相关性通常只做两件事

在论文之前，相关性大多扮演两个角色。

2.1 内容筛选器

传统 检索增强生成 (Retrieval-Augmented Generation, RAG)：

问题 → 检索器 → top-k 文档/片段 → LLM 回答

相关性决定哪些内容进入上下文。这很高效，但 top-k 是一道硬门：门外的文档通常不会再被 Agent 触及。

2.2 工作空间建造者

RISE 等方法不只返回片段，而是先检索一批文件，构成 Agent 后续可探索的有界工作空间 (Bounded Workspace)。

这比一次性 top-k 更灵活，但相关性主要仍在“交互开始之前”发挥作用：空间建好后，Agent 如何在其中搜索，排序信号往往没有继续传递。

3. 转折：排序信息为什么会在工具调用处丢失？

假设检索器已经把 10,000 个路径按相关性排好：

rank 1   doc_A.txt
rank 2   doc_B.txt
...
rank 9999 doc_Z.txt

Agent 接着运行：

rg "Russell|Lyons" corpus/

如果 rg 并行扫描整个目录，最终输出顺序受线程调度、文件大小和 I/O 完成时间影响。上一步辛苦得到的相关性排序，到工具执行层就消失了。

而工具输出又有硬上限。若只保留前 30 条命中，那么“哪些命中先完成”实际上决定了“Agent 能看到什么”。这不是展示层细节，而是搜索策略的一部分。

这就是论文的关键洞见：

排序不是一个静态列表属性；在预算受限的 Agent 系统中，排序必须一路传播到执行顺序与输出截断。

第二部分：统一心智模型

4. 从“选内容”到“调度计算”

可以把一次 Agent 搜索拆成四层：

flowchart LR
  Q["用户问题"] --> C["候选空间"]
  C --> T["遍历顺序"]
  T --> M["局部匹配"]
  M --> O["有限观察窗口"]
  O --> A["推理与下一次工具调用"]
  A --> T

读图方式：

候选空间回答“允许搜索哪些文档”；
遍历顺序回答“先在哪些文档执行工具”；
局部匹配回答“文件中哪些行命中”；
观察窗口回答“预算有限时模型实际看到哪些命中”。

传统检索多在第一层使用相关性。RARG 把相关性继续传到第二层；RARG++ 又传到第四层。

4.1 三个控制问题

变体	相关性回答的问题	技术机制
RARG	先搜索哪些文档？	有序 scope + `rg -j1`
RARG+	从哪里开始？	top-10 相关段落初始化
RARG++	哪些局部匹配先可见？	match-level reranking

4.2 核心不变量

论文的核心机制依赖三个不变量：

顺序保持不变量：文档级相关性顺序必须能影响实际扫描顺序。
预算对齐不变量：输出被截断时，优先保留的应是任务相关性更高的结果，而不是偶然更早完成的结果。
交互自由度不变量：相关性只是先验，不应把 Agent 永久锁死在第一次检索结果中；Agent 仍可更换查询、建立新 scope、读取上下文并验证假设。

但第三条不是绝对的：默认 scope 最多 10,000 个路径，仍然构成候选边界。因此 RARG 更准确的描述是：

在较大的、按相关性排序的候选空间内进行直接语料交互，而不是完全无限制的全语料 DCI。

第三部分：RARG、RARG+、RARG++ 逐层拆解

5. 基础 RARG：让 `rg` 按相关性顺序工作

5.1 第一步：`embed_recall` 只生成路径 scope

Agent 首先用原问题调用：

embed_recall(scope_query)

检索器将文档按 embedding 相似度排序，把最多 10,000 个路径写入临时文件：

/tmp/scope_0.txt

基础 RARG 不直接返回正文，只返回 scope 文件及其查询映射。相关性在这里主要是控制通道，不是证据内容。

5.2 第二步：用有序路径驱动 `rg`

概念命令如下：

cat /tmp/scope_0.txt | xargs -d '\n' rg -j1 "PATTERN"

其中 -j1 强制 ripgrep 单线程运行。作者通过命令改写确保 rg 调用带上该参数，从而尽量让输出顺序跟随输入路径顺序。

5.3 局部状态推演

embedding 排名：
  1. A.txt  相似度 0.91
  2. B.txt  相似度 0.86
  3. C.txt  相似度 0.74

有序扫描：
  A.txt → 无匹配
  B.txt → 命中 2 条
  C.txt → 命中 8 条

输出预算：最多 3 条

Agent 实际看到：
  B.txt 的 2 条 + C.txt 的第 1 条

如果改成并行扫描，C.txt 可能先完成，3 条预算全部被 C 占满；B 中更相关的两条证据反而不可见。

5.4 关键取舍

-j1 同时带来收益与成本：

收益：顺序确定、可提前停止、相关性真正控制可见结果；
成本：放弃 rg 的多线程吞吐，真实 wall-clock 延迟可能增加。

因此论文更有力地证明了“交互步数减少”，并没有完整证明“端到端延迟更低”。

6. RARG+：给冷启动一个入口

基础 RARG 虽然知道先扫哪些文档，但 Agent 一开始仍要猜搜索词。多跳任务中，原问题可能只有间接描述，没有关键实体姓名。

RARG+ 增加入口点初始化 (Entry-Point Initialization)：

取 scope 排名前若干文档；
切成 400–1,000 字符的段落；
对段落重新编码并与 scope query 计算相关性；
返回得分最高的 10 个段落。

这些段落用 <qr_paragraph> 包裹，直接进入 Agent 初始观察。

[!note] 严谨措辞因为 RARG+ 会返回段落，所以“相关性完全不再是内容通道”只适用于基础 RARG。RARG+ 是“执行先验 + 小规模初始化内容”的混合设计。

初始化段落的价值不是替 Agent 回答，而是把状态从：

我不知道该搜哪个人

推进到：

Russell Lyons 很可能是候选；现在验证博士年份、奖项、合著关系

这叫信息状态跃迁：搜索从开放式发现转成目标明确的验证。

7. RARG++：把相关性注入局部匹配

即使相关文档排在前面，一个宽泛正则仍可能产生大量命中。RARG++ 再增加一层：对 rg 的局部结果重排。

7.1 两级候选

文档级候选：最多 10,000 个路径
        ↓ 有序 rg
局部匹配池：最多 M = 500 条
        ↓ 语义重排
模型可见：BC+ 30 条 / BRIGHT 60 条

7.2 重排查询如何构造

默认不是让 Agent 额外生成一段自然语言，而是规则组合：

全局 scope query
+ 当前 rg pattern 提取出的局部关键词

概念形式：

Query: [原问题或当前 scope 问题]
RG focus: [当前正则中的关键词]

这样同时保留：

全局意图：最终想解决什么问题；
局部意图：这一次 rg 正在查什么。

若只用全局问题，局部命中可能无法区分；若只用正则词，又容易失去多跳任务的整体目标。

7.3 为什么生成式变体更快却更差？

作者还测试了由 Agent 显式生成 rerank_query 的版本。GPT-5.4-mini 下：

默认 RARG++：84% accuracy，23.9 tools；
生成式 RARG++：75% accuracy，17.8 tools。

它更快，却错得更多。作者认为显式生成重排查询扰动了模型熟悉的 Bash/rg 行为，形成训练—评测鸿沟。更一般地说：

更少调用可能意味着更高效，也可能意味着过早收敛。只有同时保持正确性，收敛速度才有意义。

第四部分：贯穿案例——为什么 T7 能提前到 T2？

8. BrowseComp-Plus Query 229

正确答案是 Russell David Lyons。需要联合验证博士年份、AMS Fellow、合著者奖项和另一位合著者的论文标题。

论文附录给出的压缩轨迹：

方法	总轮数	工具数	首次出现完整姓名
RARG	17	33	T7
RARG+	11	18	T2
RARG++	10	10	T2

8.1 RARG：方向正确，但冷启动仍慢

RARG 已在较相关文档中搜索，但 Agent 前几轮仍在奖项获得者和潜在合著者之间探索。直到 T7，它才看到 Lyons 的简历信息：1983 年获得数学博士学位。

8.2 RARG+：入口段落改变问题性质

初始化段落使 Lyons 的 CV 很早进入视野。到 T2，Agent 已经不再问“Person A 是谁”，而是在问“Lyons 是否满足其余约束”。

8.3 RARG++：压缩后续验证

match-level reranking 让后续几次搜索更快暴露高价值局部命中，因此工具数进一步降到 10。

[!warning] 案例不能替代总体实验这条轨迹很好地解释机制，却不能单独证明 RARG++ 普遍优越。它是一个定性案例；总体结论仍要看完整表格，而且 BRIGHT 上 RARG++ 并非最佳。

第五部分：实验结果及正确读法

9. BrowseComp-Plus：100K 文档上的单答案问答

9.1 GPT-5.4-mini

方法	Accuracy	Turns	Tools
RISE	78%	24.3	28.7
DCI	78%	48.8	99.1
RARG	80%	18.2	29.8
RARG+	81%	20.2	29.6
RARG++	84%	17.6	23.9
RARG++ generative	75%	15.8	17.8

这里支持的结论是：在该 100-query 样本、该模型和该运行设置下，RARG++ 同时取得更高准确率和较少工具调用。

但 84% 对 78% 只有 6 道题之差，论文没有报告逐题配对显著性检验、bootstrap 置信区间或重复 API 运行方差。它是有吸引力的初步证据，不是统计上已经封口的定论。

9.2 换模型后，效率结论并不完全保持

GPT-5.4-nano：

方法	Accuracy	Tools
RISE	68%	28.7
DCI	71%	126.5
RARG++	79%	36.1

RARG++ 准确率更高，但工具数 36.1 高于 RISE 的 28.7。因此不能笼统写成“RARG++ 总是工具更少”。

GPT-5.4：

方法	Accuracy	Tools
RISE	82%	34.30
RARG++	91%	25.43

该配置下优势再次出现，但 RISE 的 thinking effort 没有清楚注明，比较仍需谨慎。

10. 从 100K 扩到 1M：不是无损扩展，而是相对更稳

方法	100K Accuracy	1M Accuracy	变化
RISE-BM25	77%	69%	-8
RARG	80%	78%	-2
RARG+	81%	78%	-3
RARG++	84%	79%	-5

RARG++ 在 1M 上仍比论文复现的 RISE-BM25 高 10 点，但自身也从 84% 降到 79%。所以应说“相对更稳”，不能说“规模增加不影响 RARG”。

新增的 900K 文档是较长的 FineWeb-Edu 干扰文档，会制造大量偶然词面匹配。这不是所有真实语料扩容的代表，因此不能直接外推到动态 Web、多语言语料或企业知识库。

[!danger] 跨论文冲突：RISE 的 1M 结果 RARG 论文报告 RISE-BM25 在 1M 上为 69%；RISE 原论文/官方仓库则报告相近设置从 77% 升到 81%。目前缺少完全一致的 corpus manifest、hash、索引与逐题输出，无法裁决差异来自语料采样、导出、文档长度还是运行版本。本文保留冲突，不把“领先 10 点”视为已独立确认的稳定事实。

11. BRIGHT：RARG++ 为什么反而不是最佳？

论文只评估 BRIGHT 的四个领域，共 423 个查询，并非完整 12 域：

方法	平均 nDCG@10	Biology	Earth Science	Economics	Robotics
DCI	48.43	62.05	54.94	37.13	39.59
RISE-BM25	41.60	50.27	47.80	33.65	34.67
NeMo Agent	52.89	65.15	61.85	39.05	45.49
RARG	51.75	63.87	60.54	38.50	44.07
RARG+	53.36	66.70	62.16	37.23	47.34
RARG++	50.55	61.65	61.32	36.14	43.10

反直觉结果：更细的匹配重排并没有更好。

原因可用搜索形状解释：

flowchart TD
  T{"任务目标"}
  T -->|"找到一条正确证据链"| QA["单答案 QA"]
  T -->|"返回广泛且有序的相关文档"| IR["Top-10 排序"]
  QA --> DF["偏深度优先"]
  IR --> BF["偏广度优先"]
  DF --> F["局部重排有利于快速聚焦"]
  BF --> R["过早聚焦可能损害召回"]

在问答中，只要找到并验证一条正确链路即可；在 nDCG@10 中，需要尽可能覆盖多个相关文档并把它们排好。RARG++ 把观察预算集中在少量局部匹配上，可能过早剪掉有用分支。

这也是全文最重要的反例：

相关性指导越细，并不必然越好；控制强度必须服从任务目标。

12. 工具调用数为什么不是成本？

论文用 tool calls 描述效率前沿，但不同工具并不同价：

NeMo 一次 Search 可返回 20 篇完整文档；
RARG 的 embed_recall 主要返回路径；
Read、Bash、Search 的信息量不同；
rg -j1 牺牲并行吞吐；
embedding、FAISS 检索、最多 500 条匹配重排需要额外计算；
论文未统一报告 wall-clock、GPU 小时、索引成本、能耗或美元成本。

所以可确定的是：RARG 常能减少某些配置中的交互步骤；尚不能确定它在所有环境中都降低端到端成本。

第六部分：实现细节——真正决定结果的系统工程

13. 方法不是一个排序公式，而是一套组合系统

论文使用 DCI-Agent-Lite，最大 100 turns，并修改上下文管理：

Level-3 compaction；
从保留最近 12 turns 改为最近 40 个 tool results；
compaction threshold 提高到 230K；
旧工具结果替换为 [cleared]；
scope 与 query 的映射长期保留；
RARG+ 初始化段落会在压缩时清除。

因此性能来自如下组合，而非单独来自 embedding 排名：

embedding 质量
+ Agent 指令遵循
+ scope 构造
+ shell 命令改写
+ rg 单线程顺序
+ 输出截断
+ match reranking
+ context compaction
+ backbone 推理能力

13.1 不同粒度需要不同 embedding

场景	文档排序/初始化段落	短匹配重排
BrowseComp-Plus	Qwen3-Embedding-4B	Qwen3-Embedding-4B
BRIGHT	llama-nv-embed-reasoning-3b	Qwen3-Embedding-4B

作者发现 NV 模型适合 BRIGHT 的文档级排序，但短文本匹配重排较差，于是局部层切回 Qwen3。这说明：

“相关性”不是一个与粒度无关的标量；长文档、段落和单行匹配可能需要不同表征模型。

13.2 输出预算参数

参数	BrowseComp-Plus	BRIGHT
单次 `rg` 最多返回	30 条	60 条
单条最大字符数	1,000	500
RARG++ 候选池	500	500
RARG++ 最终保留	30	60

当结果被截断时，排序策略就变成了资源分配策略。所谓 relevance，在这里不仅是“判断相似”，还是“给谁分配稀缺观察容量”。

第七部分：博导式审稿——这篇论文最值得追问什么？

14. 贡献是否成立？

成立，而且概念上很干净：论文识别出检索排序在 Agent 工具链中会被执行层和截断层丢失，并提出从文档顺序、入口点和局部命中三个层次传播相关性信号。

它不是新的 embedding 模型，也不是新的文本匹配算法；创新主要在接口、调度与观察预算的联合设计。

15. 最根本的预设是什么？

论文隐含的根本预设是：

embedding 排名虽不完美，但足以作为一个“软先验”；只要不把它变成过早的硬过滤，排序收益会大于排序偏差。

这个预设在实验中获得方向性支持，但还没有覆盖以下极端：

关键证据在 embedding 排名极低或 scope 外；
查询需要先发现新实体才能形成有效语义检索词；
语料包含恶意或误导文本；
多语言、代码、表格和扫描 PDF 混合；
长尾证据需要广度探索，而局部重排持续强化头部偏见。

16. 论文没有证明什么？

16.1 没有证明统计稳健性

BrowseComp-Plus 只使用 100-query sample。论文未报告：

paired significance；
bootstrap confidence interval；
多随机种子；
多次独立 API run；
830 个问题的完整 BC+ 评估。

84% 对 78% 是值得追踪的信号，但不能仅凭点估计宣布普遍胜出。

16.2 没有证明开放世界泛化

实验是固定、可文件化的闭集语料，不等同于：

开放 Web；
实时变化的数据；
受访问权限控制的企业语料；
需要调用异构 API 的研究 Agent。

16.3 没有证明端到端更便宜

没有统一测量 wall-clock、GPU、索引、重排和美元成本。

16.4 没有证明 RARG++ 普遍最佳

BRIGHT 已经给出反例；生成式 RARG++ 又说明“更少调用”可能牺牲正确率。

16.5 没有充分讨论生产安全

Agent 可以生成 Bash，语料也可能是不可信输入。论文限制了全语料 ls/find，但没有系统评估：

shell command injection；
prompt injection；
路径逃逸；
超大正则或灾难性资源消耗；
沙箱与只读文件系统；
每次工具调用的 CPU、内存和超时配额。

这不否定 benchmark 贡献，但限制了直接生产部署。

17. 可复现性判断：部分可复现

官方仓库 LeqsNaN/RARG 以 MIT 许可公开，提供 Python/Shell 代码、prompt、运行脚本、100K 语料获取/构造、FAISS 索引和 judge 流程。

但完整复现仍依赖：

proprietary GPT-5.x；
GPT-5.1 LLM judge；
单 H20 GPU 或同级环境；
完整 corpus/index 资产；
1M FineWeb 样本及其准确 manifest；
Linux/GNU 工具行为。

特别是 xargs -d 属于 GNU 风格，macOS 的 BSD xargs 不原生提供同等参数，跨平台复现需要替代实现。

第八部分：如何迁移到工程系统

18. 通用设计原则

论文可抽象为一句工程原则：

当执行结果会被预算截断时，排序信号必须传播到执行调度，而不能只停留在候选生成阶段。

18.1 代码库搜索

传统方式：先向量找文件，再由 Agent 任意 grep。

可迁移设计：

按 query 对文件或 symbol 排序；
按 blast radius、调用关系和语义相关性决定遍历顺序；
对 grep/reference matches 二次重排；
在固定 token budget 下优先返回高价值定义和调用点。

但代码搜索还应加入结构先验：definition、caller、callee、test、recently changed，不能只靠文本 embedding。

18.2 日志调查

先验可以来自：

时间接近故障点；
trace/span 关系；
error severity；
服务拓扑距离；
语义相关性。

搜索工具应优先扫描高风险服务与时间窗，而不是把所有日志并行倾倒后再截断。

18.3 数据库诊断

将“相关性作为执行先验”类比为查询优化器：

候选表类似 scope；
join order 类似文档遍历顺序；
predicate pushdown 类似局部匹配过滤；
LIMIT 下的 top-k pushdown 类似观察预算分配。

类比边界：数据库优化器依赖代价模型与精确算子语义；RARG 的 embedding score 只是经验性软先验，不能提供同等级正确性保证。

18.4 Agent Memory

分层 memory retrieval 可采用：

相关性决定优先扫描哪些 memory block；
时间、实体和来源可信度共同调整顺序；
局部 fact match 再重排；
始终保留探索长尾或切换 scope 的通道，避免记忆回音室。

19. 选型矩阵

任务形状	推荐策略	原因
单一事实、单证据	RARG+ 或 RARG++	快速形成候选并验证
多跳单答案	RARG++，但保留回退	局部重排可加速证据链收敛
Top-k 排序/高召回	RARG 或 RARG+	避免局部过早聚焦
embedding 可靠性低	sparse+dense hybrid + 多 scope	单一 dense prior 风险高
工具延迟远高于模型延迟	评估并行扫描	`-j1` 可能得不偿失
安全敏感生产环境	沙箱化结构工具，不直接开放 Bash	控制命令与资源风险

20. 如果我要继续做这项研究

优先实验应是：

在完整 830-query BC+ 上做逐题配对 bootstrap；
发布 corpus/index hash、manifest 和逐题轨迹；
统一测量 wall-clock、GPU 时间、token、美元成本；
对比 rg -j1、有序并行扫描、分块并行 + 稳定归并；
研究动态控制：根据任务判断使用 RARG+ 还是 RARG++；
引入 diversity-aware reranking，缓解局部结果同质化；
测试 scope 外探索和低排名证据恢复；
评估恶意文档、prompt injection 与 shell 沙箱；
扩展到完整 BRIGHT、多语言、代码和企业私有语料；
使用开源 LLM 和多种 embedding 模型复现。

第九部分：附录——理解论文所需的基础知识

附录 A：什么是“相关性”？

相关性 (Relevance) 不是客观存在于文档中的单一属性，而是相对于查询、任务和使用阶段的关系。

至少要区分：

主题相关：文档谈论同一主题；
证据相关：文档包含回答问题所需的证据；
行动相关：这个结果能帮助 Agent 决定下一步；
排序相关：它应该比其他候选更早出现；
任务相关：对单答案有用，不一定对 top-k 召回有用。

RARG 的贡献是把相关性从“内容属性”扩展为“行动调度信号”。

附录 B：RAG、Agentic Retrieval 与 DCI

B.1 传统 RAG

Query → Retriever → top-k chunks → LLM → Answer

优点：简单、高吞吐、上下文可控。
缺点：检索是一次性的，后续推理难以修正早期漏召回。

B.2 Agentic Retrieval

Agent 可循环执行：

检索 → 阅读 → 形成假设 → 改写查询 → 再检索 → 验证

它改善了多跳问题，但许多系统仍依赖固定的 retriever 接口：Agent 能改查询，却不能自由组合底层语料操作。

B.3 直接语料交互 DCI

直接语料交互 (Direct Corpus Interaction, DCI) 把语料暴露成文件，让 Agent 使用 grep/rg、Read 和脚本做细粒度探索。

核心收益：

精确关键词定位；
可读取命中上下文；
可组合多个约束；
搜索过程可被 Agent 自适应控制。

核心缺陷：

缺乏全局相关性先验；
大语料中容易盲搜；
宽泛关键词导致输出爆炸；
工具结果压缩后可能遗忘早期证据。

B.4 相关方法位置

方法	相关性的主要角色	Agent 如何交互
Pi-Serini	BM25 排序与深度召回	search / browse / read
DCI	很少提供全局先验	Bash / Read 直接搜索
RISE	构造静态有界工作空间	工作目录 + shell，可加 TOC
DR-DCI	动态扩张持久工作空间	`pull(query, topK)` + 局部 DCI
RARG	scope + 遍历顺序	`embed_recall` + ordered `rg`
RARG+	再加初始化段落	更快获得搜索入口
RARG++	再加局部匹配重排	控制 observation budget

附录 C：BM25——为什么词面检索仍然重要？

BM25 是经典稀疏检索方法。典型形式：

\operatorname{score}(q,d)= \sum_{t\in q} \operatorname{IDF}(t) \frac{f(t,d)(k_1+1)} {f(t,d)+k_1(1-b+b|d|/\operatorname{avgdl})}

直觉：

$\operatorname{IDF}(t)$ ：词越稀有，区分力越强；
$f(t,d)$ ：词在文档中出现越多通常越相关，但收益逐渐饱和；
$b$ ：校正文档长度；
$k_1$ ：控制词频饱和速度。

BM25 特别擅长：

人名、编号、错误码；
API、类名和精确术语；
查询与文档有明显词面重合的场景。

它不擅长：

同义改写；
没有词面重合的语义关系；
必须推理后才知道哪个文档相关的问题。

RARG 不是简单地宣告 dense 胜过 BM25。事实上，RISE 的 harness 更适配 BM25，而不同任务也可能需要 sparse+dense hybrid。

附录 D：Dense Embedding——把语义映射为向量

Dense retriever 把查询和文档编码为向量：

\mathbf{q}=E(q), \qquad \mathbf{d}=E(d)

再用点积或余弦相似度排序：

\operatorname{sim}(q,d)= \frac{\mathbf{q}\cdot\mathbf{d}} {\|\mathbf{q}\|\|\mathbf{d}\|}

优势：即使字面不同，也可能发现语义相关内容。
风险：

长文档向量会稀释局部证据；
“语义相似”不等于“足以回答”；
模型有领域偏差；
top-k 可能把低排名但关键的证据截掉；
不同粒度的文本需要不同表征能力。

RARG 的思路是把 dense score 从硬过滤器降级为软先验：它指导先后顺序，但仍让 Agent 使用精确工具验证。

附录 E：Reranking——为什么要先召回再精排？

完整地对百万文档做昂贵语义推理不现实，所以常采用两阶段：

低成本召回大量候选 → 高成本模型精排少量候选

RARG++ 的特殊之处在于：精排对象不是完整文档，而是 rg 产生的局部匹配。

好处：

聚焦真正包含关键词的局部证据；
降低进入模型的噪声；
在固定输出预算下提高高价值命中的可见概率。

风险：

候选池之前已丢失的结果无法恢复；
过度聚焦造成结果同质化；
重排查询构造错误会放大偏差；
对高召回任务，精排可能过早剪枝。

附录 F：`ripgrep`、`xargs` 与 `-j1`

ripgrep（命令 rg）是高性能文本搜索工具，默认会并行处理文件。xargs 可以把路径列表变成后续命令的参数。

RARG 的关键命令意图：

cat scope.txt | xargs -d '\n' rg -j1 "pattern"

含义：

按顺序读取 scope.txt 中的路径；
把路径传给 rg；
单线程扫描，减少并行完成顺序造成的乱序；
在收集足够结果后提前停止。

这不是“让 rg 搜得更准”，而是“让相关性排名决定谁先被搜、谁先占用输出预算”。

附录 G：观察预算与上下文压缩

G.1 观察预算

Agent 不可能无限读取工具输出。预算可能表现为：

最大行数；
最大字符数；
token window；
最大工具调用数；
最大 wall-clock；
context compaction threshold。

因此，搜索系统不只是在做 relevance ranking，还在做预算分配 (Budget Allocation)。

G.2 上下文压缩

长任务中，旧工具结果会被压缩或清除，以给新信息让路。论文保留 scope-query 映射，却允许初始化段落被清除，体现了两类状态：

控制状态：后续行动仍依赖，应该长久保存；
内容状态：完成冷启动后价值下降，可以回收。

这个区分可迁移到 Agent Memory：长期保留决策、索引和来源指针，短期保留大块观察文本。

G.3 与 Lost in the Middle 的关系

“Lost in the Middle”研究表明，长上下文中证据位置会影响模型利用效果，常出现两端较好、中间较差的位置偏差。这支持一个一般动机：不能只把越来越多内容塞进上下文。

但它并不直接证明 RARG 的 ordered rg 是唯一或最佳解法；它只是说明“内容顺序和可见位置很重要”。

附录 H：nDCG@10 怎么读？

BRIGHT 使用 归一化折损累计增益 (Normalized Discounted Cumulative Gain, nDCG)。

DCG@10=\sum_{i=1}^{10}\frac{2^{rel_i}-1}{\log_2(i+1)}

nDCG@10=\frac{DCG@10}{IDCG@10}

它奖励：

相关文档进入前 10；
高相关文档排得更靠前；
用理想排序归一化后，可跨查询比较。

nDCG@10 衡量排序质量，不等同于问答正确率。因此不能把 BC+ 的 84% accuracy 与 BRIGHT 的 53.36 nDCG 直接比较大小。

附录 I：BrowseComp-Plus 与 BRIGHT 测的不是同一件事

I.1 BrowseComp-Plus

固定闭集 Web 语料；
提供 gold/evidence documents 与 hard negatives；
目标是回答复杂、多跳、单答案问题；
本论文仅使用 100-query sample；
使用 GPT-5.1 LLM-as-judge。

它比动态 Web API 更可控，但仍不是开放世界研究；数据构造也带有模型和搜索引擎参与产生的偏差。

I.2 BRIGHT

BRIGHT 测试 reasoning-intensive retrieval，目标是把相关文档排进 top-10。完整 benchmark 有 12 个领域、1,384 个查询；本文只跑 biology、earth science、economics、robotics 四域，共 423 个查询。

所以准确表述应是：

RARG+ 在作者选择的四个 BRIGHT 子域平均值上取得最佳结果。

不能直接扩大为“在完整 BRIGHT 上全面领先”。

附录 J：如何判断 84% 对 78% 是否可信？

如果 100 道题中一个方法答对 84 道、另一个答对 78 道，仅看 6 点差距还不够。

应至少知道：

两种方法错的是不是同一批题；
多次运行是否稳定；
judge 是否一致；
差值的置信区间；
prompt、thinking effort、预算是否等价。

因为是同一组问题，最合适的是逐题配对分析，例如 McNemar test 或 paired bootstrap，而不是只比较两个独立比例。

论文未提供这些结果，因此应把“RARG++ 在这次评估中领先”视为已报告事实，把“它稳定且普遍优于基线”视为尚未证实的推断。

附录 K：复现检查清单

数据

记录 corpus 来源、版本、采样随机种子
发布 corpus manifest 与 hash
记录文档切分和路径命名规则
提供 100K 与 1M 的差异清单

索引

Agent

模型版本与 thinking effort
系统 prompt 和工具 schema
最大 turns、输出预算、超时
compaction 策略与 threshold
shell rewrite 规则

评估

逐题输出与证据轨迹
judge prompt、模型与重复评判
多次运行方差
paired bootstrap / significance
wall-clock、token、GPU、美元成本

安全

附录 L：理解检验

L.1 白话复述

为什么“把文档排好序”还不够？

参考答案：因为后续搜索工具可能并行乱序，输出又会被截断；如果排序没有传播到执行层，模型看到的仍可能是偶然先完成的低价值结果。

L.2 逐步推演

若相关文档排名第二，但一个低相关大文件产生 1,000 条匹配，而工具只返回 30 条：

并行无重排时，30 条可能全来自大文件；
ordered scan 可使高排名文档先被检查；
match reranking 可进一步选择与全局问题更相关的局部匹配。

L.3 边界判断

什么情况下 RARG++ 可能比 RARG+ 差？

参考答案：当任务需要广泛召回多个不同相关文档时，局部重排可能把预算集中在同一主题或同一证据链上，降低多样性与召回。

L.4 迁移题

在代码库中查一个跨模块 bug，你会用哪些先验决定搜索顺序？

可考虑：错误堆栈、调用图距离、最近改动、符号定义、测试失败位置、语义相关性。关键不是只生成一个 top-k 文件列表，而是让这些先验继续影响 caller traversal、grep matches 和有限输出的排序。

第十部分：最终评价

21. 我对论文的总体判断

最有价值的贡献

它把一个常被忽略的系统事实说清楚了：

在 Agent 搜索中，“相关性排序”必须成为贯穿候选生成、执行调度、局部匹配和观察预算的控制信号。

这个视角比具体的 rg -j1 技巧更普遍，可迁移到代码搜索、日志诊断、数据库调查、多工具研究和 memory retrieval。

证据强度

对方法定义与实现机制：高置信度；
对特定实验配置中的改进：中高置信度；
对统计稳健性、通用优越性：中低置信度；
对生产效率、开放世界泛化和安全性：尚未充分验证。

最应避免的误读

RARG 不是“dense retrieval 替代 grep”；而是 dense prior 调度 grep。
RARG++ 不是所有任务的最佳变体。
工具调用更少不等于端到端成本更低。
1M 上领先 RISE 的幅度存在跨论文冲突。
当前结果来自小样本、闭集语料和特定 GPT-5.x 系统，尚无独立复现。

三句话收束

RAG 决定看什么，RARG 进一步决定先做什么。
当观察预算有限时，执行顺序本身就是检索算法。
越强的聚焦不总是越好：单答案需要深度，排序任务需要广度。

参考资料

原始论文与官方实现

Li, J. et al. A New Role for Relevance: Guiding Corpus Interaction in Agentic Search（arXiv:2607.24223）
LeqsNaN/RARG（官方代码仓库）
Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction
DCI-Agent-Lite
Towards Retrieving Interaction Spaces for Agentic Search
texttron/RISE
DR-DCI: Scaling Direct Corpus Interaction via Dynamic Workspace Expansion
Rethinking Agentic Search with Pi-Serini

数据集、检索与上下文

BRIGHT: A Realistic and Challenging Benchmark for Reasoning-Intensive Retrieval
BrowseComp-Plus
NVIDIA NeMo Retriever Agentic Pipeline
Robertson, S. et al. The Probabilistic Relevance Framework: BM25 and Beyond
Liu, N. F. et al. Lost in the Middle: How Language Models Use Long Contexts

[!note] 当前性说明 “截至 2026-07-30 未发现独立复现”是时间受限的公开检索结论，不等于绝对不存在。后续若出现正式版本、复现实验或作者修订，应重新核对本文中的性能数字、1M 冲突与实现细节。

相关性不只选文档：RARG 与 Agentic Search 执行先验

0. 先给结论：这篇论文到底说了什么？