論文の概要: Is Grep All You Need? How Agent Harnesses Reshape Agentic Search

• arxiv url: http://arxiv.org/abs/2605.15184v1
• Date: Thu, 14 May 2026 17:58:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:35.012575
• Title: Is Grep All You Need? How Agent Harnesses Reshape Agentic Search
• Title（参考訳）: 必要なものすべて? エージェントのハーネスはどのようにしてエージェント検索を形作るのか
• Authors: Sahil Sen, Akhil Kasturi, Elias Lumer, Anmol Gulati, Vamse Kumar Subbiah,
• Abstract要約: 本稿では,2つの実験にまとめられた実証的研究を報告する。 実験1では、Chは一般にベクトル検索よりも精度が高いことを示した。 全体的なスコアは、基礎となる会話データが同じであっても、どのハーネスとツール呼び出しスタイルが使用されるかに強く依存する。
• 参考スコア（独自算出の注目度）: 0.7199239000118145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in Large Language Model (LLM) agents have enabled complex agentic workflows where models autonomously retrieve information, call tools, and reason over large corpora to complete tasks on behalf of users. Despite the growing adoption of retrieval-augmented generation (RAG) in agentic search systems, existing literature lacks a systematic comparison of how retrieval strategy choice interacts with agent architecture and tool-calling paradigm. Important practical dimensions, including how tool outputs are presented to the model and how performance changes when searches must cope with more irrelevant surrounding text, remain under-explored in agent loops. This paper reports an empirical study organized into two experiments. Experiment 1 compares grep and vector retrieval on a 116-question sample from LongMemEval, using a custom agent harness (Chronos) and provider-native CLI harnesses (Claude Code, Codex, and Gemini CLI), for both inline tool results and file-based tool results that the model reads separately. Experiment 2 compares grep-only and vector-only retrieval while progressively mixing in additional unrelated conversation history, so that each query is embedded in more distracting material alongside the passages that matter. Across Chronos and the provider CLIs, grep generally yields higher accuracy than vector retrieval in our comparisons in experiment 1; at the same time, overall scores still depend strongly on which harness and tool-calling style is used, even when the underlying conversation data are the same.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントの最近の進歩は複雑なエージェントワークフローを可能にし、モデルが自律的に情報を取得し、ツールを呼び出し、大きなコーパス上で推論し、ユーザに代わってタスクを完了させる。 エージェント検索システムにおける検索強化世代(RAG)の普及にもかかわらず、既存の文献では、検索戦略の選択がエージェントアーキテクチャやツール呼び出しパラダイムとどのように相互作用するかの体系的な比較が欠けている。 ツールのアウトプットがモデルにどのように提示されるか、検索がより無関係なテキストに対処しなければならない場合のパフォーマンスがどう変化するかなど、重要な実践的な側面は、エージェントループの中で未探索のままである。 本稿では,2つの実験にまとめられた実証的研究を報告する。 実験1では、カスタムエージェントハーネス(Chronos)とプロバイダネイティブCLIハーネス(Claude Code、Codex、Gemini CLI)を使用して、LongMemEvalの116のクエストサンプルのグリープとベクトル検索を比較し、インラインツールの結果と、モデルが別々に読むファイルベースのツール結果を比較した。 実験2では、グリープのみの検索とベクトルのみの検索を比較し、さらに無関係な会話履歴を段階的に混合することにより、各クエリが、重要なパスに付随するより気を散らす素材に埋め込まれる。 Chronos と プロバイダ CLIs 全体では、Greep は一般的に、実験1で比較したベクトル検索よりも高い精度が得られるが、同時に、全体的なスコアは、基礎となる会話データが同じであっても、どのハーネスやツール呼び出しスタイルが使われているかに強く依存している。

関連論文リスト

• Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction [127.64173950476702]
  エージェントが直接、汎用端末ツールを用いて、生コーパスを直接検索する直接コーパス間相互作用(DCI)について検討する。 このアプローチではオフラインインデックスを必要とせず、ローカルコーパスの進化に自然に適応する。 IRベンチマークとエンドツーエンドのエージェント検索タスク全体にわたって、この単純なセットアップは、強いスパース、密度、リランクベースラインよりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-05-03T19:13:11Z)
• Paper Circle: An Open-source Multi-agent Research Discovery and Analysis Framework [82.66443886385125]
  ペーパーサークル(Paper Circle)は、学術文献の発見、評価、整理、理解に必要な労力を減らすために設計された発見・分析システムである。 1)複数のソースからのオフラインおよびオンライン検索を統合するディスカバリパイプライン,多エージェントスコアリング,多様性対応ランキング,構造化アウトプット,2)個々の論文を概念,メソッド,数値などの型付きノードで構造化された知識グラフに変換する分析パイプライン,の2つの補完パイプラインで構成されている。
  論文  参考訳（メタデータ） (2026-04-07T17:59:58Z)
• Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage [89.58253972744531]
  Retrieval-augmented Generation (RAG) システムは、文書検索と生成モデルを組み合わせて、レポート生成のような複雑な情報を求める課題に対処する。 我々は,上流の検索指標が,最終生成応答の情報カバレッジの信頼性の高い早期指標として機能するかどうかを検討する。 本研究は,トピックとシステムレベルの両方で生成した応答におけるカバレッジベース検索指標とナゲットカバレッジとの間に強い相関関係を示した。
  論文  参考訳（メタデータ） (2026-03-09T18:20:20Z)
• AgentIR: Reasoning-Aware Retrieval for Deep Research Agents [76.29382561831105]
  ディープリサーチエージェントは、各検索の前に明示的な自然言語推論を生成する。 Reasoning-Aware Retrievalは、クエリと一緒にエージェントの推論トレースを埋め込む。 DR-Synthは、標準的なQAデータセットからDeep Researchレトリバーのトレーニングデータを生成する。 AgentIR-4Bは、オープンウェイトエージェントであるTongyi-DeepResearchで68%の精度を達成する。
  論文  参考訳（メタデータ） (2026-03-04T18:47:26Z)
• A-RAG: Scaling Agentic Retrieval-Augmented Generation via Hierarchical Retrieval Interfaces [34.59674580962045]
  本稿では,階層型検索インタフェースを直接モデルに公開するエージェントRAGフレームワークであるA-RAGを紹介する。 A-RAGはキーワード検索、セマンティック検索、チャンク読み取りという3つの検索ツールを提供する。 複数のオープンドメインQAベンチマークの実験は、A-RAGが既存のアプローチを同等または低いトークンで一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-02-03T12:07:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。