エージェントには（情報）ニーズがある

情報検索の中心的な概念は「情報ニーズ」、つまりユーザーが実際に求めているものです。しかし、通常はクエリという妥協の産物でこのニーズを表現します。AIエージェントが検索ツールを持つ場合も同様です。エージェントにも情報ニーズがありますが、発行するクエリはその粗い表現に過ぎません。

最近の研究では、エージェントが単なるクエリではなく、情報ニーズを直接表現できるようにすることで、検索性能が大幅に向上することが示されています。例えば、BRIGHTベンチマークは推論集約型の検索に焦点を当てており、従来の語彙ベースの検索器ではうまく機能しません。BRIGHTの研究者たちは、エージェントに検索前に推論させ、「関連するドキュメントとは何か」を明確にさせる手法を提案しました。これは、情報ニーズを詳細に記述する従来のTREC TDN（トピック、説明、ナラティブ）クエリに似ています。

その後の研究、例えばReason-ModernColBERTやReason-IRでは、エージェントの推論データを検索器に組み込むことで、BrowseComp-Plusなどのエージェント検索ベンチマークで10%以上の性能向上が確認されました。つまり、エージェントに漠然と検索させるのではなく、情報ニーズを明確に表現させた上で検索することで、より良い結果が得られるのです。

実践的には、エージェントが問題の本質を特定し、関連ドキュメントの特徴を推論し、クエリを生成するようにプロンプトを設計できます。このようなシステムは検索効率を高めるだけでなく、ユーザーの深いニーズにも応えることができます。さらに、Direct Corpus Interaction (DCI) の研究では、grepやbashのような基本的なツールを使っても、エージェントがクエリを繰り返すことで情報ニーズを満たせるものの、クエリ数が倍になることが示されています。BRIGHTのLeetCodeの例は、推論集約型検索の難しさを象徴しています。著者らは、問題の本質を特定し、関連ドキュメントに含まれるべき内容を段階的に推論し、回答を起草するというプロンプトを提案しており、これによりエージェントが情報ニーズを明示的に表現できるようになります。結論として、エージェントの情報ニーズに注目することが、エージェント検索システムの性能向上の鍵となります。