人工知能の分野では、エージェントが大規模コーパスを検索する際、スケーラブルな候補発見のために検索器仲介インターフェース（BM25 や ColBERT など）に依存するのが一般的です。これらのインターフェースは関連ドキュメントのランク付けには効果的ですが、証拠をランク付けされた結果や限定されたドキュメントビューとしてのみ提示するため、エージェントが材料を再編成したり、ドキュメント間の制約を検証したりする能力が制限されます。直接コーパスインタラクション（DCI）は、柔軟な検索、フィルタリング、比較、検証のためのシェル実行可能なコーパス操作を公開することでこの制限に対処しますが、コーパスが成長するにつれて、全コーパスのターミナルコマンドは遅くなり不安定になり、パフォーマンスと効率が低下します。
この問題を解決するために、研究者らは Dr-DCI を提案しました。これは、検索をエージェントが呼び出せるアクションとして扱い、ローカルワークスペースを拡張する検索器誘導型の DCI フレームワークです。エージェントはコーパス全体で直接操作するのではなく、関連ドキュメントを動的に進化するワークスペースに取り込み、その中で DCI 操作を実行します。この設計は、検索器レベルの再現率と DCI スタイルの精度を組み合わせたものです。検索は探索のスケーラビリティを維持し、DCI は効果的な証拠解決に必要なローカル操作を保持します。
実験により、Dr-DCI は様々な規模で効果的かつ効率的であることが示されました。Browsecomp-Plus では、Dr-DCI は 71.2% の精度を達成し、生の DCI やアブレーション変種よりも最大 8.3 ポイント向上し、ツール使用量、経過時間、推定コストを削減しました。ワークスペースを保持するコンテキストリセットにより、精度はさらに 73.3% に向上しました。コーパススケーリング実験では、Dr-DCI は 10 万から 1000 万ドキュメントの範囲で効果を維持しましたが、生の DCI は不安定になり、BM25 は大幅に悪化しました。また、Dr-DCI は 2000 万ドキュメントのファイル単位の Wiki-18 QA 設定にもスケールし、6 つのベンチマークで平均スコア 63.0 を達成し、検索ベースおよび訓練された検索エージェントベースラインを上回りました。アブレーション分析により、ランク付きプレビューとドキュメント間 DCI がパフォーマンスの鍵であることが示されました。