DR-DCI는 검색기(retriever)를 에이전트가 호출 가능한 동작으로 취급해, 전체 코퍼스를 직접 다루는 대신 관련 문서만 동적으로 로컬 워크스페이스에 끌어와 직접 코퍼스 상호작용(DCI)을 수행하는 프레임워크다. 검색기의 높은 재현율과 DCI의 정밀한 문서 간 검증·비교를 결합해 대규모 코퍼스에서도 안정적으로 작동한다. Browsecomp-Plus에서 71.2% 정확도로 기존 DCI 대비 최대 8.3점 향상하면서 도구 사용·실행 시간·비용을 줄였고, 워크스페이스 보존형 컨텍스트 리셋 시 73.3%까지 올랐다. 100K~10M 문서 규모에서도 성능을 유지해, 순수 DCI가 불안정해지는 대규모 에이전트 검색의 실용적 대안을 제시한다.
- •검색을 에이전트 호출 동작으로 삼아 관련 문서만 로컬 워크스페이스로 끌어와 DCI 수행
- •Browsecomp-Plus 71.2% 정확도, 순수 DCI 대비 최대 8.3점 향상하며 도구 사용·시간·비용 감소
- •컨텍스트 리셋(워크스페이스 보존) 적용 시 정확도 73.3%로 추가 상승
- •100K~10M 문서까지 안정적, 20M 규모 Wiki-18 QA에서 6개 벤치마크 평균 63.0 달성
- •순수 DCI가 대규모에서 불안정해지고 BM25가 크게 뒤처지는 한계 해결
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Dr-DCI: Scaling Direct Corpus Interaction via Dynamic Workspace Expansion
- 1.검색기 조향 직접 말뭉치 상호작용(DCI) 프레임워크 DR-DCI 제안
- 2.전체 말뭉치 대신 관련 문서를 로컬 워크스페이스로 동적으로 끌어와 DCI 수행
- 3.Browsecomp-Plus에서 71.2% 정확도, 원추 DCI 대비 최대 8.3점 향상하며 비용·시간 절감
- 4.100K~10M 문서 규모에서 안정적, 20M Wiki-18에서 평균 63.0점으로 기준선 능가
왜 중요한가?
셸 명령 기반 직접 말뭉치 상호작용이 말뭉치가 커지면 느려지고 불안정해지던 문제를, 검색을 워크스페이스 확장 액션으로 다루는 방식으로 풀어 검색기의 확장성과 DCI의 정밀성을 결합해 대규모 에이전트 검색의 효율과 정확도를 동시에 끌어올렸다.
대규모 문서로부터 필요한 정보를 효율적으로 검색하고 상호작용하는 에이전트 기술은 한국의 지식 기반 산업에 혁신을 가져올 잠재력이 큽니다. 이 연구는 AI 에이전트가 방대한 데이터를 직접적으로 확장하여 검색하는 새로운 방식을 제안하며, 이는 국내 법률, 연구, 학술 분야의 정보 탐색 효율성을 극대화하고 AI 기반 지식 관리 시스템의 발전을 가속화할 수 있습니다.
본문 미리보기
arXiv:2606.14885v1 Announce Type: new Abstract: Agentic search over large corpora relies on retriever-mediated interfaces (e.g., BM25 or ColBERT) for scalable candidate discovery. While effective at ranking relevant documents, these interfaces expose evidence only as ranked results or bounded document views, limiting agents' ability to reorganize material and verify constraints across documents. Direct Corpus Interaction (DCI) addresses this limitation by exposing shell-executable corpus operat
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:49AI 초안

