A New Role for Relevance: Guiding Corpus Interaction in Agentic Search

本文提出RARG（Relevance-Aware RipGrep Search Agent），将相关性作为文件交互的执行先验，通过粗到细的引导：按相关性排序文件优先遍历、用查询相关段落初始化入口点、重排grep匹配结果突出信息片段。在复杂问答和推理密集型检索任务上，RARG超越了基于检索和直接交互的Agent，在准确性和效率上实现了更好的平衡。

1. 导购Agent应用：导购场景常需多步推理和精确信息定位，RARG的相关性引导交互可直接用于改进我的Agent的知识检索模块，减少无效遍历，加快响应速度。
2. 技术选型启发：之前我主要关注检索+LLM的边看边想模式，RARG展示了将相关性作为搜索策略先验的有效性，改变了我认为“检索就是top-k+重排”的简单认识，未来可考虑引入类似的分阶段引导策略。
3. 后续行动：读全文理解其粗到细引导的具体实现，并尝试在导购Agent的本地文件/知识库检索中复现类似机制，评估在电商导购复杂查询下的效果。