Cuando los flujos de trabajo agentes fallan, los desarrolladores suelen asumir que el problema radica en las capacidades de razonamiento del modelo subyacente. En realidad, la información limitada proporcionada por la interfaz de recuperación suele ser el principal factor limitante.
Investigadores de múltiples universidades proponen una técnica llamada interacción directa del corpus (DCI) que permite a los agentes evitar por completo la incrustación de modelos y buscar corpus sin procesar directamente utilizando herramientas de línea de comandos estándar.
Los límites de la recuperación clásica
En sistemas de recuperación clásicos como RAGlos documentos se fragmentan, se convierten en representaciones vectoriales (o incrustaciones) y se indexan fuera de línea en una base de datos vectorial. Cuando un sistema de inteligencia artificial procesa una consulta, un recuperador filtra toda la base de datos para devolver una lista clasificada como «top-k» de fragmentos de documentos que coinciden con la consulta. Toda la evidencia debe pasar por este mecanismo de puntuación antes de que se produzca cualquier razonamiento posterior.
Pero las aplicaciones agentes modernas exigen mucho más. «La recuperación densa es muy útil para una recuperación semántica amplia, pero cuando un agente tiene que resolver una tarea de varios pasos, a menudo necesita buscar cadenas, números, versiones, códigos de error, rutas de archivos o combinaciones escasas de pistas exactas», dijeron los autores del artículo de DCI en comentarios proporcionados a VentureBeat. «Estos detalles de cola larga son precisamente donde la similitud semántica puede ser frágil».
A diferencia de la búsqueda estática, los agentes también deben revisar sus planes de búsqueda dinámicamente después de observar evidencia parcial o localizada. Las restricciones léxicas exactas y el refinamiento de hipótesis de varios pasos son difíciles de ejecutar con recuperadores semánticos. Debido a que el recuperador comprime el acceso en un solo paso, cualquier evidencia crítica filtrada por la búsqueda de similitud no se puede recuperar más adelante, sin importar cuán avanzadas sean las capacidades de razonamiento posterior del agente. Como explican los autores, los canales de recuperación actuales pueden convertirse en un cuello de botella porque «deciden demasiado pronto lo que el agente puede ver».
Interacción directa del corpus
Este acceso directo aborda un problema central en los entornos empresariales: la obsolescencia de los datos. Los índices integrados son siempre una instantánea de un momento específico en el tiempo, y su creación y mantenimiento requieren una cantidad considerable de cálculo y tiempo.
«En muchos entornos empresariales, los datos no son una colección de documentos estable. Son informes financieros diarios, registros en vivo, tickets, confirmaciones de código, archivos de configuración, cronogramas de incidentes y documentos internos que siguen cambiando», dijeron los autores. DCI permite al agente razonar sobre el estado actual del espacio de trabajo en lugar del índice vectorial de ayer.
El agente opera en un entorno similar a una terminal donde sus observaciones son resultados de herramientas sin procesar, como rutas de archivos, espacios de texto coincidentes y líneas circundantes. Las herramientas básicas proporcionadas por DCI son pocas pero muy expresivas. Los agentes utilizan comandos como «buscar» y «glob» para navegar por las estructuras de directorios y localizar archivos. Para una coincidencia exacta, utilizan «grep» y «rg» para localizar palabras clave específicas, patrones de expresiones regulares y cadenas exactas. Cuando se necesita una inspección local, herramientas como “head”, “tail”, “sed”, “cat” y scripts ligeros de Python permiten al agente echar un vistazo al contexto que rodea una coincidencia o leer secciones de archivos específicas.
El agente puede combinar estas herramientas a través de canales de shell para ejecutar una lógica de búsqueda compleja en un solo paso. Un agente puede canalizar comandos para imponer restricciones léxicas estrictas, como buscar un término en un archivo y canalizar la salida para buscar un segundo término. Puede combinar múltiples pistas débiles en un corpus al encontrar un tipo de archivo específico, buscar una palabra clave como «informe» y filtrar por un año como «2024». También puede verificar inmediatamente una hipótesis inspeccionando las líneas exactas alrededor de una concordancia de palabra clave.
DCI delega la interpretación semántica directamente al agente en lugar de depender de la búsqueda de similitudes basada en incrustaciones. El agente puede formular hipótesis, probar patrones léxicos exactos y extraer información detallada que un recuperador semántico tradicional podría pasar por alto.
Los investigadores proponen dos versiones de este sistema. DCI-Agent-Lite está diseñado como una configuración liviana y de bajo costo construida sobre el modelo nano GPT-5.4 y restringida exclusivamente a interacciones de terminal sin formato, como comandos bash y lecturas básicas de archivos. Debido a que la lectura de archivos sin formato puede llenar rápidamente la memoria de un modelo más pequeño, esta versión se basa en estrategias livianas de administración de contexto en tiempo de ejecución para sostener la exploración a largo plazo.
DCI-Agent-CC es la versión de mayor rendimiento, diseñada para equipos con más presupuesto informático. sigue funcionando Código Claude impulsado por Claude Sonnet 4.6. Claude Code proporciona indicaciones más sólidas, una orquestación de herramientas más sólida y un manejo de contexto integrado superior, lo que mejora la estabilidad del agente durante búsquedas complejas de varios pasos en conjuntos de datos heterogéneos.
DCI en acción
Los investigadores probaron ambas versiones de DCI en puntos de referencia de búsqueda agente como BrowseComp-Plus, control de calidad intensivo en conocimiento con razonamiento de un solo salto y de múltiples saltos, y clasificación de recuperación de información en tareas que requieren razonamiento de dominio específico y verificación de hechos científicos.
Probaron DCI contra tres líneas de base. El primero incluía agentes de recuperación de peso abiertos como Búsqueda-R1 y agentes propietarios impulsados por modelos fronterizos como GPT-5 y Claude Sonnet 4.6, combinados con recuperadores estándar. La segunda línea de base incluía recuperadores dispersos clásicos como BM25 y recuperadores densos como text-embedding-3-large y Qwen3-Embedding-8B de OpenAI. La tercera línea de base consistió en reclasificadores de alto rendimiento orientados al razonamiento como ReasonRank-32B y Rank-R1.
DCI superó sistemáticamente las líneas de base, según los investigadores. En el complejo benchmark BrowseComp-Plus, el intercambio de un recuperador semántico Qwen3 tradicional por DCI en una red troncal Claude Sonnet 4.6 mejoró la precisión del 69,0% al 80,0% y redujo el costo de la API de $1,440 a $1,016. También fue notable el retorno de la inversión para los agentes ligeros. DCI-Agent-Lite con GPT-5.4 nano compitió con el modelo OpenAI o3 utilizando la recuperación tradicional y reduciendo costos en más de $600.
En los puntos de referencia de control de calidad de múltiples saltos, DCI-Agent-CC alcanzó una precisión promedio del 83,0%, mejorando la línea de base de recuperación de peso abierto más sólida en 30,7 puntos, según los investigadores.
Los datos muestran que DCI tiene una menor recuperación general de documentos que los modelos de incrustación densa, pero una vez que encuentra un documento relevante, extrae sustancialmente más valor de él.
«Si un líder de IA empresarial preguntara dónde DCI es más claramente útil, señalaría tareas que requieren localización exacta de evidencia en un espacio de trabajo dinámico: depuración de incidentes de producción, búsqueda de grandes bases de código, análisis de registros, investigación de cumplimiento, pistas de auditoría o análisis de causa raíz de múltiples documentos», señalan los investigadores.
En una compleja tarea de investigación profunda, el agente tuvo que identificar un partido de fútbol específico basándose en 12 pistas entrelazadas, incluida la asistencia exacta, las tarjetas amarillas y las fechas de nacimiento de los jugadores. Un perro perdiguero tradicional fallaría si mostrara fragmentos cortos y desconectados. En cambio, el agente de la DCI exploró el directorio de archivos, leyó líneas específicas de un informe del partido Inglaterra versus Bélgica de 1990 para verificar el número exacto de sustituciones, extrajo una cita específica de un archivo de entrevista y verificó las fechas exactas de nacimiento de dos jugadores mirando sus archivos de texto de Wikipedia. Al encadenar estos comandos simples, DCI garantiza que no se pierda permanentemente ninguna evidencia detrás de un algoritmo de búsqueda semántica defectuoso.
Límites e implementación práctica de DCI.
DCI tiene un entorno operativo claro en el que escala de manera excelente en profundidad de búsqueda, pero tiene dificultades con la amplitud de búsqueda. Cuando el corpus experimental se amplió de 100.000 a 400.000 documentos, la precisión del sistema disminuyó significativamente y el número promedio de llamadas a herramientas aumentó. Si bien DCI es poderoso una vez que se encuentra un documento prometedor, el costo de localizar ese documento ancla inicial útil crece considerablemente a medida que aumenta el tamaño del espacio candidato.
DCI también tiene una menor recuperación de documentos amplios en comparación con los modelos de incrustación densa. Cambia la recuperación exhaustiva por precisión local de alta resolución. Si un flujo de trabajo empresarial requiere estrictamente encontrar todos los documentos relevantes en un conjunto de datos masivo, es posible que DCI no sea la herramienta adecuada.
Otorgar a un agente herramientas expresivas, como un shell bash sin restricciones, aumenta la latencia y los costos de cómputo debido al gran volumen de llamadas iterativas a herramientas necesarias para completar una búsqueda. También crea importantes desafíos de seguridad y gestión del contexto para los departamentos de TI.
«Las llamadas a herramientas pueden generar grandes resultados; las trayectorias largas pueden llenar la ventana de contexto; y el acceso directo a la terminal requiere sandboxing, control de permisos e ingeniería cuidadosa», dijeron los autores. Para gestionar la ventana de contexto, los investigadores descubrieron que el truncamiento y la compactación moderados ayudan al agente a realizar búsquedas más largas, mientras que un resumen demasiado agresivo tiende a descartar evidencia útil.
Debido a estas realidades operativas, el DCI no pretende ser un reemplazo obligatorio de la infraestructura vectorial existente. Más bien, sirve como complementario.
«Para los ingenieros de orquestación y arquitectos de datos, nuestra opinión es que el patrón de implementación más práctico a corto plazo es híbrido», dijeron los autores. La recuperación semántica aún puede proporcionar un descubrimiento de candidatos de alto recuerdo cuando la intención de un usuario es amplia o está poco especificada. «La DCI puede entonces operar como una capa de precisión y verificación: el agente puede buscar dentro de los documentos recuperados, expandirlos a archivos vecinos, verificar restricciones exactas y combinar señales débiles entre documentos».
Los investigadores han publicado el código para DCI bajo la permisiva licencia del MIT.
«A más largo plazo, DCI cambia la forma en que pensamos acerca de los datos empresariales. Los datos no sólo necesitarán ser almacenados para humanos o indexados para motores de búsqueda; también necesitarán ser organizados para agentes que puedan inspeccionar, comparar, rastrear, rastrear y verificar», concluyen los autores. «Los nombres de archivos, las marcas de tiempo, los identificadores estables, los metadatos, el historial de versiones y la estructura legible por máquina pasan a formar parte de la interfaz de recuperación».
Cuando los flujos de trabajo agentes fallan, los desarrolladores suelen asumir que el problema radica en las capacidades de razonamiento del modelo subyacente. En realidad, la información limitada proporcionada por la interfaz de recuperación suele ser el principal factor limitante.
Investigadores de múltiples universidades proponen una técnica llamada interacción directa del corpus (DCI) que permite a los agentes evitar por completo la incrustación de modelos y buscar corpus sin procesar directamente utilizando herramientas de línea de comandos estándar.
Los límites de la recuperación clásica
En sistemas de recuperación clásicos como RAGlos documentos se fragmentan, se convierten en representaciones vectoriales (o incrustaciones) y se indexan fuera de línea en una base de datos vectorial. Cuando un sistema de inteligencia artificial procesa una consulta, un recuperador filtra toda la base de datos para devolver una lista clasificada como «top-k» de fragmentos de documentos que coinciden con la consulta. Toda la evidencia debe pasar por este mecanismo de puntuación antes de que se produzca cualquier razonamiento posterior.
Pero las aplicaciones agentes modernas exigen mucho más. «La recuperación densa es muy útil para una recuperación semántica amplia, pero cuando un agente tiene que resolver una tarea de varios pasos, a menudo necesita buscar cadenas, números, versiones, códigos de error, rutas de archivos o combinaciones escasas de pistas exactas», dijeron los autores del artículo de DCI en comentarios proporcionados a VentureBeat. «Estos detalles de cola larga son precisamente donde la similitud semántica puede ser frágil».
A diferencia de la búsqueda estática, los agentes también deben revisar sus planes de búsqueda dinámicamente después de observar evidencia parcial o localizada. Las restricciones léxicas exactas y el refinamiento de hipótesis de varios pasos son difíciles de ejecutar con recuperadores semánticos. Debido a que el recuperador comprime el acceso en un solo paso, cualquier evidencia crítica filtrada por la búsqueda de similitud no se puede recuperar más adelante, sin importar cuán avanzadas sean las capacidades de razonamiento posterior del agente. Como explican los autores, los canales de recuperación actuales pueden convertirse en un cuello de botella porque «deciden demasiado pronto lo que el agente puede ver».
Interacción directa del corpus
Este acceso directo aborda un problema central en los entornos empresariales: la obsolescencia de los datos. Los índices integrados son siempre una instantánea de un momento específico en el tiempo, y su creación y mantenimiento requieren una cantidad considerable de cálculo y tiempo.
«En muchos entornos empresariales, los datos no son una colección de documentos estable. Son informes financieros diarios, registros en vivo, tickets, confirmaciones de código, archivos de configuración, cronogramas de incidentes y documentos internos que siguen cambiando», dijeron los autores. DCI permite al agente razonar sobre el estado actual del espacio de trabajo en lugar del índice vectorial de ayer.
El agente opera en un entorno similar a una terminal donde sus observaciones son resultados de herramientas sin procesar, como rutas de archivos, espacios de texto coincidentes y líneas circundantes. Las herramientas básicas proporcionadas por DCI son pocas pero muy expresivas. Los agentes utilizan comandos como «buscar» y «glob» para navegar por las estructuras de directorios y localizar archivos. Para una coincidencia exacta, utilizan «grep» y «rg» para localizar palabras clave específicas, patrones de expresiones regulares y cadenas exactas. Cuando se necesita una inspección local, herramientas como “head”, “tail”, “sed”, “cat” y scripts ligeros de Python permiten al agente echar un vistazo al contexto que rodea una coincidencia o leer secciones de archivos específicas.
El agente puede combinar estas herramientas a través de canales de shell para ejecutar una lógica de búsqueda compleja en un solo paso. Un agente puede canalizar comandos para imponer restricciones léxicas estrictas, como buscar un término en un archivo y canalizar la salida para buscar un segundo término. Puede combinar múltiples pistas débiles en un corpus al encontrar un tipo de archivo específico, buscar una palabra clave como «informe» y filtrar por un año como «2024». También puede verificar inmediatamente una hipótesis inspeccionando las líneas exactas alrededor de una concordancia de palabra clave.
DCI delega la interpretación semántica directamente al agente en lugar de depender de la búsqueda de similitudes basada en incrustaciones. El agente puede formular hipótesis, probar patrones léxicos exactos y extraer información detallada que un recuperador semántico tradicional podría pasar por alto.
Los investigadores proponen dos versiones de este sistema. DCI-Agent-Lite está diseñado como una configuración liviana y de bajo costo construida sobre el modelo nano GPT-5.4 y restringida exclusivamente a interacciones de terminal sin formato, como comandos bash y lecturas básicas de archivos. Debido a que la lectura de archivos sin formato puede llenar rápidamente la memoria de un modelo más pequeño, esta versión se basa en estrategias livianas de administración de contexto en tiempo de ejecución para sostener la exploración a largo plazo.
DCI-Agent-CC es la versión de mayor rendimiento, diseñada para equipos con más presupuesto informático. sigue funcionando Código Claude impulsado por Claude Sonnet 4.6. Claude Code proporciona indicaciones más sólidas, una orquestación de herramientas más sólida y un manejo de contexto integrado superior, lo que mejora la estabilidad del agente durante búsquedas complejas de varios pasos en conjuntos de datos heterogéneos.
DCI en acción
Los investigadores probaron ambas versiones de DCI en puntos de referencia de búsqueda agente como BrowseComp-Plus, control de calidad intensivo en conocimiento con razonamiento de un solo salto y de múltiples saltos, y clasificación de recuperación de información en tareas que requieren razonamiento de dominio específico y verificación de hechos científicos.
Probaron DCI contra tres líneas de base. El primero incluía agentes de recuperación de peso abiertos como Búsqueda-R1 y agentes propietarios impulsados por modelos fronterizos como GPT-5 y Claude Sonnet 4.6, combinados con recuperadores estándar. La segunda línea de base incluía recuperadores dispersos clásicos como BM25 y recuperadores densos como text-embedding-3-large y Qwen3-Embedding-8B de OpenAI. La tercera línea de base consistió en reclasificadores de alto rendimiento orientados al razonamiento como ReasonRank-32B y Rank-R1.
DCI superó sistemáticamente las líneas de base, según los investigadores. En el complejo benchmark BrowseComp-Plus, el intercambio de un recuperador semántico Qwen3 tradicional por DCI en una red troncal Claude Sonnet 4.6 mejoró la precisión del 69,0% al 80,0% y redujo el costo de la API de $1,440 a $1,016. También fue notable el retorno de la inversión para los agentes ligeros. DCI-Agent-Lite con GPT-5.4 nano compitió con el modelo OpenAI o3 utilizando la recuperación tradicional y reduciendo costos en más de $600.
En los puntos de referencia de control de calidad de múltiples saltos, DCI-Agent-CC alcanzó una precisión promedio del 83,0%, mejorando la línea de base de recuperación de peso abierto más sólida en 30,7 puntos, según los investigadores.
Los datos muestran que DCI tiene una menor recuperación general de documentos que los modelos de incrustación densa, pero una vez que encuentra un documento relevante, extrae sustancialmente más valor de él.
«Si un líder de IA empresarial preguntara dónde DCI es más claramente útil, señalaría tareas que requieren localización exacta de evidencia en un espacio de trabajo dinámico: depuración de incidentes de producción, búsqueda de grandes bases de código, análisis de registros, investigación de cumplimiento, pistas de auditoría o análisis de causa raíz de múltiples documentos», señalan los investigadores.
En una compleja tarea de investigación profunda, el agente tuvo que identificar un partido de fútbol específico basándose en 12 pistas entrelazadas, incluida la asistencia exacta, las tarjetas amarillas y las fechas de nacimiento de los jugadores. Un perro perdiguero tradicional fallaría si mostrara fragmentos cortos y desconectados. En cambio, el agente de la DCI exploró el directorio de archivos, leyó líneas específicas de un informe del partido Inglaterra versus Bélgica de 1990 para verificar el número exacto de sustituciones, extrajo una cita específica de un archivo de entrevista y verificó las fechas exactas de nacimiento de dos jugadores mirando sus archivos de texto de Wikipedia. Al encadenar estos comandos simples, DCI garantiza que no se pierda permanentemente ninguna evidencia detrás de un algoritmo de búsqueda semántica defectuoso.
Límites e implementación práctica de DCI.
DCI tiene un entorno operativo claro en el que escala de manera excelente en profundidad de búsqueda, pero tiene dificultades con la amplitud de búsqueda. Cuando el corpus experimental se amplió de 100.000 a 400.000 documentos, la precisión del sistema disminuyó significativamente y el número promedio de llamadas a herramientas aumentó. Si bien DCI es poderoso una vez que se encuentra un documento prometedor, el costo de localizar ese documento ancla inicial útil crece considerablemente a medida que aumenta el tamaño del espacio candidato.
DCI también tiene una menor recuperación de documentos amplios en comparación con los modelos de incrustación densa. Cambia la recuperación exhaustiva por precisión local de alta resolución. Si un flujo de trabajo empresarial requiere estrictamente encontrar todos los documentos relevantes en un conjunto de datos masivo, es posible que DCI no sea la herramienta adecuada.
Otorgar a un agente herramientas expresivas, como un shell bash sin restricciones, aumenta la latencia y los costos de cómputo debido al gran volumen de llamadas iterativas a herramientas necesarias para completar una búsqueda. También crea importantes desafíos de seguridad y gestión del contexto para los departamentos de TI.
«Las llamadas a herramientas pueden generar grandes resultados; las trayectorias largas pueden llenar la ventana de contexto; y el acceso directo a la terminal requiere sandboxing, control de permisos e ingeniería cuidadosa», dijeron los autores. Para gestionar la ventana de contexto, los investigadores descubrieron que el truncamiento y la compactación moderados ayudan al agente a realizar búsquedas más largas, mientras que un resumen demasiado agresivo tiende a descartar evidencia útil.
Debido a estas realidades operativas, el DCI no pretende ser un reemplazo obligatorio de la infraestructura vectorial existente. Más bien, sirve como complementario.
«Para los ingenieros de orquestación y arquitectos de datos, nuestra opinión es que el patrón de implementación más práctico a corto plazo es híbrido», dijeron los autores. La recuperación semántica aún puede proporcionar un descubrimiento de candidatos de alto recuerdo cuando la intención de un usuario es amplia o está poco especificada. «La DCI puede entonces operar como una capa de precisión y verificación: el agente puede buscar dentro de los documentos recuperados, expandirlos a archivos vecinos, verificar restricciones exactas y combinar señales débiles entre documentos».
Los investigadores han publicado el código para DCI bajo la permisiva licencia del MIT.
«A más largo plazo, DCI cambia la forma en que pensamos acerca de los datos empresariales. Los datos no sólo necesitarán ser almacenados para humanos o indexados para motores de búsqueda; también necesitarán ser organizados para agentes que puedan inspeccionar, comparar, rastrear, rastrear y verificar», concluyen los autores. «Los nombres de archivos, las marcas de tiempo, los identificadores estables, los metadatos, el historial de versiones y la estructura legible por máquina pasan a formar parte de la interfaz de recuperación».
Cuando los flujos de trabajo agentes fallan, los desarrolladores suelen asumir que el problema radica en las capacidades de razonamiento del modelo subyacente. En realidad, la información limitada proporcionada por la interfaz de recuperación suele ser el principal factor limitante.
Investigadores de múltiples universidades proponen una técnica llamada interacción directa del corpus (DCI) que permite a los agentes evitar por completo la incrustación de modelos y buscar corpus sin procesar directamente utilizando herramientas de línea de comandos estándar.
Los límites de la recuperación clásica
En sistemas de recuperación clásicos como RAGlos documentos se fragmentan, se convierten en representaciones vectoriales (o incrustaciones) y se indexan fuera de línea en una base de datos vectorial. Cuando un sistema de inteligencia artificial procesa una consulta, un recuperador filtra toda la base de datos para devolver una lista clasificada como «top-k» de fragmentos de documentos que coinciden con la consulta. Toda la evidencia debe pasar por este mecanismo de puntuación antes de que se produzca cualquier razonamiento posterior.
Pero las aplicaciones agentes modernas exigen mucho más. «La recuperación densa es muy útil para una recuperación semántica amplia, pero cuando un agente tiene que resolver una tarea de varios pasos, a menudo necesita buscar cadenas, números, versiones, códigos de error, rutas de archivos o combinaciones escasas de pistas exactas», dijeron los autores del artículo de DCI en comentarios proporcionados a VentureBeat. «Estos detalles de cola larga son precisamente donde la similitud semántica puede ser frágil».
A diferencia de la búsqueda estática, los agentes también deben revisar sus planes de búsqueda dinámicamente después de observar evidencia parcial o localizada. Las restricciones léxicas exactas y el refinamiento de hipótesis de varios pasos son difíciles de ejecutar con recuperadores semánticos. Debido a que el recuperador comprime el acceso en un solo paso, cualquier evidencia crítica filtrada por la búsqueda de similitud no se puede recuperar más adelante, sin importar cuán avanzadas sean las capacidades de razonamiento posterior del agente. Como explican los autores, los canales de recuperación actuales pueden convertirse en un cuello de botella porque «deciden demasiado pronto lo que el agente puede ver».
Interacción directa del corpus
Este acceso directo aborda un problema central en los entornos empresariales: la obsolescencia de los datos. Los índices integrados son siempre una instantánea de un momento específico en el tiempo, y su creación y mantenimiento requieren una cantidad considerable de cálculo y tiempo.
«En muchos entornos empresariales, los datos no son una colección de documentos estable. Son informes financieros diarios, registros en vivo, tickets, confirmaciones de código, archivos de configuración, cronogramas de incidentes y documentos internos que siguen cambiando», dijeron los autores. DCI permite al agente razonar sobre el estado actual del espacio de trabajo en lugar del índice vectorial de ayer.
El agente opera en un entorno similar a una terminal donde sus observaciones son resultados de herramientas sin procesar, como rutas de archivos, espacios de texto coincidentes y líneas circundantes. Las herramientas básicas proporcionadas por DCI son pocas pero muy expresivas. Los agentes utilizan comandos como «buscar» y «glob» para navegar por las estructuras de directorios y localizar archivos. Para una coincidencia exacta, utilizan «grep» y «rg» para localizar palabras clave específicas, patrones de expresiones regulares y cadenas exactas. Cuando se necesita una inspección local, herramientas como “head”, “tail”, “sed”, “cat” y scripts ligeros de Python permiten al agente echar un vistazo al contexto que rodea una coincidencia o leer secciones de archivos específicas.
El agente puede combinar estas herramientas a través de canales de shell para ejecutar una lógica de búsqueda compleja en un solo paso. Un agente puede canalizar comandos para imponer restricciones léxicas estrictas, como buscar un término en un archivo y canalizar la salida para buscar un segundo término. Puede combinar múltiples pistas débiles en un corpus al encontrar un tipo de archivo específico, buscar una palabra clave como «informe» y filtrar por un año como «2024». También puede verificar inmediatamente una hipótesis inspeccionando las líneas exactas alrededor de una concordancia de palabra clave.
DCI delega la interpretación semántica directamente al agente en lugar de depender de la búsqueda de similitudes basada en incrustaciones. El agente puede formular hipótesis, probar patrones léxicos exactos y extraer información detallada que un recuperador semántico tradicional podría pasar por alto.
Los investigadores proponen dos versiones de este sistema. DCI-Agent-Lite está diseñado como una configuración liviana y de bajo costo construida sobre el modelo nano GPT-5.4 y restringida exclusivamente a interacciones de terminal sin formato, como comandos bash y lecturas básicas de archivos. Debido a que la lectura de archivos sin formato puede llenar rápidamente la memoria de un modelo más pequeño, esta versión se basa en estrategias livianas de administración de contexto en tiempo de ejecución para sostener la exploración a largo plazo.
DCI-Agent-CC es la versión de mayor rendimiento, diseñada para equipos con más presupuesto informático. sigue funcionando Código Claude impulsado por Claude Sonnet 4.6. Claude Code proporciona indicaciones más sólidas, una orquestación de herramientas más sólida y un manejo de contexto integrado superior, lo que mejora la estabilidad del agente durante búsquedas complejas de varios pasos en conjuntos de datos heterogéneos.
DCI en acción
Los investigadores probaron ambas versiones de DCI en puntos de referencia de búsqueda agente como BrowseComp-Plus, control de calidad intensivo en conocimiento con razonamiento de un solo salto y de múltiples saltos, y clasificación de recuperación de información en tareas que requieren razonamiento de dominio específico y verificación de hechos científicos.
Probaron DCI contra tres líneas de base. El primero incluía agentes de recuperación de peso abiertos como Búsqueda-R1 y agentes propietarios impulsados por modelos fronterizos como GPT-5 y Claude Sonnet 4.6, combinados con recuperadores estándar. La segunda línea de base incluía recuperadores dispersos clásicos como BM25 y recuperadores densos como text-embedding-3-large y Qwen3-Embedding-8B de OpenAI. La tercera línea de base consistió en reclasificadores de alto rendimiento orientados al razonamiento como ReasonRank-32B y Rank-R1.
DCI superó sistemáticamente las líneas de base, según los investigadores. En el complejo benchmark BrowseComp-Plus, el intercambio de un recuperador semántico Qwen3 tradicional por DCI en una red troncal Claude Sonnet 4.6 mejoró la precisión del 69,0% al 80,0% y redujo el costo de la API de $1,440 a $1,016. También fue notable el retorno de la inversión para los agentes ligeros. DCI-Agent-Lite con GPT-5.4 nano compitió con el modelo OpenAI o3 utilizando la recuperación tradicional y reduciendo costos en más de $600.
En los puntos de referencia de control de calidad de múltiples saltos, DCI-Agent-CC alcanzó una precisión promedio del 83,0%, mejorando la línea de base de recuperación de peso abierto más sólida en 30,7 puntos, según los investigadores.
Los datos muestran que DCI tiene una menor recuperación general de documentos que los modelos de incrustación densa, pero una vez que encuentra un documento relevante, extrae sustancialmente más valor de él.
«Si un líder de IA empresarial preguntara dónde DCI es más claramente útil, señalaría tareas que requieren localización exacta de evidencia en un espacio de trabajo dinámico: depuración de incidentes de producción, búsqueda de grandes bases de código, análisis de registros, investigación de cumplimiento, pistas de auditoría o análisis de causa raíz de múltiples documentos», señalan los investigadores.
En una compleja tarea de investigación profunda, el agente tuvo que identificar un partido de fútbol específico basándose en 12 pistas entrelazadas, incluida la asistencia exacta, las tarjetas amarillas y las fechas de nacimiento de los jugadores. Un perro perdiguero tradicional fallaría si mostrara fragmentos cortos y desconectados. En cambio, el agente de la DCI exploró el directorio de archivos, leyó líneas específicas de un informe del partido Inglaterra versus Bélgica de 1990 para verificar el número exacto de sustituciones, extrajo una cita específica de un archivo de entrevista y verificó las fechas exactas de nacimiento de dos jugadores mirando sus archivos de texto de Wikipedia. Al encadenar estos comandos simples, DCI garantiza que no se pierda permanentemente ninguna evidencia detrás de un algoritmo de búsqueda semántica defectuoso.
Límites e implementación práctica de DCI.
DCI tiene un entorno operativo claro en el que escala de manera excelente en profundidad de búsqueda, pero tiene dificultades con la amplitud de búsqueda. Cuando el corpus experimental se amplió de 100.000 a 400.000 documentos, la precisión del sistema disminuyó significativamente y el número promedio de llamadas a herramientas aumentó. Si bien DCI es poderoso una vez que se encuentra un documento prometedor, el costo de localizar ese documento ancla inicial útil crece considerablemente a medida que aumenta el tamaño del espacio candidato.
DCI también tiene una menor recuperación de documentos amplios en comparación con los modelos de incrustación densa. Cambia la recuperación exhaustiva por precisión local de alta resolución. Si un flujo de trabajo empresarial requiere estrictamente encontrar todos los documentos relevantes en un conjunto de datos masivo, es posible que DCI no sea la herramienta adecuada.
Otorgar a un agente herramientas expresivas, como un shell bash sin restricciones, aumenta la latencia y los costos de cómputo debido al gran volumen de llamadas iterativas a herramientas necesarias para completar una búsqueda. También crea importantes desafíos de seguridad y gestión del contexto para los departamentos de TI.
«Las llamadas a herramientas pueden generar grandes resultados; las trayectorias largas pueden llenar la ventana de contexto; y el acceso directo a la terminal requiere sandboxing, control de permisos e ingeniería cuidadosa», dijeron los autores. Para gestionar la ventana de contexto, los investigadores descubrieron que el truncamiento y la compactación moderados ayudan al agente a realizar búsquedas más largas, mientras que un resumen demasiado agresivo tiende a descartar evidencia útil.
Debido a estas realidades operativas, el DCI no pretende ser un reemplazo obligatorio de la infraestructura vectorial existente. Más bien, sirve como complementario.
«Para los ingenieros de orquestación y arquitectos de datos, nuestra opinión es que el patrón de implementación más práctico a corto plazo es híbrido», dijeron los autores. La recuperación semántica aún puede proporcionar un descubrimiento de candidatos de alto recuerdo cuando la intención de un usuario es amplia o está poco especificada. «La DCI puede entonces operar como una capa de precisión y verificación: el agente puede buscar dentro de los documentos recuperados, expandirlos a archivos vecinos, verificar restricciones exactas y combinar señales débiles entre documentos».
Los investigadores han publicado el código para DCI bajo la permisiva licencia del MIT.
«A más largo plazo, DCI cambia la forma en que pensamos acerca de los datos empresariales. Los datos no sólo necesitarán ser almacenados para humanos o indexados para motores de búsqueda; también necesitarán ser organizados para agentes que puedan inspeccionar, comparar, rastrear, rastrear y verificar», concluyen los autores. «Los nombres de archivos, las marcas de tiempo, los identificadores estables, los metadatos, el historial de versiones y la estructura legible por máquina pasan a formar parte de la interfaz de recuperación».
Cuando los flujos de trabajo agentes fallan, los desarrolladores suelen asumir que el problema radica en las capacidades de razonamiento del modelo subyacente. En realidad, la información limitada proporcionada por la interfaz de recuperación suele ser el principal factor limitante.
Investigadores de múltiples universidades proponen una técnica llamada interacción directa del corpus (DCI) que permite a los agentes evitar por completo la incrustación de modelos y buscar corpus sin procesar directamente utilizando herramientas de línea de comandos estándar.
Los límites de la recuperación clásica
En sistemas de recuperación clásicos como RAGlos documentos se fragmentan, se convierten en representaciones vectoriales (o incrustaciones) y se indexan fuera de línea en una base de datos vectorial. Cuando un sistema de inteligencia artificial procesa una consulta, un recuperador filtra toda la base de datos para devolver una lista clasificada como «top-k» de fragmentos de documentos que coinciden con la consulta. Toda la evidencia debe pasar por este mecanismo de puntuación antes de que se produzca cualquier razonamiento posterior.
Pero las aplicaciones agentes modernas exigen mucho más. «La recuperación densa es muy útil para una recuperación semántica amplia, pero cuando un agente tiene que resolver una tarea de varios pasos, a menudo necesita buscar cadenas, números, versiones, códigos de error, rutas de archivos o combinaciones escasas de pistas exactas», dijeron los autores del artículo de DCI en comentarios proporcionados a VentureBeat. «Estos detalles de cola larga son precisamente donde la similitud semántica puede ser frágil».
A diferencia de la búsqueda estática, los agentes también deben revisar sus planes de búsqueda dinámicamente después de observar evidencia parcial o localizada. Las restricciones léxicas exactas y el refinamiento de hipótesis de varios pasos son difíciles de ejecutar con recuperadores semánticos. Debido a que el recuperador comprime el acceso en un solo paso, cualquier evidencia crítica filtrada por la búsqueda de similitud no se puede recuperar más adelante, sin importar cuán avanzadas sean las capacidades de razonamiento posterior del agente. Como explican los autores, los canales de recuperación actuales pueden convertirse en un cuello de botella porque «deciden demasiado pronto lo que el agente puede ver».
Interacción directa del corpus
Este acceso directo aborda un problema central en los entornos empresariales: la obsolescencia de los datos. Los índices integrados son siempre una instantánea de un momento específico en el tiempo, y su creación y mantenimiento requieren una cantidad considerable de cálculo y tiempo.
«En muchos entornos empresariales, los datos no son una colección de documentos estable. Son informes financieros diarios, registros en vivo, tickets, confirmaciones de código, archivos de configuración, cronogramas de incidentes y documentos internos que siguen cambiando», dijeron los autores. DCI permite al agente razonar sobre el estado actual del espacio de trabajo en lugar del índice vectorial de ayer.
El agente opera en un entorno similar a una terminal donde sus observaciones son resultados de herramientas sin procesar, como rutas de archivos, espacios de texto coincidentes y líneas circundantes. Las herramientas básicas proporcionadas por DCI son pocas pero muy expresivas. Los agentes utilizan comandos como «buscar» y «glob» para navegar por las estructuras de directorios y localizar archivos. Para una coincidencia exacta, utilizan «grep» y «rg» para localizar palabras clave específicas, patrones de expresiones regulares y cadenas exactas. Cuando se necesita una inspección local, herramientas como “head”, “tail”, “sed”, “cat” y scripts ligeros de Python permiten al agente echar un vistazo al contexto que rodea una coincidencia o leer secciones de archivos específicas.
El agente puede combinar estas herramientas a través de canales de shell para ejecutar una lógica de búsqueda compleja en un solo paso. Un agente puede canalizar comandos para imponer restricciones léxicas estrictas, como buscar un término en un archivo y canalizar la salida para buscar un segundo término. Puede combinar múltiples pistas débiles en un corpus al encontrar un tipo de archivo específico, buscar una palabra clave como «informe» y filtrar por un año como «2024». También puede verificar inmediatamente una hipótesis inspeccionando las líneas exactas alrededor de una concordancia de palabra clave.
DCI delega la interpretación semántica directamente al agente en lugar de depender de la búsqueda de similitudes basada en incrustaciones. El agente puede formular hipótesis, probar patrones léxicos exactos y extraer información detallada que un recuperador semántico tradicional podría pasar por alto.
Los investigadores proponen dos versiones de este sistema. DCI-Agent-Lite está diseñado como una configuración liviana y de bajo costo construida sobre el modelo nano GPT-5.4 y restringida exclusivamente a interacciones de terminal sin formato, como comandos bash y lecturas básicas de archivos. Debido a que la lectura de archivos sin formato puede llenar rápidamente la memoria de un modelo más pequeño, esta versión se basa en estrategias livianas de administración de contexto en tiempo de ejecución para sostener la exploración a largo plazo.
DCI-Agent-CC es la versión de mayor rendimiento, diseñada para equipos con más presupuesto informático. sigue funcionando Código Claude impulsado por Claude Sonnet 4.6. Claude Code proporciona indicaciones más sólidas, una orquestación de herramientas más sólida y un manejo de contexto integrado superior, lo que mejora la estabilidad del agente durante búsquedas complejas de varios pasos en conjuntos de datos heterogéneos.
DCI en acción
Los investigadores probaron ambas versiones de DCI en puntos de referencia de búsqueda agente como BrowseComp-Plus, control de calidad intensivo en conocimiento con razonamiento de un solo salto y de múltiples saltos, y clasificación de recuperación de información en tareas que requieren razonamiento de dominio específico y verificación de hechos científicos.
Probaron DCI contra tres líneas de base. El primero incluía agentes de recuperación de peso abiertos como Búsqueda-R1 y agentes propietarios impulsados por modelos fronterizos como GPT-5 y Claude Sonnet 4.6, combinados con recuperadores estándar. La segunda línea de base incluía recuperadores dispersos clásicos como BM25 y recuperadores densos como text-embedding-3-large y Qwen3-Embedding-8B de OpenAI. La tercera línea de base consistió en reclasificadores de alto rendimiento orientados al razonamiento como ReasonRank-32B y Rank-R1.
DCI superó sistemáticamente las líneas de base, según los investigadores. En el complejo benchmark BrowseComp-Plus, el intercambio de un recuperador semántico Qwen3 tradicional por DCI en una red troncal Claude Sonnet 4.6 mejoró la precisión del 69,0% al 80,0% y redujo el costo de la API de $1,440 a $1,016. También fue notable el retorno de la inversión para los agentes ligeros. DCI-Agent-Lite con GPT-5.4 nano compitió con el modelo OpenAI o3 utilizando la recuperación tradicional y reduciendo costos en más de $600.
En los puntos de referencia de control de calidad de múltiples saltos, DCI-Agent-CC alcanzó una precisión promedio del 83,0%, mejorando la línea de base de recuperación de peso abierto más sólida en 30,7 puntos, según los investigadores.
Los datos muestran que DCI tiene una menor recuperación general de documentos que los modelos de incrustación densa, pero una vez que encuentra un documento relevante, extrae sustancialmente más valor de él.
«Si un líder de IA empresarial preguntara dónde DCI es más claramente útil, señalaría tareas que requieren localización exacta de evidencia en un espacio de trabajo dinámico: depuración de incidentes de producción, búsqueda de grandes bases de código, análisis de registros, investigación de cumplimiento, pistas de auditoría o análisis de causa raíz de múltiples documentos», señalan los investigadores.
En una compleja tarea de investigación profunda, el agente tuvo que identificar un partido de fútbol específico basándose en 12 pistas entrelazadas, incluida la asistencia exacta, las tarjetas amarillas y las fechas de nacimiento de los jugadores. Un perro perdiguero tradicional fallaría si mostrara fragmentos cortos y desconectados. En cambio, el agente de la DCI exploró el directorio de archivos, leyó líneas específicas de un informe del partido Inglaterra versus Bélgica de 1990 para verificar el número exacto de sustituciones, extrajo una cita específica de un archivo de entrevista y verificó las fechas exactas de nacimiento de dos jugadores mirando sus archivos de texto de Wikipedia. Al encadenar estos comandos simples, DCI garantiza que no se pierda permanentemente ninguna evidencia detrás de un algoritmo de búsqueda semántica defectuoso.
Límites e implementación práctica de DCI.
DCI tiene un entorno operativo claro en el que escala de manera excelente en profundidad de búsqueda, pero tiene dificultades con la amplitud de búsqueda. Cuando el corpus experimental se amplió de 100.000 a 400.000 documentos, la precisión del sistema disminuyó significativamente y el número promedio de llamadas a herramientas aumentó. Si bien DCI es poderoso una vez que se encuentra un documento prometedor, el costo de localizar ese documento ancla inicial útil crece considerablemente a medida que aumenta el tamaño del espacio candidato.
DCI también tiene una menor recuperación de documentos amplios en comparación con los modelos de incrustación densa. Cambia la recuperación exhaustiva por precisión local de alta resolución. Si un flujo de trabajo empresarial requiere estrictamente encontrar todos los documentos relevantes en un conjunto de datos masivo, es posible que DCI no sea la herramienta adecuada.
Otorgar a un agente herramientas expresivas, como un shell bash sin restricciones, aumenta la latencia y los costos de cómputo debido al gran volumen de llamadas iterativas a herramientas necesarias para completar una búsqueda. También crea importantes desafíos de seguridad y gestión del contexto para los departamentos de TI.
«Las llamadas a herramientas pueden generar grandes resultados; las trayectorias largas pueden llenar la ventana de contexto; y el acceso directo a la terminal requiere sandboxing, control de permisos e ingeniería cuidadosa», dijeron los autores. Para gestionar la ventana de contexto, los investigadores descubrieron que el truncamiento y la compactación moderados ayudan al agente a realizar búsquedas más largas, mientras que un resumen demasiado agresivo tiende a descartar evidencia útil.
Debido a estas realidades operativas, el DCI no pretende ser un reemplazo obligatorio de la infraestructura vectorial existente. Más bien, sirve como complementario.
«Para los ingenieros de orquestación y arquitectos de datos, nuestra opinión es que el patrón de implementación más práctico a corto plazo es híbrido», dijeron los autores. La recuperación semántica aún puede proporcionar un descubrimiento de candidatos de alto recuerdo cuando la intención de un usuario es amplia o está poco especificada. «La DCI puede entonces operar como una capa de precisión y verificación: el agente puede buscar dentro de los documentos recuperados, expandirlos a archivos vecinos, verificar restricciones exactas y combinar señales débiles entre documentos».
Los investigadores han publicado el código para DCI bajo la permisiva licencia del MIT.
«A más largo plazo, DCI cambia la forma en que pensamos acerca de los datos empresariales. Los datos no sólo necesitarán ser almacenados para humanos o indexados para motores de búsqueda; también necesitarán ser organizados para agentes que puedan inspeccionar, comparar, rastrear, rastrear y verificar», concluyen los autores. «Los nombres de archivos, las marcas de tiempo, los identificadores estables, los metadatos, el historial de versiones y la estructura legible por máquina pasan a formar parte de la interfaz de recuperación».
Suscríbete y recibe las historias más importantes del día.
Al suscribirte aceptas nuestros términos y condiciones y política de privacidad.
Cuando los flujos de trabajo agentes fallan, los desarrolladores suelen asumir que el problema radica en las capacidades de razonamiento del modelo subyacente. En realidad, la información limitada proporcionada por la interfaz de recuperación suele ser el principal factor limitante.
Investigadores de múltiples universidades proponen una técnica llamada interacción directa del corpus (DCI) que permite a los agentes evitar por completo la incrustación de modelos y buscar corpus sin procesar directamente utilizando herramientas de línea de comandos estándar.
Los límites de la recuperación clásica
En sistemas de recuperación clásicos como RAGlos documentos se fragmentan, se convierten en representaciones vectoriales (o incrustaciones) y se indexan fuera de línea en una base de datos vectorial. Cuando un sistema de inteligencia artificial procesa una consulta, un recuperador filtra toda la base de datos para devolver una lista clasificada como «top-k» de fragmentos de documentos que coinciden con la consulta. Toda la evidencia debe pasar por este mecanismo de puntuación antes de que se produzca cualquier razonamiento posterior.
Pero las aplicaciones agentes modernas exigen mucho más. «La recuperación densa es muy útil para una recuperación semántica amplia, pero cuando un agente tiene que resolver una tarea de varios pasos, a menudo necesita buscar cadenas, números, versiones, códigos de error, rutas de archivos o combinaciones escasas de pistas exactas», dijeron los autores del artículo de DCI en comentarios proporcionados a VentureBeat. «Estos detalles de cola larga son precisamente donde la similitud semántica puede ser frágil».
A diferencia de la búsqueda estática, los agentes también deben revisar sus planes de búsqueda dinámicamente después de observar evidencia parcial o localizada. Las restricciones léxicas exactas y el refinamiento de hipótesis de varios pasos son difíciles de ejecutar con recuperadores semánticos. Debido a que el recuperador comprime el acceso en un solo paso, cualquier evidencia crítica filtrada por la búsqueda de similitud no se puede recuperar más adelante, sin importar cuán avanzadas sean las capacidades de razonamiento posterior del agente. Como explican los autores, los canales de recuperación actuales pueden convertirse en un cuello de botella porque «deciden demasiado pronto lo que el agente puede ver».
Interacción directa del corpus
Este acceso directo aborda un problema central en los entornos empresariales: la obsolescencia de los datos. Los índices integrados son siempre una instantánea de un momento específico en el tiempo, y su creación y mantenimiento requieren una cantidad considerable de cálculo y tiempo.
«En muchos entornos empresariales, los datos no son una colección de documentos estable. Son informes financieros diarios, registros en vivo, tickets, confirmaciones de código, archivos de configuración, cronogramas de incidentes y documentos internos que siguen cambiando», dijeron los autores. DCI permite al agente razonar sobre el estado actual del espacio de trabajo en lugar del índice vectorial de ayer.
El agente opera en un entorno similar a una terminal donde sus observaciones son resultados de herramientas sin procesar, como rutas de archivos, espacios de texto coincidentes y líneas circundantes. Las herramientas básicas proporcionadas por DCI son pocas pero muy expresivas. Los agentes utilizan comandos como «buscar» y «glob» para navegar por las estructuras de directorios y localizar archivos. Para una coincidencia exacta, utilizan «grep» y «rg» para localizar palabras clave específicas, patrones de expresiones regulares y cadenas exactas. Cuando se necesita una inspección local, herramientas como “head”, “tail”, “sed”, “cat” y scripts ligeros de Python permiten al agente echar un vistazo al contexto que rodea una coincidencia o leer secciones de archivos específicas.
El agente puede combinar estas herramientas a través de canales de shell para ejecutar una lógica de búsqueda compleja en un solo paso. Un agente puede canalizar comandos para imponer restricciones léxicas estrictas, como buscar un término en un archivo y canalizar la salida para buscar un segundo término. Puede combinar múltiples pistas débiles en un corpus al encontrar un tipo de archivo específico, buscar una palabra clave como «informe» y filtrar por un año como «2024». También puede verificar inmediatamente una hipótesis inspeccionando las líneas exactas alrededor de una concordancia de palabra clave.
DCI delega la interpretación semántica directamente al agente en lugar de depender de la búsqueda de similitudes basada en incrustaciones. El agente puede formular hipótesis, probar patrones léxicos exactos y extraer información detallada que un recuperador semántico tradicional podría pasar por alto.
Los investigadores proponen dos versiones de este sistema. DCI-Agent-Lite está diseñado como una configuración liviana y de bajo costo construida sobre el modelo nano GPT-5.4 y restringida exclusivamente a interacciones de terminal sin formato, como comandos bash y lecturas básicas de archivos. Debido a que la lectura de archivos sin formato puede llenar rápidamente la memoria de un modelo más pequeño, esta versión se basa en estrategias livianas de administración de contexto en tiempo de ejecución para sostener la exploración a largo plazo.
DCI-Agent-CC es la versión de mayor rendimiento, diseñada para equipos con más presupuesto informático. sigue funcionando Código Claude impulsado por Claude Sonnet 4.6. Claude Code proporciona indicaciones más sólidas, una orquestación de herramientas más sólida y un manejo de contexto integrado superior, lo que mejora la estabilidad del agente durante búsquedas complejas de varios pasos en conjuntos de datos heterogéneos.
DCI en acción
Los investigadores probaron ambas versiones de DCI en puntos de referencia de búsqueda agente como BrowseComp-Plus, control de calidad intensivo en conocimiento con razonamiento de un solo salto y de múltiples saltos, y clasificación de recuperación de información en tareas que requieren razonamiento de dominio específico y verificación de hechos científicos.
Probaron DCI contra tres líneas de base. El primero incluía agentes de recuperación de peso abiertos como Búsqueda-R1 y agentes propietarios impulsados por modelos fronterizos como GPT-5 y Claude Sonnet 4.6, combinados con recuperadores estándar. La segunda línea de base incluía recuperadores dispersos clásicos como BM25 y recuperadores densos como text-embedding-3-large y Qwen3-Embedding-8B de OpenAI. La tercera línea de base consistió en reclasificadores de alto rendimiento orientados al razonamiento como ReasonRank-32B y Rank-R1.
DCI superó sistemáticamente las líneas de base, según los investigadores. En el complejo benchmark BrowseComp-Plus, el intercambio de un recuperador semántico Qwen3 tradicional por DCI en una red troncal Claude Sonnet 4.6 mejoró la precisión del 69,0% al 80,0% y redujo el costo de la API de $1,440 a $1,016. También fue notable el retorno de la inversión para los agentes ligeros. DCI-Agent-Lite con GPT-5.4 nano compitió con el modelo OpenAI o3 utilizando la recuperación tradicional y reduciendo costos en más de $600.
En los puntos de referencia de control de calidad de múltiples saltos, DCI-Agent-CC alcanzó una precisión promedio del 83,0%, mejorando la línea de base de recuperación de peso abierto más sólida en 30,7 puntos, según los investigadores.
Los datos muestran que DCI tiene una menor recuperación general de documentos que los modelos de incrustación densa, pero una vez que encuentra un documento relevante, extrae sustancialmente más valor de él.
«Si un líder de IA empresarial preguntara dónde DCI es más claramente útil, señalaría tareas que requieren localización exacta de evidencia en un espacio de trabajo dinámico: depuración de incidentes de producción, búsqueda de grandes bases de código, análisis de registros, investigación de cumplimiento, pistas de auditoría o análisis de causa raíz de múltiples documentos», señalan los investigadores.
En una compleja tarea de investigación profunda, el agente tuvo que identificar un partido de fútbol específico basándose en 12 pistas entrelazadas, incluida la asistencia exacta, las tarjetas amarillas y las fechas de nacimiento de los jugadores. Un perro perdiguero tradicional fallaría si mostrara fragmentos cortos y desconectados. En cambio, el agente de la DCI exploró el directorio de archivos, leyó líneas específicas de un informe del partido Inglaterra versus Bélgica de 1990 para verificar el número exacto de sustituciones, extrajo una cita específica de un archivo de entrevista y verificó las fechas exactas de nacimiento de dos jugadores mirando sus archivos de texto de Wikipedia. Al encadenar estos comandos simples, DCI garantiza que no se pierda permanentemente ninguna evidencia detrás de un algoritmo de búsqueda semántica defectuoso.
Límites e implementación práctica de DCI.
DCI tiene un entorno operativo claro en el que escala de manera excelente en profundidad de búsqueda, pero tiene dificultades con la amplitud de búsqueda. Cuando el corpus experimental se amplió de 100.000 a 400.000 documentos, la precisión del sistema disminuyó significativamente y el número promedio de llamadas a herramientas aumentó. Si bien DCI es poderoso una vez que se encuentra un documento prometedor, el costo de localizar ese documento ancla inicial útil crece considerablemente a medida que aumenta el tamaño del espacio candidato.
DCI también tiene una menor recuperación de documentos amplios en comparación con los modelos de incrustación densa. Cambia la recuperación exhaustiva por precisión local de alta resolución. Si un flujo de trabajo empresarial requiere estrictamente encontrar todos los documentos relevantes en un conjunto de datos masivo, es posible que DCI no sea la herramienta adecuada.
Otorgar a un agente herramientas expresivas, como un shell bash sin restricciones, aumenta la latencia y los costos de cómputo debido al gran volumen de llamadas iterativas a herramientas necesarias para completar una búsqueda. También crea importantes desafíos de seguridad y gestión del contexto para los departamentos de TI.
«Las llamadas a herramientas pueden generar grandes resultados; las trayectorias largas pueden llenar la ventana de contexto; y el acceso directo a la terminal requiere sandboxing, control de permisos e ingeniería cuidadosa», dijeron los autores. Para gestionar la ventana de contexto, los investigadores descubrieron que el truncamiento y la compactación moderados ayudan al agente a realizar búsquedas más largas, mientras que un resumen demasiado agresivo tiende a descartar evidencia útil.
Debido a estas realidades operativas, el DCI no pretende ser un reemplazo obligatorio de la infraestructura vectorial existente. Más bien, sirve como complementario.
«Para los ingenieros de orquestación y arquitectos de datos, nuestra opinión es que el patrón de implementación más práctico a corto plazo es híbrido», dijeron los autores. La recuperación semántica aún puede proporcionar un descubrimiento de candidatos de alto recuerdo cuando la intención de un usuario es amplia o está poco especificada. «La DCI puede entonces operar como una capa de precisión y verificación: el agente puede buscar dentro de los documentos recuperados, expandirlos a archivos vecinos, verificar restricciones exactas y combinar señales débiles entre documentos».
Los investigadores han publicado el código para DCI bajo la permisiva licencia del MIT.
«A más largo plazo, DCI cambia la forma en que pensamos acerca de los datos empresariales. Los datos no sólo necesitarán ser almacenados para humanos o indexados para motores de búsqueda; también necesitarán ser organizados para agentes que puedan inspeccionar, comparar, rastrear, rastrear y verificar», concluyen los autores. «Los nombres de archivos, las marcas de tiempo, los identificadores estables, los metadatos, el historial de versiones y la estructura legible por máquina pasan a formar parte de la interfaz de recuperación».
Cuando los flujos de trabajo agentes fallan, los desarrolladores suelen asumir que el problema radica en las capacidades de razonamiento del modelo subyacente. En realidad, la información limitada proporcionada por la interfaz de recuperación suele ser el principal factor limitante.
Investigadores de múltiples universidades proponen una técnica llamada interacción directa del corpus (DCI) que permite a los agentes evitar por completo la incrustación de modelos y buscar corpus sin procesar directamente utilizando herramientas de línea de comandos estándar.
Los límites de la recuperación clásica
En sistemas de recuperación clásicos como RAGlos documentos se fragmentan, se convierten en representaciones vectoriales (o incrustaciones) y se indexan fuera de línea en una base de datos vectorial. Cuando un sistema de inteligencia artificial procesa una consulta, un recuperador filtra toda la base de datos para devolver una lista clasificada como «top-k» de fragmentos de documentos que coinciden con la consulta. Toda la evidencia debe pasar por este mecanismo de puntuación antes de que se produzca cualquier razonamiento posterior.
Pero las aplicaciones agentes modernas exigen mucho más. «La recuperación densa es muy útil para una recuperación semántica amplia, pero cuando un agente tiene que resolver una tarea de varios pasos, a menudo necesita buscar cadenas, números, versiones, códigos de error, rutas de archivos o combinaciones escasas de pistas exactas», dijeron los autores del artículo de DCI en comentarios proporcionados a VentureBeat. «Estos detalles de cola larga son precisamente donde la similitud semántica puede ser frágil».
A diferencia de la búsqueda estática, los agentes también deben revisar sus planes de búsqueda dinámicamente después de observar evidencia parcial o localizada. Las restricciones léxicas exactas y el refinamiento de hipótesis de varios pasos son difíciles de ejecutar con recuperadores semánticos. Debido a que el recuperador comprime el acceso en un solo paso, cualquier evidencia crítica filtrada por la búsqueda de similitud no se puede recuperar más adelante, sin importar cuán avanzadas sean las capacidades de razonamiento posterior del agente. Como explican los autores, los canales de recuperación actuales pueden convertirse en un cuello de botella porque «deciden demasiado pronto lo que el agente puede ver».
Interacción directa del corpus
Este acceso directo aborda un problema central en los entornos empresariales: la obsolescencia de los datos. Los índices integrados son siempre una instantánea de un momento específico en el tiempo, y su creación y mantenimiento requieren una cantidad considerable de cálculo y tiempo.
«En muchos entornos empresariales, los datos no son una colección de documentos estable. Son informes financieros diarios, registros en vivo, tickets, confirmaciones de código, archivos de configuración, cronogramas de incidentes y documentos internos que siguen cambiando», dijeron los autores. DCI permite al agente razonar sobre el estado actual del espacio de trabajo en lugar del índice vectorial de ayer.
El agente opera en un entorno similar a una terminal donde sus observaciones son resultados de herramientas sin procesar, como rutas de archivos, espacios de texto coincidentes y líneas circundantes. Las herramientas básicas proporcionadas por DCI son pocas pero muy expresivas. Los agentes utilizan comandos como «buscar» y «glob» para navegar por las estructuras de directorios y localizar archivos. Para una coincidencia exacta, utilizan «grep» y «rg» para localizar palabras clave específicas, patrones de expresiones regulares y cadenas exactas. Cuando se necesita una inspección local, herramientas como “head”, “tail”, “sed”, “cat” y scripts ligeros de Python permiten al agente echar un vistazo al contexto que rodea una coincidencia o leer secciones de archivos específicas.
El agente puede combinar estas herramientas a través de canales de shell para ejecutar una lógica de búsqueda compleja en un solo paso. Un agente puede canalizar comandos para imponer restricciones léxicas estrictas, como buscar un término en un archivo y canalizar la salida para buscar un segundo término. Puede combinar múltiples pistas débiles en un corpus al encontrar un tipo de archivo específico, buscar una palabra clave como «informe» y filtrar por un año como «2024». También puede verificar inmediatamente una hipótesis inspeccionando las líneas exactas alrededor de una concordancia de palabra clave.
DCI delega la interpretación semántica directamente al agente en lugar de depender de la búsqueda de similitudes basada en incrustaciones. El agente puede formular hipótesis, probar patrones léxicos exactos y extraer información detallada que un recuperador semántico tradicional podría pasar por alto.
Los investigadores proponen dos versiones de este sistema. DCI-Agent-Lite está diseñado como una configuración liviana y de bajo costo construida sobre el modelo nano GPT-5.4 y restringida exclusivamente a interacciones de terminal sin formato, como comandos bash y lecturas básicas de archivos. Debido a que la lectura de archivos sin formato puede llenar rápidamente la memoria de un modelo más pequeño, esta versión se basa en estrategias livianas de administración de contexto en tiempo de ejecución para sostener la exploración a largo plazo.
DCI-Agent-CC es la versión de mayor rendimiento, diseñada para equipos con más presupuesto informático. sigue funcionando Código Claude impulsado por Claude Sonnet 4.6. Claude Code proporciona indicaciones más sólidas, una orquestación de herramientas más sólida y un manejo de contexto integrado superior, lo que mejora la estabilidad del agente durante búsquedas complejas de varios pasos en conjuntos de datos heterogéneos.
DCI en acción
Los investigadores probaron ambas versiones de DCI en puntos de referencia de búsqueda agente como BrowseComp-Plus, control de calidad intensivo en conocimiento con razonamiento de un solo salto y de múltiples saltos, y clasificación de recuperación de información en tareas que requieren razonamiento de dominio específico y verificación de hechos científicos.
Probaron DCI contra tres líneas de base. El primero incluía agentes de recuperación de peso abiertos como Búsqueda-R1 y agentes propietarios impulsados por modelos fronterizos como GPT-5 y Claude Sonnet 4.6, combinados con recuperadores estándar. La segunda línea de base incluía recuperadores dispersos clásicos como BM25 y recuperadores densos como text-embedding-3-large y Qwen3-Embedding-8B de OpenAI. La tercera línea de base consistió en reclasificadores de alto rendimiento orientados al razonamiento como ReasonRank-32B y Rank-R1.
DCI superó sistemáticamente las líneas de base, según los investigadores. En el complejo benchmark BrowseComp-Plus, el intercambio de un recuperador semántico Qwen3 tradicional por DCI en una red troncal Claude Sonnet 4.6 mejoró la precisión del 69,0% al 80,0% y redujo el costo de la API de $1,440 a $1,016. También fue notable el retorno de la inversión para los agentes ligeros. DCI-Agent-Lite con GPT-5.4 nano compitió con el modelo OpenAI o3 utilizando la recuperación tradicional y reduciendo costos en más de $600.
En los puntos de referencia de control de calidad de múltiples saltos, DCI-Agent-CC alcanzó una precisión promedio del 83,0%, mejorando la línea de base de recuperación de peso abierto más sólida en 30,7 puntos, según los investigadores.
Los datos muestran que DCI tiene una menor recuperación general de documentos que los modelos de incrustación densa, pero una vez que encuentra un documento relevante, extrae sustancialmente más valor de él.
«Si un líder de IA empresarial preguntara dónde DCI es más claramente útil, señalaría tareas que requieren localización exacta de evidencia en un espacio de trabajo dinámico: depuración de incidentes de producción, búsqueda de grandes bases de código, análisis de registros, investigación de cumplimiento, pistas de auditoría o análisis de causa raíz de múltiples documentos», señalan los investigadores.
En una compleja tarea de investigación profunda, el agente tuvo que identificar un partido de fútbol específico basándose en 12 pistas entrelazadas, incluida la asistencia exacta, las tarjetas amarillas y las fechas de nacimiento de los jugadores. Un perro perdiguero tradicional fallaría si mostrara fragmentos cortos y desconectados. En cambio, el agente de la DCI exploró el directorio de archivos, leyó líneas específicas de un informe del partido Inglaterra versus Bélgica de 1990 para verificar el número exacto de sustituciones, extrajo una cita específica de un archivo de entrevista y verificó las fechas exactas de nacimiento de dos jugadores mirando sus archivos de texto de Wikipedia. Al encadenar estos comandos simples, DCI garantiza que no se pierda permanentemente ninguna evidencia detrás de un algoritmo de búsqueda semántica defectuoso.
Límites e implementación práctica de DCI.
DCI tiene un entorno operativo claro en el que escala de manera excelente en profundidad de búsqueda, pero tiene dificultades con la amplitud de búsqueda. Cuando el corpus experimental se amplió de 100.000 a 400.000 documentos, la precisión del sistema disminuyó significativamente y el número promedio de llamadas a herramientas aumentó. Si bien DCI es poderoso una vez que se encuentra un documento prometedor, el costo de localizar ese documento ancla inicial útil crece considerablemente a medida que aumenta el tamaño del espacio candidato.
DCI también tiene una menor recuperación de documentos amplios en comparación con los modelos de incrustación densa. Cambia la recuperación exhaustiva por precisión local de alta resolución. Si un flujo de trabajo empresarial requiere estrictamente encontrar todos los documentos relevantes en un conjunto de datos masivo, es posible que DCI no sea la herramienta adecuada.
Otorgar a un agente herramientas expresivas, como un shell bash sin restricciones, aumenta la latencia y los costos de cómputo debido al gran volumen de llamadas iterativas a herramientas necesarias para completar una búsqueda. También crea importantes desafíos de seguridad y gestión del contexto para los departamentos de TI.
«Las llamadas a herramientas pueden generar grandes resultados; las trayectorias largas pueden llenar la ventana de contexto; y el acceso directo a la terminal requiere sandboxing, control de permisos e ingeniería cuidadosa», dijeron los autores. Para gestionar la ventana de contexto, los investigadores descubrieron que el truncamiento y la compactación moderados ayudan al agente a realizar búsquedas más largas, mientras que un resumen demasiado agresivo tiende a descartar evidencia útil.
Debido a estas realidades operativas, el DCI no pretende ser un reemplazo obligatorio de la infraestructura vectorial existente. Más bien, sirve como complementario.
«Para los ingenieros de orquestación y arquitectos de datos, nuestra opinión es que el patrón de implementación más práctico a corto plazo es híbrido», dijeron los autores. La recuperación semántica aún puede proporcionar un descubrimiento de candidatos de alto recuerdo cuando la intención de un usuario es amplia o está poco especificada. «La DCI puede entonces operar como una capa de precisión y verificación: el agente puede buscar dentro de los documentos recuperados, expandirlos a archivos vecinos, verificar restricciones exactas y combinar señales débiles entre documentos».
Los investigadores han publicado el código para DCI bajo la permisiva licencia del MIT.
«A más largo plazo, DCI cambia la forma en que pensamos acerca de los datos empresariales. Los datos no sólo necesitarán ser almacenados para humanos o indexados para motores de búsqueda; también necesitarán ser organizados para agentes que puedan inspeccionar, comparar, rastrear, rastrear y verificar», concluyen los autores. «Los nombres de archivos, las marcas de tiempo, los identificadores estables, los metadatos, el historial de versiones y la estructura legible por máquina pasan a formar parte de la interfaz de recuperación».
Cuando los flujos de trabajo agentes fallan, los desarrolladores suelen asumir que el problema radica en las capacidades de razonamiento del modelo subyacente. En realidad, la información limitada proporcionada por la interfaz de recuperación suele ser el principal factor limitante.
Investigadores de múltiples universidades proponen una técnica llamada interacción directa del corpus (DCI) que permite a los agentes evitar por completo la incrustación de modelos y buscar corpus sin procesar directamente utilizando herramientas de línea de comandos estándar.
Los límites de la recuperación clásica
En sistemas de recuperación clásicos como RAGlos documentos se fragmentan, se convierten en representaciones vectoriales (o incrustaciones) y se indexan fuera de línea en una base de datos vectorial. Cuando un sistema de inteligencia artificial procesa una consulta, un recuperador filtra toda la base de datos para devolver una lista clasificada como «top-k» de fragmentos de documentos que coinciden con la consulta. Toda la evidencia debe pasar por este mecanismo de puntuación antes de que se produzca cualquier razonamiento posterior.
Pero las aplicaciones agentes modernas exigen mucho más. «La recuperación densa es muy útil para una recuperación semántica amplia, pero cuando un agente tiene que resolver una tarea de varios pasos, a menudo necesita buscar cadenas, números, versiones, códigos de error, rutas de archivos o combinaciones escasas de pistas exactas», dijeron los autores del artículo de DCI en comentarios proporcionados a VentureBeat. «Estos detalles de cola larga son precisamente donde la similitud semántica puede ser frágil».
A diferencia de la búsqueda estática, los agentes también deben revisar sus planes de búsqueda dinámicamente después de observar evidencia parcial o localizada. Las restricciones léxicas exactas y el refinamiento de hipótesis de varios pasos son difíciles de ejecutar con recuperadores semánticos. Debido a que el recuperador comprime el acceso en un solo paso, cualquier evidencia crítica filtrada por la búsqueda de similitud no se puede recuperar más adelante, sin importar cuán avanzadas sean las capacidades de razonamiento posterior del agente. Como explican los autores, los canales de recuperación actuales pueden convertirse en un cuello de botella porque «deciden demasiado pronto lo que el agente puede ver».
Interacción directa del corpus
Este acceso directo aborda un problema central en los entornos empresariales: la obsolescencia de los datos. Los índices integrados son siempre una instantánea de un momento específico en el tiempo, y su creación y mantenimiento requieren una cantidad considerable de cálculo y tiempo.
«En muchos entornos empresariales, los datos no son una colección de documentos estable. Son informes financieros diarios, registros en vivo, tickets, confirmaciones de código, archivos de configuración, cronogramas de incidentes y documentos internos que siguen cambiando», dijeron los autores. DCI permite al agente razonar sobre el estado actual del espacio de trabajo en lugar del índice vectorial de ayer.
El agente opera en un entorno similar a una terminal donde sus observaciones son resultados de herramientas sin procesar, como rutas de archivos, espacios de texto coincidentes y líneas circundantes. Las herramientas básicas proporcionadas por DCI son pocas pero muy expresivas. Los agentes utilizan comandos como «buscar» y «glob» para navegar por las estructuras de directorios y localizar archivos. Para una coincidencia exacta, utilizan «grep» y «rg» para localizar palabras clave específicas, patrones de expresiones regulares y cadenas exactas. Cuando se necesita una inspección local, herramientas como “head”, “tail”, “sed”, “cat” y scripts ligeros de Python permiten al agente echar un vistazo al contexto que rodea una coincidencia o leer secciones de archivos específicas.
El agente puede combinar estas herramientas a través de canales de shell para ejecutar una lógica de búsqueda compleja en un solo paso. Un agente puede canalizar comandos para imponer restricciones léxicas estrictas, como buscar un término en un archivo y canalizar la salida para buscar un segundo término. Puede combinar múltiples pistas débiles en un corpus al encontrar un tipo de archivo específico, buscar una palabra clave como «informe» y filtrar por un año como «2024». También puede verificar inmediatamente una hipótesis inspeccionando las líneas exactas alrededor de una concordancia de palabra clave.
DCI delega la interpretación semántica directamente al agente en lugar de depender de la búsqueda de similitudes basada en incrustaciones. El agente puede formular hipótesis, probar patrones léxicos exactos y extraer información detallada que un recuperador semántico tradicional podría pasar por alto.
Los investigadores proponen dos versiones de este sistema. DCI-Agent-Lite está diseñado como una configuración liviana y de bajo costo construida sobre el modelo nano GPT-5.4 y restringida exclusivamente a interacciones de terminal sin formato, como comandos bash y lecturas básicas de archivos. Debido a que la lectura de archivos sin formato puede llenar rápidamente la memoria de un modelo más pequeño, esta versión se basa en estrategias livianas de administración de contexto en tiempo de ejecución para sostener la exploración a largo plazo.
DCI-Agent-CC es la versión de mayor rendimiento, diseñada para equipos con más presupuesto informático. sigue funcionando Código Claude impulsado por Claude Sonnet 4.6. Claude Code proporciona indicaciones más sólidas, una orquestación de herramientas más sólida y un manejo de contexto integrado superior, lo que mejora la estabilidad del agente durante búsquedas complejas de varios pasos en conjuntos de datos heterogéneos.
DCI en acción
Los investigadores probaron ambas versiones de DCI en puntos de referencia de búsqueda agente como BrowseComp-Plus, control de calidad intensivo en conocimiento con razonamiento de un solo salto y de múltiples saltos, y clasificación de recuperación de información en tareas que requieren razonamiento de dominio específico y verificación de hechos científicos.
Probaron DCI contra tres líneas de base. El primero incluía agentes de recuperación de peso abiertos como Búsqueda-R1 y agentes propietarios impulsados por modelos fronterizos como GPT-5 y Claude Sonnet 4.6, combinados con recuperadores estándar. La segunda línea de base incluía recuperadores dispersos clásicos como BM25 y recuperadores densos como text-embedding-3-large y Qwen3-Embedding-8B de OpenAI. La tercera línea de base consistió en reclasificadores de alto rendimiento orientados al razonamiento como ReasonRank-32B y Rank-R1.
DCI superó sistemáticamente las líneas de base, según los investigadores. En el complejo benchmark BrowseComp-Plus, el intercambio de un recuperador semántico Qwen3 tradicional por DCI en una red troncal Claude Sonnet 4.6 mejoró la precisión del 69,0% al 80,0% y redujo el costo de la API de $1,440 a $1,016. También fue notable el retorno de la inversión para los agentes ligeros. DCI-Agent-Lite con GPT-5.4 nano compitió con el modelo OpenAI o3 utilizando la recuperación tradicional y reduciendo costos en más de $600.
En los puntos de referencia de control de calidad de múltiples saltos, DCI-Agent-CC alcanzó una precisión promedio del 83,0%, mejorando la línea de base de recuperación de peso abierto más sólida en 30,7 puntos, según los investigadores.
Los datos muestran que DCI tiene una menor recuperación general de documentos que los modelos de incrustación densa, pero una vez que encuentra un documento relevante, extrae sustancialmente más valor de él.
«Si un líder de IA empresarial preguntara dónde DCI es más claramente útil, señalaría tareas que requieren localización exacta de evidencia en un espacio de trabajo dinámico: depuración de incidentes de producción, búsqueda de grandes bases de código, análisis de registros, investigación de cumplimiento, pistas de auditoría o análisis de causa raíz de múltiples documentos», señalan los investigadores.
En una compleja tarea de investigación profunda, el agente tuvo que identificar un partido de fútbol específico basándose en 12 pistas entrelazadas, incluida la asistencia exacta, las tarjetas amarillas y las fechas de nacimiento de los jugadores. Un perro perdiguero tradicional fallaría si mostrara fragmentos cortos y desconectados. En cambio, el agente de la DCI exploró el directorio de archivos, leyó líneas específicas de un informe del partido Inglaterra versus Bélgica de 1990 para verificar el número exacto de sustituciones, extrajo una cita específica de un archivo de entrevista y verificó las fechas exactas de nacimiento de dos jugadores mirando sus archivos de texto de Wikipedia. Al encadenar estos comandos simples, DCI garantiza que no se pierda permanentemente ninguna evidencia detrás de un algoritmo de búsqueda semántica defectuoso.
Límites e implementación práctica de DCI.
DCI tiene un entorno operativo claro en el que escala de manera excelente en profundidad de búsqueda, pero tiene dificultades con la amplitud de búsqueda. Cuando el corpus experimental se amplió de 100.000 a 400.000 documentos, la precisión del sistema disminuyó significativamente y el número promedio de llamadas a herramientas aumentó. Si bien DCI es poderoso una vez que se encuentra un documento prometedor, el costo de localizar ese documento ancla inicial útil crece considerablemente a medida que aumenta el tamaño del espacio candidato.
DCI también tiene una menor recuperación de documentos amplios en comparación con los modelos de incrustación densa. Cambia la recuperación exhaustiva por precisión local de alta resolución. Si un flujo de trabajo empresarial requiere estrictamente encontrar todos los documentos relevantes en un conjunto de datos masivo, es posible que DCI no sea la herramienta adecuada.
Otorgar a un agente herramientas expresivas, como un shell bash sin restricciones, aumenta la latencia y los costos de cómputo debido al gran volumen de llamadas iterativas a herramientas necesarias para completar una búsqueda. También crea importantes desafíos de seguridad y gestión del contexto para los departamentos de TI.
«Las llamadas a herramientas pueden generar grandes resultados; las trayectorias largas pueden llenar la ventana de contexto; y el acceso directo a la terminal requiere sandboxing, control de permisos e ingeniería cuidadosa», dijeron los autores. Para gestionar la ventana de contexto, los investigadores descubrieron que el truncamiento y la compactación moderados ayudan al agente a realizar búsquedas más largas, mientras que un resumen demasiado agresivo tiende a descartar evidencia útil.
Debido a estas realidades operativas, el DCI no pretende ser un reemplazo obligatorio de la infraestructura vectorial existente. Más bien, sirve como complementario.
«Para los ingenieros de orquestación y arquitectos de datos, nuestra opinión es que el patrón de implementación más práctico a corto plazo es híbrido», dijeron los autores. La recuperación semántica aún puede proporcionar un descubrimiento de candidatos de alto recuerdo cuando la intención de un usuario es amplia o está poco especificada. «La DCI puede entonces operar como una capa de precisión y verificación: el agente puede buscar dentro de los documentos recuperados, expandirlos a archivos vecinos, verificar restricciones exactas y combinar señales débiles entre documentos».
Los investigadores han publicado el código para DCI bajo la permisiva licencia del MIT.
«A más largo plazo, DCI cambia la forma en que pensamos acerca de los datos empresariales. Los datos no sólo necesitarán ser almacenados para humanos o indexados para motores de búsqueda; también necesitarán ser organizados para agentes que puedan inspeccionar, comparar, rastrear, rastrear y verificar», concluyen los autores. «Los nombres de archivos, las marcas de tiempo, los identificadores estables, los metadatos, el historial de versiones y la estructura legible por máquina pasan a formar parte de la interfaz de recuperación».
Cuando los flujos de trabajo agentes fallan, los desarrolladores suelen asumir que el problema radica en las capacidades de razonamiento del modelo subyacente. En realidad, la información limitada proporcionada por la interfaz de recuperación suele ser el principal factor limitante.
Investigadores de múltiples universidades proponen una técnica llamada interacción directa del corpus (DCI) que permite a los agentes evitar por completo la incrustación de modelos y buscar corpus sin procesar directamente utilizando herramientas de línea de comandos estándar.
Los límites de la recuperación clásica
En sistemas de recuperación clásicos como RAGlos documentos se fragmentan, se convierten en representaciones vectoriales (o incrustaciones) y se indexan fuera de línea en una base de datos vectorial. Cuando un sistema de inteligencia artificial procesa una consulta, un recuperador filtra toda la base de datos para devolver una lista clasificada como «top-k» de fragmentos de documentos que coinciden con la consulta. Toda la evidencia debe pasar por este mecanismo de puntuación antes de que se produzca cualquier razonamiento posterior.
Pero las aplicaciones agentes modernas exigen mucho más. «La recuperación densa es muy útil para una recuperación semántica amplia, pero cuando un agente tiene que resolver una tarea de varios pasos, a menudo necesita buscar cadenas, números, versiones, códigos de error, rutas de archivos o combinaciones escasas de pistas exactas», dijeron los autores del artículo de DCI en comentarios proporcionados a VentureBeat. «Estos detalles de cola larga son precisamente donde la similitud semántica puede ser frágil».
A diferencia de la búsqueda estática, los agentes también deben revisar sus planes de búsqueda dinámicamente después de observar evidencia parcial o localizada. Las restricciones léxicas exactas y el refinamiento de hipótesis de varios pasos son difíciles de ejecutar con recuperadores semánticos. Debido a que el recuperador comprime el acceso en un solo paso, cualquier evidencia crítica filtrada por la búsqueda de similitud no se puede recuperar más adelante, sin importar cuán avanzadas sean las capacidades de razonamiento posterior del agente. Como explican los autores, los canales de recuperación actuales pueden convertirse en un cuello de botella porque «deciden demasiado pronto lo que el agente puede ver».
Interacción directa del corpus
Este acceso directo aborda un problema central en los entornos empresariales: la obsolescencia de los datos. Los índices integrados son siempre una instantánea de un momento específico en el tiempo, y su creación y mantenimiento requieren una cantidad considerable de cálculo y tiempo.
«En muchos entornos empresariales, los datos no son una colección de documentos estable. Son informes financieros diarios, registros en vivo, tickets, confirmaciones de código, archivos de configuración, cronogramas de incidentes y documentos internos que siguen cambiando», dijeron los autores. DCI permite al agente razonar sobre el estado actual del espacio de trabajo en lugar del índice vectorial de ayer.
El agente opera en un entorno similar a una terminal donde sus observaciones son resultados de herramientas sin procesar, como rutas de archivos, espacios de texto coincidentes y líneas circundantes. Las herramientas básicas proporcionadas por DCI son pocas pero muy expresivas. Los agentes utilizan comandos como «buscar» y «glob» para navegar por las estructuras de directorios y localizar archivos. Para una coincidencia exacta, utilizan «grep» y «rg» para localizar palabras clave específicas, patrones de expresiones regulares y cadenas exactas. Cuando se necesita una inspección local, herramientas como “head”, “tail”, “sed”, “cat” y scripts ligeros de Python permiten al agente echar un vistazo al contexto que rodea una coincidencia o leer secciones de archivos específicas.
El agente puede combinar estas herramientas a través de canales de shell para ejecutar una lógica de búsqueda compleja en un solo paso. Un agente puede canalizar comandos para imponer restricciones léxicas estrictas, como buscar un término en un archivo y canalizar la salida para buscar un segundo término. Puede combinar múltiples pistas débiles en un corpus al encontrar un tipo de archivo específico, buscar una palabra clave como «informe» y filtrar por un año como «2024». También puede verificar inmediatamente una hipótesis inspeccionando las líneas exactas alrededor de una concordancia de palabra clave.
DCI delega la interpretación semántica directamente al agente en lugar de depender de la búsqueda de similitudes basada en incrustaciones. El agente puede formular hipótesis, probar patrones léxicos exactos y extraer información detallada que un recuperador semántico tradicional podría pasar por alto.
Los investigadores proponen dos versiones de este sistema. DCI-Agent-Lite está diseñado como una configuración liviana y de bajo costo construida sobre el modelo nano GPT-5.4 y restringida exclusivamente a interacciones de terminal sin formato, como comandos bash y lecturas básicas de archivos. Debido a que la lectura de archivos sin formato puede llenar rápidamente la memoria de un modelo más pequeño, esta versión se basa en estrategias livianas de administración de contexto en tiempo de ejecución para sostener la exploración a largo plazo.
DCI-Agent-CC es la versión de mayor rendimiento, diseñada para equipos con más presupuesto informático. sigue funcionando Código Claude impulsado por Claude Sonnet 4.6. Claude Code proporciona indicaciones más sólidas, una orquestación de herramientas más sólida y un manejo de contexto integrado superior, lo que mejora la estabilidad del agente durante búsquedas complejas de varios pasos en conjuntos de datos heterogéneos.
DCI en acción
Los investigadores probaron ambas versiones de DCI en puntos de referencia de búsqueda agente como BrowseComp-Plus, control de calidad intensivo en conocimiento con razonamiento de un solo salto y de múltiples saltos, y clasificación de recuperación de información en tareas que requieren razonamiento de dominio específico y verificación de hechos científicos.
Probaron DCI contra tres líneas de base. El primero incluía agentes de recuperación de peso abiertos como Búsqueda-R1 y agentes propietarios impulsados por modelos fronterizos como GPT-5 y Claude Sonnet 4.6, combinados con recuperadores estándar. La segunda línea de base incluía recuperadores dispersos clásicos como BM25 y recuperadores densos como text-embedding-3-large y Qwen3-Embedding-8B de OpenAI. La tercera línea de base consistió en reclasificadores de alto rendimiento orientados al razonamiento como ReasonRank-32B y Rank-R1.
DCI superó sistemáticamente las líneas de base, según los investigadores. En el complejo benchmark BrowseComp-Plus, el intercambio de un recuperador semántico Qwen3 tradicional por DCI en una red troncal Claude Sonnet 4.6 mejoró la precisión del 69,0% al 80,0% y redujo el costo de la API de $1,440 a $1,016. También fue notable el retorno de la inversión para los agentes ligeros. DCI-Agent-Lite con GPT-5.4 nano compitió con el modelo OpenAI o3 utilizando la recuperación tradicional y reduciendo costos en más de $600.
En los puntos de referencia de control de calidad de múltiples saltos, DCI-Agent-CC alcanzó una precisión promedio del 83,0%, mejorando la línea de base de recuperación de peso abierto más sólida en 30,7 puntos, según los investigadores.
Los datos muestran que DCI tiene una menor recuperación general de documentos que los modelos de incrustación densa, pero una vez que encuentra un documento relevante, extrae sustancialmente más valor de él.
«Si un líder de IA empresarial preguntara dónde DCI es más claramente útil, señalaría tareas que requieren localización exacta de evidencia en un espacio de trabajo dinámico: depuración de incidentes de producción, búsqueda de grandes bases de código, análisis de registros, investigación de cumplimiento, pistas de auditoría o análisis de causa raíz de múltiples documentos», señalan los investigadores.
En una compleja tarea de investigación profunda, el agente tuvo que identificar un partido de fútbol específico basándose en 12 pistas entrelazadas, incluida la asistencia exacta, las tarjetas amarillas y las fechas de nacimiento de los jugadores. Un perro perdiguero tradicional fallaría si mostrara fragmentos cortos y desconectados. En cambio, el agente de la DCI exploró el directorio de archivos, leyó líneas específicas de un informe del partido Inglaterra versus Bélgica de 1990 para verificar el número exacto de sustituciones, extrajo una cita específica de un archivo de entrevista y verificó las fechas exactas de nacimiento de dos jugadores mirando sus archivos de texto de Wikipedia. Al encadenar estos comandos simples, DCI garantiza que no se pierda permanentemente ninguna evidencia detrás de un algoritmo de búsqueda semántica defectuoso.
Límites e implementación práctica de DCI.
DCI tiene un entorno operativo claro en el que escala de manera excelente en profundidad de búsqueda, pero tiene dificultades con la amplitud de búsqueda. Cuando el corpus experimental se amplió de 100.000 a 400.000 documentos, la precisión del sistema disminuyó significativamente y el número promedio de llamadas a herramientas aumentó. Si bien DCI es poderoso una vez que se encuentra un documento prometedor, el costo de localizar ese documento ancla inicial útil crece considerablemente a medida que aumenta el tamaño del espacio candidato.
DCI también tiene una menor recuperación de documentos amplios en comparación con los modelos de incrustación densa. Cambia la recuperación exhaustiva por precisión local de alta resolución. Si un flujo de trabajo empresarial requiere estrictamente encontrar todos los documentos relevantes en un conjunto de datos masivo, es posible que DCI no sea la herramienta adecuada.
Otorgar a un agente herramientas expresivas, como un shell bash sin restricciones, aumenta la latencia y los costos de cómputo debido al gran volumen de llamadas iterativas a herramientas necesarias para completar una búsqueda. También crea importantes desafíos de seguridad y gestión del contexto para los departamentos de TI.
«Las llamadas a herramientas pueden generar grandes resultados; las trayectorias largas pueden llenar la ventana de contexto; y el acceso directo a la terminal requiere sandboxing, control de permisos e ingeniería cuidadosa», dijeron los autores. Para gestionar la ventana de contexto, los investigadores descubrieron que el truncamiento y la compactación moderados ayudan al agente a realizar búsquedas más largas, mientras que un resumen demasiado agresivo tiende a descartar evidencia útil.
Debido a estas realidades operativas, el DCI no pretende ser un reemplazo obligatorio de la infraestructura vectorial existente. Más bien, sirve como complementario.
«Para los ingenieros de orquestación y arquitectos de datos, nuestra opinión es que el patrón de implementación más práctico a corto plazo es híbrido», dijeron los autores. La recuperación semántica aún puede proporcionar un descubrimiento de candidatos de alto recuerdo cuando la intención de un usuario es amplia o está poco especificada. «La DCI puede entonces operar como una capa de precisión y verificación: el agente puede buscar dentro de los documentos recuperados, expandirlos a archivos vecinos, verificar restricciones exactas y combinar señales débiles entre documentos».
Los investigadores han publicado el código para DCI bajo la permisiva licencia del MIT.
«A más largo plazo, DCI cambia la forma en que pensamos acerca de los datos empresariales. Los datos no sólo necesitarán ser almacenados para humanos o indexados para motores de búsqueda; también necesitarán ser organizados para agentes que puedan inspeccionar, comparar, rastrear, rastrear y verificar», concluyen los autores. «Los nombres de archivos, las marcas de tiempo, los identificadores estables, los metadatos, el historial de versiones y la estructura legible por máquina pasan a formar parte de la interfaz de recuperación».
