AI 代理需要终端而非仅仅向量数据库

传统 AI 代理搜索系统（如检索增强生成（RAG））依赖数据预处理：文档被拆分为片段、转换为向量表示并索引到数据库中。然而，这种方法存在显著限制。在处理查询时，系统仅返回通过语义相似性筛选的有限相关片段，形成“瓶颈”，因为代理无法访问未通过排序机制的数据。

DCI 方法提供全新思路：AI 代理通过命令行直接与数据交互，使用 grep、find 和 sed 等工具。这支持精确字符串搜索、版本号、错误代码或关键词组合，这些难以通过语义搜索发现。代理可动态调整搜索策略、验证假设并提取匹配项周边上下文——对代码调试或日志分析等任务至关重要。

研究团队开发两版系统：基于 GPT-5.4 nano 模型的轻量级 DCI-Agent-Lite 和采用 Claude Sonnet 4.6 的高级 DCI-Agent-CC。在 BrowseComp-Plus 等基准测试中，DCI 显著优于传统方法。例如，任务解决准确率从 69% 提升至 80%，处理成本降低 30%。但该方法也有局限：在小规模数据集中深度搜索效果卓越，但在大规模信息处理中性能下降。

作者强调，DCI 并非取代向量数据库，而是补充其功能。采用语义搜索进行初步数据筛选、DCI 进行精确验证与分析的混合方法，可能成为企业环境的最佳解决方案。DCI 源代码采用 MIT 许可证开放，便于集成至实际产品中。