AIエージェントにベクタDBだけでなく端末操作を提供する研究

複数大学の研究者は、AIエージェントの検索でベクタ埋め込みに頼らず、端末上で生データを直接扱う手法「direct corpus interaction（DCI）」を提案しました。
従来のRAGでは文書を分割し、埋め込みにしてベクタDBへ事前索引します。
エージェントはretrieverのtop-k候補から推論を始めるため、重要な証拠が類似度検索で落ちると後から回復できません。
研究者は、数値や誤りコード、ファイルパスなどの厳密な文字列探索、部分的証拠を見て検索計画を動的に修正する作業ではこの制約がボトルネックになると指摘しました。
DCIではエージェントがターミナルのような環境で、findやglob、grepやrg、headやtail、sedやcatなどのコマンド出力を直接観察して探索します。
複数のコマンドをシェルパイプラインで連結し、厳密な語句条件を課したり、年やファイル種別などの手掛かりを組み合わせて検証したりできます。
データが日次で更新される企業環境でも、昨日の埋め込みではなく現在のワークスペース上の状態を根拠に推論できます。
DCI-Agent-LiteはGPT-5.4 nanoで低コストに端末操作のみを行い、DCI-Agent-CCはClaude Sonnet 4.6を使いClaude Codeで複雑な多段探索の安定性を高めます。
実験では、BrowseComp-PlusでQwen3のセマンティックretrieverをDCIに置き換えると精度が69.0%から80.0%に向上し、APIコストも1,440ドルから1,016ドルに減りました。
一方で、候補空間が100,000から400,000文書へ拡大すると精度低下とツール呼び出し増が起き、広範な再現性より局所精度に強みがあるとしています。
研究者はDCIをベクタ基盤の完全置き換えではなく、ハイブリッドで使う「精密化・検証レイヤー」と位置付け、コードをMITライセンスで公開しました。

参照元：2026/05/23 「Your AI agents need a terminal, not just a vector database」 https://venturebeat.com/orchestration/your-ai-agents-need-a-terminal-not-just-a-vector-database