Investigación Cómo DR-DCI mantiene la precisión al buscar en bases de datos de hasta 20 millones de documentos
Un nuevo marco combina recuperación de documentos y operaciones directas sobre un workspace dinámico, logrando 73 % de exactitud en pruebas y manteniéndose estable desde 100 k hasta 20 M de archivos.
Los sistemas de búsqueda que emplean agentes inteligentes suelen depender de recuperadores clásicos como BM25 o ColBERT para obtener una lista de documentos candidatos. Esa estrategia funciona bien para identificar piezas relevantes, pero la interacción posterior se limita a resultados ordenados o vistas de documentos acotadas. Cuando el agente necesita reorganizar información, comparar datos entre varios textos o verificar restricciones cruzadas, el modelo de recuperación tradicional se vuelve un cuello de botella.
El concepto de "Interacción Directa con el Corpus" (DCI, por sus siglas en inglés) propone exponer al agente una serie de comandos de shell que operan directamente sobre el conjunto completo de documentos. Con esas herramientas, el agente puede buscar, filtrar, comparar y validar datos sin pasar por una capa intermedia. El problema surge cuando el corpus crece: los comandos que recorren todo el archivo se vuelven lentos y, en algunos casos, inestables, afectando la rapidez y el costo de la ejecución.
Para sortear esa limitación, los investigadores liderados por Dongfu Jiang presentan DR‑DCI, una arquitectura que emplea el recuperador como una acción invocable por el agente. En lugar de ejecutar comandos sobre la colección completa, el agente solicita al recuperador los documentos más prometedores y los agrega a un espacio de trabajo local que se va ampliando dinámicamente. Todas las operaciones DCI posteriores se realizan dentro de ese entorno reducido, combinando la alta cobertura del recuperador con la precisión de las manipulaciones locales.
Los resultados experimentales se enfocan en dos escenarios. En primer lugar, se evaluó la precisión en el benchmark BrowseComp‑Plus, donde DR‑DCI alcanzó un 71,2 % de exactitud, superando a la versión sin recuperación en hasta 8,3 puntos. Además, al habilitar un mecanismo de reinicio de contexto que preserva el workspace, la exactitud subió a 73,3 %. La métrica incluye no solo la precisión, sino también la reducción del número de llamadas a herramientas, el tiempo de pared y un cálculo estimado de costos, todos menores respecto a la configuración original.
En pruebas de escalado, el método mantuvo su desempeño entre 100 000 y 10 millones de documentos; mientras que la versión cruda de DCI empezó a fallar y el recuperador BM25 mostró un declive notable. Un experimento de mayor magnitud utilizó la colección Wiki‑18, donde cada documento se almacena en un archivo independiente, llegando a 20 millones de entradas. Allí, DR‑DCI obtuvo una puntuación media de 63,0 en seis tareas de preguntas y respuestas, superando tanto a sistemas basados únicamente en recuperación como a agentes entrenados para la búsqueda.
El análisis de ablación reveló que dos componentes fueron esenciales para esos resultados: la presentación de vistas previas clasificadas de los documentos y la capacidad de ejecutar operaciones DCI que involucren varios documentos simultáneamente. Sin esos elementos, la precisión cayó de forma significativa, lo que confirma que la interacción entre recuperación y manipulación local es la que aporta valor.
Para un ejecutivo que maneja grandes volúmenes de información, la propuesta implica que es posible mantener una exploración eficiente sin sacrificar la capacidad de validar datos a nivel granular. El modelo evita la sobrecarga de ejecutar comandos sobre todo el corpus y, al mismo tiempo, reduce la dependencia de respuestas basadas únicamente en ranking. En entornos donde la exactitud de la evidencia es crítica —por ejemplo, auditorías regulatorias o análisis de riesgos— contar con una herramienta que combine rapidez y precisión puede traducirse en ahorros de tiempo y en decisiones mejor fundamentadas. Además, la reducción de llamadas a herramientas y de tiempo de procesamiento se refleja en costos operativos más bajos, un aspecto que siempre pesa en la hoja de cálculo de cualquier proyecto de IA a gran escala.
En última instancia, DR‑DCI muestra que la arquitectura híbrida, donde el recuperador alimenta un workspace dinámico, constituye una vía viable para escalar la interacción directa con corpora extensos, sin perder la agilidad necesaria para resolver preguntas complejas que cruzan varios documentos.
