Quando un agente AI deve risolvere un compito complesso, uno dei passaggi più critici è trovare le informazioni giuste. Il modo tradizionale con cui i sistemi AI cercano nei dati si sta rivelando inadeguato per le nuove esigenze degli agenti autonomi. Un gruppo di ricercatori di più università propone una tecnica alternativa — chiamata Direct Corpus Interaction, o DCI — che cambia radicalmente l’approccio, con risultati misurabili in termini di accuratezza e costi.

La ricerca affronta un problema concreto che chiunque abbia lavorato con sistemi RAG (Retrieval-Augmented Generation) conosce bene: il retrieval semantico è utile per una ricerca ampia, ma fallisce sistematicamente quando si tratta di trovare dettagli precisi, numeri specifici, codici di errore o combinazioni rare di informazioni.

Il problema del retrieval semantico tradizionale

Nei sistemi RAG classici, il processo di ricerca funziona così: i documenti vengono suddivisi in blocchi (chunk), convertiti in rappresentazioni vettoriali (embedding) e indicizzati in un database vettoriale offline. Quando un agente AI elabora una query, il retriever scansiona l’intero database e restituisce una lista ordinata di frammenti di testo rilevanti. Ogni informazione deve passare attraverso questo meccanismo prima che il ragionamento possa iniziare.

Il retrieval semantico denso è efficace per un richiamo ampio: trova documenti tematicamente correlati a una domanda. Ma quando un agente deve risolvere un compito a più passi e ha bisogno di stringhe esatte, numeri precisi, versioni software, codici di errore o percorsi di file, la similarità semantica può rivelarsi fragile. Questi dettagli di “coda lunga” sono esattamente dove i vector database tradizionali mostrano i loro limiti.

C’è poi il problema della dinamicità. Un retriever che comprime tutto in un unico step di recupero può eliminare prove fondamentali che nessuna capacità di ragionamento a valle sarà in grado di recuperare. I ricercatori lo descrivono con una frase efficace: i sistemi tradizionali “decidono troppo presto cosa all’agente è permesso vedere.”

La proposta: cercare direttamente nel corpus grezzo

La tecnica DCI (Direct Corpus Interaction) proposta dai ricercatori ribalta l’approccio. Invece di indicizzare i documenti in embedding e affidarsi al retrieval semantico, lascia che l’agente cerchi direttamente nei corpus grezzi usando strumenti da riga di comando standard: find, glob, grep, rg, head, tail, sed, cat.

L’idea di fondo è dare all’agente un terminale — non in senso metaforico. L’agente opera in un ambiente simile a un terminale, dove le sue osservazioni sono output grezzi degli strumenti: percorsi di file, frammenti di testo corrispondenti, le righe circostanti. Questo approccio risolve anche il problema della freschezza dei dati: in molti contesti enterprise, i dati cambiano continuamente — report finanziari giornalieri, log in tempo reale, ticket, commit di codice, file di configurazione in evoluzione. Gli indici vettoriali sono sempre uno snapshot del passato; DCI permette all’agente di ragionare sullo stato attuale del workspace.

Come funziona nella pratica

Gli strumenti forniti da DCI sono pochi ma molto espressivi. Gli agenti usano comandi come find e glob per navigare le strutture di directory e localizzare file. Per il matching esatto usano grep e rg per individuare parole chiave specifiche, pattern regex e stringhe precise. Quando è necessaria un’ispezione locale, strumenti come head, tail, sed e cat consentono di esaminare il contesto attorno a un risultato o leggere sezioni specifiche di un file.

L’agente può combinare questi strumenti tramite pipeline shell per eseguire logiche di ricerca complesse in un singolo passaggio: cercare un file per un termine e passare l’output a una seconda ricerca, combinare segnali deboli tra più indizi, o verificare immediatamente un’ipotesi esaminando le righe esatte attorno a un match.

I ricercatori hanno sviluppato due versioni del sistema. DCI-Agent-Lite è costruita sul modello GPT-5.4 nano per setup leggeri e a basso costo. DCI-Agent-CC è la versione ad alte prestazioni basata su Claude Code con Claude Sonnet, pensata per task complessi su dataset eterogenei.

I risultati dei benchmark

I dati sperimentali mostrano miglioramenti significativi rispetto ai sistemi tradizionali. Sul benchmark BrowseComp-Plus, sostituire un retriever semantico tradizionale con DCI su un backbone Claude Sonnet ha migliorato l’accuratezza dal 69,0% all’80,0%, riducendo contemporaneamente il costo API da 1.440 a 1.016 dollari: più accurato e meno costoso.

Anche per gli agenti leggeri il vantaggio è rilevante: DCI-Agent-Lite con GPT-5.4 nano ha eguagliato le prestazioni del modello OpenAI o3 con retrieval tradizionale, tagliando i costi di oltre 600 dollari. Sui benchmark di QA multi-hop, DCI-Agent-CC ha raggiunto un’accuratezza media dell’83,0%, migliorando il più forte baseline open-weight di 30,7 punti percentuali.

Un esempio concreto rende bene la differenza. In un task di ricerca profonda, l’agente doveva identificare una partita di calcio specifica basandosi su dodici indizi intrecciati — presenza, cartellini gialli, date di nascita dei giocatori. Un retriever tradizionale avrebbe restituito frammenti brevi e sconnessi, probabilmente insufficienti. L’agente DCI ha invece esplorato la directory, letto righe specifiche di un report della partita, estratto una citazione da un file di intervista e verificato le date di nascita di due giocatori accedendo ai rispettivi file di Wikipedia.

I limiti da non sottovalutare

DCI non è una soluzione universale. Il sistema scala bene in profondità di ricerca — può analizzare un corpus in modo estremamente granulare — ma ha difficoltà con l’ampiezza. Quando il corpus sperimentale è stato espanso da 100.000 a 400.000 documenti, l’accuratezza è calata significativamente e il numero medio di chiamate agli strumenti è aumentato.

Ci sono anche sfide operative rilevanti. Le chiamate agli strumenti possono restituire output molto grandi; le traiettorie di ricerca lunghe possono riempire la context window dell’agente; e l’accesso grezzo al terminale richiede sandboxing attento, controllo dei permessi e un’ingegneria della sicurezza non banale. DCI non si improvvisa: richiede un’infrastruttura progettata appositamente.

Un approccio ibrido come soluzione pratica

La conclusione dei ricercatori non è “abbandonate i vector database”, ma una riconsiderazione del loro ruolo all’interno di un sistema ibrido. Il pattern di deployment più pratico nel breve termine combina i due approcci: il retrieval semantico fornisce una prima scoperta ad alto richiamo quando l’intenzione dell’utente è ampia o poco specificata. DCI opera poi come layer di precisione e verifica — l’agente cerca all’interno dei documenti recuperati, si espande verso file adiacenti, verifica vincoli esatti e combina segnali deboli tra documenti.

La visione a lungo termine è più ambiziosa. I dati non dovranno più essere organizzati solo per gli esseri umani o indicizzati per i motori di ricerca: dovranno essere strutturati per agenti capaci di ispezionare, confrontare, cercare, tracciare e verificare. Nomi di file, timestamp, identificatori stabili, metadati, cronologia delle versioni e struttura leggibile dalle macchine diventano parte integrante dell’interfaccia di retrieval.

Il codice di DCI è disponibile su GitHub con licenza MIT, rendendo la tecnica accessibile alla comunità di ricerca e ai team di sviluppo che vogliono sperimentarla.