Grep 已足夠？Agent Harness 如何重塑智慧體搜尋範式
本文針對大型語言模型智慧體在檢索增強生成（RAG）中的檢索策略選擇與架構互動問題，展開了一項系統的實證研究。現有文獻缺乏對檢索策略、智慧體架構及工具呼叫範式之間交互作用的深入對比，且關於工具輸出呈現方式及無關文字干擾對效能影響的研究尚顯不足。研究透過兩個實驗展開：首先基於 LongMemEval 資料集，對比 grep 與向量檢索在自訂 Chronos 及主流供應商 CLI 工具下的表現，涵蓋內嵌與檔案讀取兩種模式；其次，透過逐步增加無關對話歷史，評估檢索策略在雜訊環境下的韌性。結果表明，在多數對比場景中，grep 檢索的準確率普遍高於向量檢索，且整體效能高度依賴於所選的 Harness 架構與工具呼叫風格，即使底層對話資料一致。
随着大语言模型智能体技术的飞速发展，模型已具备自主检索信息、调用工具并在大规模语料库中进行复杂推理的能力，从而能够代表用户完成各类高难度任务。尽管检索增强生成技术在智能体搜索系统中日益普及，但现有学术研究往往聚焦于单一模块的优化，缺乏对检索策略选择如何与智能体架构及工具调用范式相互作用的系统性对比。特别是在实际应用中，工具输出如何有效地呈现给模型，以及当搜索过程必须应对大量无关的周围文本时性能如何变化，这些关键维度在现有的智能体循环研究中仍未得到充分探索。本文旨在填补这一空白，通过严谨的实证研究，深入剖析不同检索机制在真实智能体工作流中的表现差异，为构建更高效、更鲁棒的智能体系统提供理论依据与实践指导。研究特别关注了传统关键词匹配与现代语义检索在复杂上下文中的适用性边界，试图回答一个核心问题：在智能体辅助搜索场景下，简单的 grep 是否已经足以满足需求，还是必须依赖复杂的向量检索？为了深入探究上述问题，研究设计并实施了两组精心控制的对比实验，采用了多样化的智能体执行环境以确保结果的普适性。
在第一个实验中，研究团队构建了一个名为 Chronos 的自定义智能体 Harness，并联合了 Claude Code、Codex 以及 Gemini CLI 等提供商原生的命令行工具作为基准对比对象。实验选取了 LongMemEval 数据集中的 116 个复杂问题样本，全面对比了 grep 检索与向量检索在不同工具调用风格下的表现。具体而言，研究区分了两种工具结果呈现方式：一种是直接将检索结果以内联文本形式嵌入对话上下文，另一种则是生成文件供模型独立读取。这种设计旨在模拟真实开发场景中，智能体处理代码库或文档时的不同交互模式。通过这种多维度的对比，研究不仅评估了检索算法本身的优劣，还深入分析了智能体执行框架对检索效果的放大或抑制作用，从而揭示出架构设计与检索策略之间的深层耦合关系。在第二个实验中，研究重点转向了检索策略在噪声环境下的鲁棒性。
通过逐步向查询上下文中混合进额外的无关对话历史，研究模拟了真实应用中常见的"上下文污染"场景。随着无关材料比例的增加，真正相关的段落被淹没在大量干扰信息中，这对智能体的信息筛选能力提出了严峻挑战。实验对比了仅使用 grep 与仅使用向量检索在逐渐增加的噪声背景下的性能衰减情况。关键发现显示，尽管向量检索在语义匹配上具有优势，但在处理包含大量无关文本的复杂上下文时，其性能往往受到显著影响。相比之下，grep 检索凭借其精确的关键词匹配能力，在特定场景下展现出了更强的抗干扰能力。此外，实验结果还揭示了一个重要现象：即使底层对话数据完全相同，整体任务得分仍强烈依赖于所使用的 Harness 架构及工具调用风格。
这意味着，单纯优化检索算法可能不足以提升智能体性能，必须将检索策略与执行框架进行协同设计。这项研究对开源社区、工业落地及后续研究具有深远的意义。首先，它挑战了业界盲目追求复杂向量检索的倾向，证明了在特定智能体工作流中，简单高效的 grep 策略可能更具实用价值，这有助于降低计算成本并提升推理速度。其次，研究强调了智能体 Harness 架构和工具调用范式的重要性，提示开发者在构建智能体系统时，不能仅关注检索模块，而应将其视为一个整体系统进行优化。对于工业界而言，这一发现为选择合适的检索策略提供了实证依据，有助于避免过度工程化。对于后续研究，本文提出的实验框架和对比维度为评估新型检索机制提供了标准化基准，推动了智能体搜索领域从单一技术优化向系统化评估的转变。通过揭示检索策略与架构之间的复杂交互，本研究为构建更智能、更可靠的自主代理系统奠定了坚实基础。