智能体搜索的返璞归真：grep 是否足以胜任？

本研究通过系统性实证分析探讨智能体搜索场景中的检索策略选择问题，核心发现包括：1）简单的grep文本匹配在准确率上往往优于向量检索；2）工具调用方式和智能体框架的选择对最终性能有显著影响。研究挑战了向量检索必然更优的业界假设，为智能体搜索系统设计提供新的实践启示。

大语言模型智能体的最新进展使得复杂的智能体工作流成为可能——模型可以自主检索信息、调用工具，并对大规模语料库进行推理以完成用户委托的任务。检索增强生成（RAG）在智能体搜索系统中的采用日益增长，然而现有文献缺乏对检索策略选择与智能体架构、工具调用范式之间交互关系的系统性比较。一些重要的实践维度，包括工具输出如何呈现给模型、以及当搜索必须应对更多无关上下文文本时性能如何变化，在智能体循环中仍未得到充分探索。

本研究设计了两个互补的实验来回答核心问题。实验一在LongMemEval的116个问题样本上比较grep和向量检索，使用自定义智能体框架Chronos以及多个提供商原生CLI框架（Claude Code、Codex和Gemini CLI），测试了内联工具结果和文件式工具结果两种呈现方式。实验二则在逐步混入额外无关对话历史的条件下，比较纯grep和纯向量检索的表现，模拟真实场景中查询被干扰信息包围的情况。

实验结果令人惊讶：在Chronos和各个提供商CLI框架的对比中，grep通常比向量检索产生更高的准确率。这一发现挑战了业界普遍假设——即向量嵌入检索在语义理解任务中必然优于传统的关键词匹配。研究表明，在智能体搜索的特定场景下，精确的文本匹配可能比近似语义检索更可靠，尤其是在需要精确定位特定信息时。

然而，研究同时揭示了一个更深层的事实：即使底层对话数据完全相同，总体得分仍然强烈依赖于所使用的智能体框架和工具调用风格。这意味着检索策略的选择只是影响智能体搜索性能的因素之一，智能体架构的设计、工具结果的呈现方式、以及模型与工具的交互模式同样至关重要。这一发现提醒开发者在优化RAG系统时需要采取更全面的视角。

这项研究对智能体搜索系统的设计具有重要实践意义。它表明在追求复杂技术方案之前，开发者应当首先评估简单方法（如grep）是否已能满足需求。同时，工具调用接口的设计和智能体框架的选择应当得到与检索策略同等程度的关注。对于资源有限的团队，这意味着可以用更简单的技术栈构建有效的智能体搜索系统。

研究也指出了当前实验的局限性，包括测试范围的限制和特定数据集的特性。未来研究可以探索在更大规模、更多样化的任务上验证这些发现，并深入分析grep和向量检索在不同类型查询上的互补性。此外，开发能够根据查询特性动态选择检索策略的自适应系统也是一个值得探索的方向。