该研究探讨了大型语言模型代理在信息检索任务中不同检索策略(如grep和向量检索)与代理架构、工具调用范式的交互影响，通过实验比较了它们在处理相关和无关文本时的性能表现。

标题：Grep是否足够？智能体框架如何重塑代理搜索范式

来源：arXiv数据库（2026年5月15日发布）

核心内容： 1. 研究背景： - 大语言模型(LLM)代理的最新进展支持复杂的工作流程 - 现有研究缺乏对检索策略与代理架构、工具调用范式之间关系的系统比较

2. 研究方法：

• 实验1：比较grep和向量检索在116个问题样本上的表现
  • 使用定制代理框架Chronos和主流CLI框架
  • 测试两种工具结果呈现方式：内联结果和独立文件结果
• 实验2：在逐步增加无关对话历史的情况下，比较纯grep和纯向量检索

3. 主要发现：

• grep检索在实验1中普遍表现优于向量检索
• 整体性能受框架选择和工具调用方式的显著影响
• 即使使用相同对话数据，不同框架仍会产生差异

4. 研究意义：

• 填补了代理搜索系统中检索策略比较的研究空白
• 揭示了工具输出呈现方式和干扰文本对性能的影响

注：删减了原文中重复的URL信息、技术细节过深的描述以及版本历史等非核心内容，保留了研究设计、方法和关键结论等核心信息。

以下是评论内容的总结，平衡呈现不同观点并保留关键引用：

1. 支持传统grep的观点

   • 认为grep在代码搜索中表现优异，尤其适用于结构化数据：
     • "grep’s design is surprisingly winning, exceeding expectations to this day."（piekvorst）
     • "With structured inputs like source code, I’d expect grep to outperform semantic search"（gbacon）

2. 支持混合/替代方案的观点

   • 建议结合多种工具或使用更先进的搜索技术：
     • "give the agent all the tools and let it decide which to use...this X vs Y is uninteresting when the answer can be both"（jeffchuber）
     • "Combining regex filtering with semantic ranking using multi-vector embeddings has yielded good results"（alexrigler）

3. 对研究的质疑

   • 指出研究局限性和标题夸大：
     • "Don’t presume this study has anything to do with programming. They measured an agent’s ability to search long conversations"（quinncom）
     • "This paper oversells on the title...what is chronos, which embedding model was used"（stephantul）

4. 结构化数据的优势

   • 强调结构化数据在代理工作流中的价值：
     • "using Palantir's 'Ontology' graph framework...is going to be able to achieve some exception and differentiating outcomes"（piker）

5. 组织内容的重要性

   • 指出内容组织比搜索技术更重要：
     • "Just organizing content is at least half of building search...It’s not all technology"（softwaredoug）

6. 工具选择的讨论

   • 关于工具替代的思考：
     • "I have a hook that rewriters grep to rg but lately I wonder if this is actually wasteful"（hmokiguess）

关键分歧点在于：传统文本搜索（如grep）与语义/向量搜索的适用场景，以及研究结论的普适性。多数评论认为工具选择应取决于具体使用场景和数据特性。