AI-Agenten brauchen Terminals – nicht nur Vektordatenbanken

KI-Agenten stoßen in der Praxis oft an Grenzen, die nicht am Sprachmodell selbst liegen, sondern am Retrieval-Prozess. Doch was, wenn Agenten stattdessen direkt auf Rohdaten zugreifen könnten – ohne Umweg über Embeddings oder Vektordatenbanken?

Forscher mehrerer Universitäten präsentieren mit Direct Corpus Interaction (DCI) einen Ansatz, der genau dieses Problem angeht. Statt auf semantische Suchverfahren zu setzen, durchsuchen KI-Agenten dabei Dokumente direkt über Kommandozeilen-Tools wie grep, find oder cat. So lassen sich selbst feinste Details wie Dateipfade, Fehlercodes oder exakte Zeichenketten zuverlässig finden – eine Schwachstelle klassischer Retrieval-Systeme.

Warum herkömmliche Retrieval-Systeme an Grenzen stoßen

Die meisten heutigen KI-Systeme nutzen Retrieval-Augmented Generation (RAG), um Informationen aus externen Quellen zu beziehen. Dabei werden Dokumente in kleinere Abschnitte unterteilt, in Vektoren umgewandelt und in einer Datenbank gespeichert. Bei einer Anfrage filtert das System die besten Treffer heraus und leitet sie an das Sprachmodell weiter.

Doch dieser Prozess hat entscheidende Nachteile:

• Zu frühe Entscheidungen: Der Retriever filtert die Ergebnisse vorab nach semantischer Ähnlichkeit. Informationen, die nicht zur Top-k-Liste gehören, sind für den Agenten verloren – selbst wenn sie später relevant wären.
• Schwierige exakte Suche: Semantische Suchverfahren tun sich schwer mit konkreten Angaben wie Versionen, Fehlercodes oder spezifischen Dateinamen. Diese Details lassen sich oft besser über exakte Zeichenketten finden.
• Dynamische Anpassung unmöglich: Agenten müssen ihre Suchstrategie oft anpassen, sobald neue Hinweise auftauchen. Ein rein semantischer Retriever kann diese Flexibilität nicht bieten.

"Dichte Retrieval-Systeme eignen sich gut für semantische Abfragen, aber bei mehrstufigen Aufgaben stoßen sie an ihre Grenzen", erklärt ein Autor der DCI-Studie. „Wenn ein Agent nach exakten Mustern wie ,Fehler 404‘ oder ,/etc/config 2024‘ suchen muss, versagen semantische Suchverfahren oft.“

DCI: KI-Agenten arbeiten wie Entwickler im Terminal

Direct Corpus Interaction überwindet diese Hürden, indem Agenten direkt auf Rohdaten zugreifen – so, als würden sie selbst im Terminal arbeiten. Statt auf Embeddings zu setzen, nutzen sie Standard-Tools wie:

• `find` und `glob`: zum Durchsuchen von Verzeichnisstrukturen
• `grep` und `rg`: für exakte Zeichenketten, reguläre Ausdrücke oder Schlüsselwörter
• `head`, `tail`, `sed`, `cat`: zum Inspizieren von Dateien und Kontext
• Python-Skripte: für komplexe Suchlogik oder Datenanalyse

Diese Tools können über Pipes kombiniert werden, um mehrstufige Suchanfragen in einem einzigen Schritt auszuführen. Ein Agent könnte etwa nach allen Dateien mit der Endung .log suchen, diese nach dem Schlüsselwort error filtern und anschließend nur die Einträge aus dem Jahr 2024 extrahieren – alles ohne Umweg über eine Vektordatenbank.

Die Forscher unterscheiden zwei Versionen von DCI:

• DCI-Agent-Lite: Eine kostengünstige Variante, die auf dem Modell GPT-5.4 nano basiert. Sie ist auf reine Terminal-Interaktionen beschränkt und nutzt Strategien zur Kontextverwaltung, um auch bei langen Prozessen stabil zu bleiben.
• DCI-Agent-CC: Die leistungsstärkere Version, die auf Claude Code mit Claude Sonnet 4.6 setzt. Sie bietet bessere Tool-Orchestrierung, robustere Prompts und eine höhere Stabilität bei komplexen Suchaufträgen.

DCI schlägt klassische Retrieval-Systeme – in den Tests

In einer Reihe von Benchmarks verglichen die Forscher DCI mit drei gängigen Retrieval-Ansätzen:

1. Open-Weight-Agenten wie Search-R1 und proprietäre Modelle wie GPT-5 oder Claude Sonnet 4.6 mit Standard-Retrievern
2. Klassische Retriever wie BM25 (sparse) und Dense-Embeddings (z. B. OpenAI text-embedding-3-large oder Qwen3-Embedding-8B)
3. Fortgeschrittene Re-Ranker wie ReasonRank-32B oder Rank-R1

Die Ergebnisse fielen eindeutig aus: DCI übertraf alle Baselines – insbesondere bei Aufgaben, die exakte Suchanfragen, mehrstufige Logik oder dynamische Anpassungen erforderten. Besonders stark schnitt die Version mit Claude Code ab, die höhere Flexibilität und bessere Tool-Integration bot.

Praktische Anwendungen: Von Log-Analyse bis Code-Review

Die Stärken von DCI zeigen sich besonders in Umgebungen mit häufig wechselnden Daten, wie:

• Echtzeit-Logs (z. B. Server- oder Anwendungsprotokolle)
• Dynamische Dokumente (z. B. tägliche Finanzberichte oder Incident-Timelines)
• Code-Repositories (z. B. Suche nach bestimmten Funktionen oder Fehlerbehebungen)

Ein Agent könnte etwa in Echtzeit nach allen Vorkommen eines bestimmten Fehlercodes in Log-Dateien suchen und gleichzeitig die umliegenden Zeilen analysieren, um die Ursache zu identifizieren. Oder er durchsucht ein Code-Repository nach allen Stellen, die eine veraltete API-Nutzung enthalten – und schlägt gleichzeitig Korrekturen vor.

Fazit: Die Zukunft des Retrievals ist terminalbasiert

Die DCI-Studie zeigt, dass klassische Retrieval-Systeme zwar für einfache semantische Abfragen ausreichen, aber bei komplexen, dynamischen Aufgaben an ihre Grenzen stoßen. Direct Corpus Interaction bietet hier eine elegante Lösung: Agenten erhalten direkten Zugriff auf Rohdaten und können Werkzeuge nutzen, die Entwickler seit Jahrzehnten für präzise Suchen einsetzen.

Mit Versionen für verschiedene Einsatzszenarien – von kostengünstigen Lösungen bis hin zu Hochleistungs-Setups – könnte DCI zum neuen Standard für KI-Agenten werden, die auf aktuelle, unstrukturierte Daten angewiesen sind. Die Frage ist nicht mehr, ob Vektordatenbanken überflüssig werden, sondern wie schnell Entwickler und Unternehmen diese terminalbasierten Ansätze in ihre Workflows integrieren.