Try an agent-trajectory-based retriever for literature search

에이전트 궤적 기반 검색 학습 · Learning to Retrieve from Agent Trajectories2026.09.14

Proposal AI suggestion

Application to materials research remains an unverified proposal.

This technique trains a retriever not only from human relevance judgments, but also from learning signals based on which queries, snippets, and documents an agent actually passed through and whether the outcome was successful. In other words, it aligns search with task success rather than with user satisfaction.

Because materials literature search is far more exploratory than simple keyword matching, it would be possible to try a method that logs the sequence in which researchers or agents read papers, figures, captions, and appendices, and uses those trajectories to train retrieval. In topics with varied terminology such as alloy composition, defects, and process conditions, search that follows the research flow may fit better.

At a small scale, one could collect several dozen to several hundred search sessions in an internal literature Q&A system and compare them with conventional BM25/embedding search. If it is possible to track which queries actually helped subsequent experiment design or calculation setting selection, evaluation more useful than simple search accuracy becomes possible.

Materials problem to try it on: 재료 문헌 탐색, 관련 논문/부록/그림을 따라가는 반복적 조사, 실험·계산 조건 찾기
Why it is worth trying now: 에이전트 행동 로그를 학습 신호로 쓰는 검색 연구가 공개 코드와 데이터와 함께 진행되면서, 사람 주석 중심의 전통적 검색 학습보다 더 과제지향적인 접근이 가능해졌다.
First step: 한 연구 주제에 대해 연구원 2~3명이 수행한 실제 검색 기록을 모아, 기존 검색기와 궤적 학습 검색기의 top-k 결과가 후속 읽기·실험 설계에 얼마나 유용한지 비교해보자.
Risks and limits: 에이전트 궤적이 편향되어 있으면 잘못된 탐색 습관을 그대로 학습할 수 있고, 재료 문헌은 데이터셋 규모가 작거나 정답이 애매한 경우가 많다. 로그 수집과 정제 비용도 크며, 검색 점수가 좋아져도 실제 연구 시간이 줄어드는지는 별도 측정이 필요하다.

AI가 최신 기법을 조사해 제안한 방향입니다. 검증된 결과가 아니며, 시도 여부와 위험은 연구 책임자가 판단해야 합니다.

Try an agent-trajectory-based retriever for literature search

Proposal AI suggestion

Evidence Evidence from other fields

Related concepts and practice