Drex for Search 正式上线：智能体先定位置再读页，529 道专业题上步数少 62%
核心概要
Drex for Search 是一款面向 AI 智能体的检索工具，由决策模型 Drex 在智能体读任何页面之前先判断答案可能落在哪个文件夹、文件、页面，乃至电子表格的哪张表哪一列。在 6 个专业工作基准、共 529 道题上，使用该工具的编码智能体准确率从 63.1% 升到 67.1%，步数减少 62%，输入 token 减少 56%，每题中位耗时从 80.8 秒降到 35.5 秒。在 OfficeQA Pro 的 133 道题上，十个智能体与模型组合全部减少了轮次和输入 token，其中八个答对更多题。
深度剖析
AI 智能体检索文件的方式多了一层前置判断：在读取任何页面之前，先确定答案可能位于哪个文件夹、哪个文件、哪一页，以及在电子表格中的哪张表和哪一列，智能体只读这几处并给出答案所在的文件与页码。 此前的关键词检索（如 grep、BM25）能找到词却不懂含义，语义检索与 RAG 能找到意思相近的文本，却不知道哪份文档才是对的，还会把表格切碎，于是智能体只能一轮接一轮地多搜一次、多开一个文件、多读一页。 在 6 个专业工作基准、共 529 道题上，以出厂状态运行的编码智能体与同一批智能体接入 Drex for Search 后相比，准确率从 63.1% 升到 67.1%，步数减少 62%，输入 token 减少 56%。
这套流程分三步：先分类，再逐层收缩，最后只把留下的页面和表格交给大语言模型作答。 Drex 是驱动该工具的决策模型，它先读问题判断类型——是快速查一条，还是需要智能体读文档、查表格——再按文件夹、文件、章节、页面，以及电子表格中的表与列逐层只保留可能承载答案的部分。 层级数量是固定的，因此一百万份文件与一千份文件所需的步数相同；在 OfficeQA Pro 的 133 道题、697 份扫描 PDF 上，十个智能体与模型组合每题输入 token 减少 57%、轮次减少 53%，平均准确率从 59.3% 升到 61.9%。
该工具以命令行、Python 与 TypeScript SDK、MCP 服务器和 REST API 提供，Claude Code、Codex、Cursor、OpenCode 以及任何能执行命令或调用 MCP 工具的智能体都可接入。 每个工作区有只由自身文件构建的独立索引，只上传需要检索的内容，内容不用于训练、调优或评测共享模型；数据不能出网时可在自有云或数据中心运行。 在公开榜单上，MADQA 以 94.7% 位列第一，VisDocAgentBench 以 77.5 R@1 位列第一，BrowseComp-Plus 以 92.05% 位列第二且调用次数比第一名少 16.6 倍，EnterpriseRAG-Bench 以 88.22 位列第三，排名为 2026 年 10 月 20 日发布时的状态。
启示与展望
已展示的范围是 6 个专业工作基准共 529 道题，以及 OfficeQA Pro 的 133 道题、697 份扫描 PDF 上十个智能体与模型组合的对照；后者中智能体只能通过 Nace CLI 访问 Drex for Search 工作区，其余条件保持一致。
准确率需按 ±2 点读：出厂结果是 2026 年 10 月 20 日至 22 日两次运行的平均，Drex for Search 结果则是 10 月 24 日至 25 日的一次运行；输入 token 只计智能体模型自身（含缓存读取），不含 Drex 自身的决策开销。OfficeQA Pro 的十个组合中有两个准确率下降，Claude Code · Sonnet 5.5 从 69.2% 降到 66.9%，Codex · GPT-6 luna 从 54.9% 降到 53.4%。