智能体找文件不再逐页翻：Drex for Search先定位置，529题上步数少62%、输入token少56%
核心概要
智能体在真实文件堆里找答案，往往要反复搜索、打开文件、翻页，二十到三十步才收敛。Drex for Search 把判断提前：在智能体读任何页面之前，先由决策模型 Drex 判定答案可能落在哪个文件夹、哪个文件、哪一页，以及电子表格里的哪张表和哪一列，智能体只读这几处并给出出处。在 6 个专业工作基准、529 道题上，接入该工具的编码智能体步数减少 62%、输入 token 减少 56%，正确率从 63.1% 升到 67.1%，每题中位耗时从 80.8 秒降到 35.5 秒。
深度剖析
智能体检索文件的方式从“边搜边读、逐页试探”改为“先定位再读”，答案返回时附带来源文件与页码。 此前的关键词检索（如 grep、BM25）只能找到词而找不到含义，语义检索与 RAG 能找到相似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再搜一次、再开一个文件、再读一页。 在 6 个专业工作基准、共 529 道题上，同一批编码智能体接入 Drex for Search 后步数减少 62%、输入 token 减少 56%，正确率从 63.1% 升到 67.1%（+4.0 个百分点），每题中位耗时从 80.8 秒降到 35.5 秒。
定位分三步完成：先判断问题类型，再逐层收窄工作区，最后只把留下的页面和表格交给大模型作答。 这套流程由决策模型 Drex 驱动，分类一步在检索开始前区分快速查证与需要读文档、查表格的问题，收窄一步按文件夹、文件、章节、页面以及电子表格的表和列逐级保留可能承载答案的部分。 层级数量固定，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，十组智能体与模型组合全部减少了轮次和输入 token，其中八组答对了更多题，平均正确率从 59.3% 升到 61.9%。
工具以命令行、Python 与 TypeScript SDK、MCP 服务器和 REST API 提供，可接入 Claude Code、Codex、Cursor、OpenCode 等能执行命令或调用 MCP 工具的智能体。 接入方式沿用智能体已有的工具调用路径，OfficeQA Pro 中的智能体正是通过 Nace CLI 访问工作区里的原始 PDF。 每个工作区有独立索引，只由该工作区自己的文件构建，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。
启示与展望
演示范围是 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 上的十组智能体与模型组合；面向需要让智能体在自己的文件里找答案的研究人员与工程师。
作者说明接入 Drex for Search 的结果为单次运行，而原始结果为两次运行的平均，因此正确率应读作 ±2 个百分点；输入 token 只计智能体模型自身（含缓存读取），Drex 自身的决策不计入。OfficeQA Pro 十组组合中有两组正确率下降，Claude Code · Sonnet 5.5 从 69.2% 降到 66.9%，Codex · GPT-6 luna 从 54.9% 降到 53.4%。