先看证据
把机制串起来
传统 RAG 通常先把文件切成片段、做向量索引，再按相似度取回 top-k；它擅长找语义相近的片段，但不一定找得到跨文件证据或表格里的特定单元格。AI agent 检索则可以多轮探索、读文件再决定下一步，不过每一步都要消耗时间和模型调用。理解 Drex 的关键，是把检索看成“逐层做选择”，而不是一次性从所有片段里挑最像的几个。
流程先判断问题是直接查找，还是需要 agent 阅读文档或查询表格；随后 Drex 对候选选项打分，并据 Nace 说法以一次前向计算给出校准概率。它再沿文件夹、文件、章节、页面逐层缩小范围，在电子表格中继续定位到表和列，只保留可能包含答案的部分。这样设计的核心，是把大范围搜索拆成多次有结构的筛选，避免把大量无关片段交给回答模型；固定层级也让 Nace 声称的搜索深度不随文件总量线性增加。最终只有筛选出的页面或表格进入回答模型，答案附带文件与页码、行或时间等引用；因此它仍依赖
['适合多文件、多跳、表格或扫描 PDF 的证据检索', '需要可追溯答案时，检查引用是否落到页、行或时间', '先用小型代表性语料验证剪枝是否漏掉关键证据', '按数据驻留需求选择托管、云账户或本地部署']
检索系统开始替Agent做选择
Nace AI发布的Drex for Search，是一层面向文档搜索的检索系统，目标用户包括需要查找文件证据的AI Agent。它可通过CLI、SDK、MCP或REST接入，并与GPT-5、Gemini 3.5 Flash、Qwen 27B等回答模型配合。Nace称系统面向超过一百万份文件的工作区，也支持表格、扫描件和音视频等材料。
值得技术负责人细看的，是它改变了检索的职责边界。传统RAG常被概括为“切片、嵌入、取前几条”，然后把检索结果交给模型判断；Drex则试图先判断问题需要哪种搜索，再逐层定位证据。检索因此不只是为模型准备候选文本，也开始承担一部分原本落在Agent身上的规划和筛选工作。
从问题分类到页面和表格
按Nace的产品说明，Drex先判断问题适合快速查找，还是需要Agent进一步阅读文件或查询表格。随后系统从文件夹、文件、章节和页面逐层缩小范围，在电子表格中还会继续定位到表和列。最后，只有筛选出的页面或表格会交给回答模型，答案则附上文件及页码等引用。
这个路径针对的是固定片段检索容易丢失结构的情形：答案可能藏在扫描PDF、某一页的表格里，也可能需要跨文件拼接。Nace还称摄取阶段会做OCR和版面处理、保留电子表格结构，并用知识图谱连接文件中的信息。若这些处理在目标语料上有效，Agent就不必反复请求宽泛的搜索结果，再靠上下文推断哪一段有用；但这些是厂商公布的设计，现有材料没有独立审计来验证不同文件类型上的实际效果。
基准数字说明了什么，又没说明什么
在BrowseComp-Plus上，Nace报告Drex配合GPT-5达到92.05%准确率，平均每题12.61次搜索调用，在86个条目中排名第二。该基准包含830道多跳问题，语料约有10万份固定网页文档。榜首条目为95.18%准确率、每题209.27次调用；Nace还报告，在少于10次调用的条目中，单次搜索通过取得87.32%准确率和8.93次调用。
这组结果呈现的是一个明确取舍：准确率接近榜首时，搜索调用数显著更低，但它不能单独证明端到端成本或延迟必然更优。公开材料没有说明一次“搜索调用”的计数口径，也没有提供足以独立复现完整配置和结果的评测记录。Nace还报告VisDocAgentBench的R@1为77.5%，并称其排名第一；这些数字可作为后续验证的起点，不能直接当成跨语料的性能保证。
少走几步，不等于每次答得更准
OfficeQA Pro提供了更贴近Agent工作流的对照：测试包含133道题，Nace结果表列出9组Agent与模型配置。加入Drex后，表中9组的Agent turns都减少；准确率则8组上升、1组下降。比如Gemini CLI搭配Gemini 3.1 Pro，准确率从54.9%升至61.7%，turns从22.9降至10.4；Codex搭配GPT-6 luna的准确率却从54.9%降到53.4%，尽管turns从16.8降至11.3。
因此，这份结果更有力地支持“减少Agent往返”，而不是“每个配置都能提高正确率”。而且Nace页面FAQ称测试了10种Agent setup，并报告输入token减少57%，与结果表的9组配置并不一致；公开页面没有解释差异。评估这类系统时，应同时看任务准确率、Agent步骤、token和端到端耗时，并核对每个指标对应的配置，而不能把汇总式的提升描述套到所有模型组合上。
部署选择要和证据边界一起看
对实际团队而言，Drex的吸引力不仅在检索算法，也在它试图把文档定位封装成Agent可以调用的服务。Nace提供托管云、专用云、客户自己的AWS或Azure账号，以及本地和隔离网络部署路径；工作区可以上传文件，也可以使用自己的S3或Azure Blob存储。系统还声称支持按工作区隔离索引与知识图谱，并为答案返回文件、页码、行或时间点等引用。
这意味着评估重点不应停留在榜单分数。技术负责人应拿真实工作区测试扫描件、表格和跨文件问题，核对引用是否足以回到原始证据，再比较相同回答模型下的准确率、调用次数和总时延；同时确认数据驻留、零留存选项和部署方式是否满足治理要求。若团队的主要痛点是Agent反复搜索和上下文消耗，Drex值得进入并行试验；若关键要求是可复现的准确率提升，当前公开证据仍不足以跳过自有基准测试。