从检索到决策：AI Agent的搜索范式如何被重写
AI Agent的能力边界正在被重新定义。过去两年，行业注意力几乎全部集中在模型推理能力的突破上，从思维链到系统二推理，参数规模的竞赛似乎从未停歇。然而一个被低估的事实是：即便拥有最强的推理引擎，如果Agent无法在海量文档中精准定位关键证据，其产出质量仍将受限于输入质量。
近期Nace AI推出的Drex for Search，正是试图补齐这一短板的尝试。这款产品将公司原有的Drex决策模型迁移到文档检索场景，构建了一个面向人类用户和AI Agent的检索层。编码工具如Claude Code、Codex、Cursor等均可通过CLI、SDK、MCP或REST接口调用。官方测试数据显示，在BrowseComp-Plus基准上，配合GPT-5模型时达到92.05%的准确率，单次问题平均搜索调用次数为12.6次。
传统RAG的三重困境
要理解这一产品的意义，需要先审视当前检索增强生成（RAG）体系面临的现实困境。业界对标准RAG流程有一个近乎自嘲的概括：切分、嵌入、Top-K检索、然后祈祷。这种朴素流水线在多数简单场景下尚能应付，但遇到三类典型问题时往往失效：答案藏在第23页的表格中；答案需要跨文件进行两步以上推理；答案位于扫描件或非结构化文档深处。
这些困境的根源在于，传统检索模型缺乏对"搜索行为本身"的建模能力。它将搜索视为一次性匹配任务，而非多步决策过程。当问题复杂度上升，这种线性结构的脆弱性便暴露无遗。Drex for Search的核心主张正是将搜索重构为决策序列，用决策模型替代粗糙的匹配逻辑。
三层决策架构
Drex for Search的工作流程可拆解为三个递进阶段。分类阶段，在任何检索动作执行前，Drex先判断该问题属于快速查询类型，还是需要启动Agent深度处理。若走Agent路径，系统会主动读取文档内容并查询表格数据，而非被动等待匹配结果。
压缩阶段是架构最具特色的部分。Drex以层级方式遍历工作空间：从文件夹到文件，再到章节、逐页筛选。在表格内部，进一步定位到具体表与列。每一层仅保留可能承载答案的候选内容，逐步缩小搜索半径。这种逐层收缩的策略，使得搜索成本与文档总量的对数关系而非线性关系挂钩——官方声称百万级文件规模所需的步骤数与千级文件相当。
最终只有被保留的页面和表格被送入大语言模型处理，生成答案并附带精确的文件与页码引用。这种设计不仅降低了Token消耗，更重要的是为答案提供了可追溯的证据链，这对企业级应用尤为关键。
性能数据的深层含义
在OfficeQA Pro基准上的测试结果更具说服力。该基准包含133道基于美国财政部公报的问题，Nace测试了9组Agent与模型组合。数据显示，接入Drex for Search后，平均正确率提升约6个百分点，步骤数减少62%，Token消耗降低56%，整体速度提升2.3倍。
以Codex配合GPT-6 sol为例，原始准确率66.2%，接入后升至70.7%，Agent交互轮次从14.3次压缩至8.6次。Hermes Agent配合Opus 5.5的表现更为显著，交互轮次从8.5次锐减至3.7次。这种效率跃升并非单纯源于模型升级，而是检索路径优化带来的结构性收益。
BrowseComp-Plus与VisDocAgentBench等公开榜单上的排名同样值得注意。在VisDocAgentBench上，Drex取得77.5%的R@1指标，领先Claude Opus 5达10个百分点。这些第三方基准的表现，部分验证了其在深度文档理解场景下的通用能力，而非仅针对特定数据集的过拟合优化。
范式转移：从匹配到决策
Drex for Search的真正价值不在于某个具体指标的领先，而在于它代表了一种认知范式的转移。传统信息检索建立在"查询-匹配"的假设上，认为用户意图可以通过关键词或向量相似度一次性捕获。而Drex的架构承认：复杂问题的求解本质上是一个连续决策过程，每一步都需要根据已有信息调整搜索策略。
这种思路与人类专家的研究行为高度吻合。当研究人员面对一个复杂课题时，不会一次性检索所有资料，而是先判断问题类型，再逐步缩小范围，在关键文档上投入更多注意力。Drex将这种认知过程显式建模为可执行的计算图，使Agent具备了类似的信息处理节奏。
更值得关注的是，这种架构天然支持多模态与多格式混合工作空间。系统处理的文件类型涵盖PDF及扫描件、Excel、CSV、Parquet、音视频、文档、演示文稿、Markdown、JSON与纯文本。每种格式都有其内部结构，而Drex的层级遍历能够适配不同格式的嵌套逻辑，这对企业知识库的异构性是一个务实的回应。
商业化落地的现实考量
在部署形态上，产品提供多种选项：Nace托管云、专用云、客户自有AWS或Azure账户，以及本地化与物理隔离部署。这种灵活性反映了企业客户对数据主权的刚性需求，尤其在高合规行业。工作空间相互隔离，拥有独立索引与知识图谱，支持邀请制共享，存储可对接客户自有S3或Azure Blob容器，部分配置下支持零数据留存策略。
然而必须清醒认识到，这类工具的实际效能高度依赖与企业既有系统的集成深度。单纯提供API接口并不足以驱动大规模采用，关键在于能否嵌入现有工作流——无论是开发者的IDE环境，还是企业的知识管理系统。此外，决策模型的校准质量直接影响搜索效率，若分类阶段出现系统性偏差，后续所有优化都可能建立在错误路径上。
未来图景：Agent基础设施的下一站
展望未来，专用检索层可能成为AI Agent栈的标准组件，正如数据库之于传统应用。随着Agent承担的任务日益复杂，对证据检索的精确性、可解释性与成本控制的要求将同步提升。单纯依靠大模型自身的注意力机制来定位海量文档中的关键信息，既不经济也不可靠。
更深层的趋势在于，搜索与推理的边界正在消融。当检索过程本身包含决策、验证与回溯能力时，它就不再是推理的前置步骤，而是推理的组成部分。这种融合可能催生新的Agent架构范式，其中外部信息获取与内部逻辑推演以动态交织的方式推进。
对于企业而言，评估此类技术时不应仅关注基准测试的绝对分数，而应更关心其在自身数据分布上的泛化能力、与现有工具链的集成成本，以及在长周期任务中的稳定性。一场关于Agent基础设施的竞赛已经悄然展开，而胜负手或许不在模型参数规模，而在谁能更优雅地解决"从海量信息中精准提取证据"这一古老难题。