AI agent搜索的62%步骤，本可以跳过

Nace AI发布了Drex for Search，一个面向agentic search的检索工具。核心想法：搜索质量在搜索开始前就决定了。Drex先做决策，再让agent干活。

Agentic search，指AI agent自己决定查什么、怎么查、何时停，然后综合答案。现实里，大多数agent在文件堆里漫无目的地翻。有开发者直言，检索太差是agent答错题的常见原因。

Drex的流程分三步：

1. 分类。读问题，判断是快速查找，还是需要读文档、查表的深度检索。
2. 缩小。逐层过文件夹、文件、章节、页面；表格则过到表和列。每层只保留可能含答案的内容。深度固定，一百万个文件和一千个文件花同样的步骤。
3. 回答。只有被保留的页面和表格进入LLM，答案附带文件和页码。

官方在8个真实专业工作基准上测试，6个领先。OfficeQA Pro的133个问题上，官方称10种agent和模型组合里8种答对更多问题，步骤平均减少62%，token消耗减少56%，准确率平均提高4点。Gemini CLI从54.9%升到61.7%，步骤从22.9降到10.4。表格里唯一变差的是Codex配GPT-6 luna，掉1.5点。

读得快不是关键，真正的差异在决定不读什么。传统RAG的问题在于top-k永远不知道什么时候信息够了。Drex的停止条件简单：能引用来源就停。有做经纪业务的人说，agent给的事实必须指到具体邮件或文档，否则没人信。Drex这类可引用的停止条件，正好接住这个需求。

用起来不复杂。支持Claude Code、Codex、OpenCode、Hermes等，通过CLI、SDK、MCP和REST接入。上传文件到workspace，后台会OCR每一页、建知识图谱，让术语在文件间互连。问问题，答案指向文件、页码、行或单元格。支持PDF、扫描件、表格、音频视频等。文件留在workspace里，官方称不用客户数据训练，有SOC 2 Type II。

有网友把这套逻辑总结成一句话：便宜的决策，好过昂贵的漫游。这话放在agent search上，比大多数架构讨论都准确。