В мире искусственного интеллекта, где каждый день появляются новые модели и фреймворки, истинная ценность технологии измеряется не только скоростью обработки, но и способностью находить точную информацию в море данных. Классический подход к поиску, известный как RAG (Retrieval-Augmented Generation), долгое время был стандартом де-факто. Однако, как часто бывает с «золотым стандартом», он имеет свои критические уязвимости: потеря контекста, неточные цитаты и высокая стоимость вычислений при сложных запросах. Именно на эти проблемы отвечает новая система от Nace AI — Drex for Search.
Это не просто еще одна библиотека для векторного поиска. Drex позиционируется как слой извлечения (retrieval layer), который превращает поиск в серию взвешенных решений. Для разработчиков, работающих с кодовыми агентами (такими как Claude Code, Cursor или OpenCode), это означает переход от «угадывания» нужного фрагмента текста к точному наведению на источник. В этой статье мы подробно разберем архитектуру Drex, его производительность на ключевых бенчмарках и практические шаги по интеграции в ваши проекты.
01Что такое Drex for Search и почему это важно?
Nace AI предлагает новый взгляд на проблему поиска документов. Вместо того чтобы полагаться на традиционный пайплайн RAG, который часто описывают как «разбей на чанки, создай эмбеддинги, возьми топ-k и надеяться на лучшее», Drex применяет свои модели принятия решений (Drex decision models) непосредственно к процессу поиска. Суть подхода заключается в том, чтобы оценивать каждый вариант ответа или источник с калиброванной вероятностью за один прямой проход (forward pass). Это делает процесс невероятно дешевым и быстрым, что критически важно для агентов, совершающих множество шагов.
Классический RAG часто ломается в трех типичных сценариях, с которыми сталкиваются корпоративные пользователи:
- Ответ находится в таблице на странице 23. Векторный поиск часто теряет структуру таблиц, превращая их в бессмысленный поток текста.
- Ответ требует двух «прыжков» (hops) между файлами. Стандартные системы плохо справляются с многошаговым логическим выводом.
- Ответ спрятан внутри отсканированного PDF. OCR-процессы часто вносят ошибки, которые разрушают семантику документа.
Drex for Search создан, чтобы преодолеть эти ограничения. Он работает не как черный ящик, а как интеллектуальный фильтр, который сужает круг поиска до конкретных страниц, строк и таблиц, передавая LLM только релевантные данные.
02Как работает Drex внутри AI-агента?
Процесс взаимодействия агента с Drex можно разделить на три четких этапа. Эта архитектура обеспечивает детерминированность и прозрачность, что крайне важно для enterprise-решений, где требуется аудиторский след.
1. Классификация (Classify)
Перед тем как запускать тяжелые поисковые запросы, Drex анализирует входящий вопрос. Он решает, требует ли задача простого быстрого_lookup (lookup) или запуска полноценного агента. Если ответ можно найти в открытых источниках или базовых данных, система экономит ресурсы. Если же требуется чтение документов и запрос к таблицам, активируется агентский маршрут.
2. Сжатие (Squeeze)
Это самый интересный этап. Drex проходит по рабочей области (workspace) уровень за уровнем: папка → файл → раздел → страница. Внутри листа он сужает поиск до конкретных таблиц и столбцов. На каждом шаге система отбрасывает все, что не может содержать ответ. Это позволяет обрабатывать миллионы файлов с фиксированной глубиной поиска, что означает, что обработка 1 000 000 файлов занимает столько же шагов, сколько и обработка 1 000.
3. Ответ (Answer)
Только те страницы и таблицы, которые были «отобраны» на предыдущих этапах, передаются в большую языковую модель (LLM). При этом LLM получает не просто текст, а четко структурированные данные с указанием источника: файла, страницы, строки или даже минуты (для аудио/видео). Это радикально повышает точность цитирования.
03Производительность: Цифры, которые говорят сами за себя
Маркетинговые заявления часто расходятся с реальностью, но в случае с Drex for Search мы видим впечатляющие результаты на публичных бенчмарках. Nace AI представила данные, которые ставят их систему в один ряд с лидерами индустрии, а в некоторых аспектах и превосходит их.
BrowseComp-Plus: Глубокий поиск в сети
Этот бенчмарк требует от агента ответить на 830 сложных многошаговых вопросов, используя около 100 000 фиксированных веб-документов. Результаты Drex с моделью GPT-5 выглядят следующим образом:
- Точность: 92.05% — это второе место среди 86 записей в лидерборде.
- Эффективность: 12.61 поисковых вызовов на вопрос. Это в 16.6 раз меньше, чем у единственного лидера (209.27 вызовов). Меньше вызовов — ниже стоимость и выше скорость.
- Одиночный проход: 87.32% точности всего за 8.93 вызова, что является лучшим результатом среди всех систем, использующих менее 10 вызовов.
- Преимущество над базовой линией Qwen3-Embed-8B составляет целых 20.4 пункта при использовании той же модели GPT-5.
VisDocAgentBench: Работа с документами
Здесь агенты должны найти одну целевую страницу среди 2 375 страниц из arXiv. Drex for Search показал результат 77.5% R@1 (Recall@1) с использованием открытой модели Qwen 27B в качестве планировщика. Для сравнения, лучший опубликованный агент от Anthropic (Claude Opus
Источник: MarkTechPost ↗