Nace AI wprowadza Drex for Search: wyszukiwarka dla agentów, która zamiast chunków zwraca konkretne strony

Nace AI wypuściło Drex for Search, czyli hostowany system wyszukiwania dokumentów, w którym o kolejnych krokach decydują modele decyzyjne Drex. Jak opisuje MarkTechPost, narzędzie ma służyć zarówno ludziom, jak i agentom, a z Claude Code, Codex, Cursorem czy OpenCode łączy się przez CLI, SDK, MCP lub REST.

Przeciwko schematowi „chunk, embed, top-k, hope”

Nace w ten sposób streszcza klasyczne RAG i wskazuje trzy sytuacje, w których ono zawodzi: odpowiedź siedzi w tabeli na 23. stronie, wymaga przeskoku przez dwa pliki albo jest ukryta w zeskanowanym PDF-ie. Drex for Search ma zamiast pięćdziesięciu losowych fragmentów zwracać dokładne strony i tabele, z podaniem pliku oraz strony, wiersza lub minuty nagrania.

Mechanizm opiera się na tym, że Drex ocenia podane opcje, przypisując każdej skalibrowane prawdopodobieństwo w jednym przebiegu modelu. Według Nace jest to na tyle tanie, że można go używać przy każdym kroku agenta. Proces ma trzy etapy:

• Klasyfikacja – przed wyszukiwaniem Drex decyduje, czy wystarczy szybkie sprawdzenie, czy potrzebny jest agent czytający dokumenty i odpytujący tabele.
• Zawężanie – system schodzi po poziomach: folder, plik, sekcja, strona, a w arkuszu do tabeli i kolumny. Na każdym poziomie zostaje tylko to, co może zawierać odpowiedź.
• Odpowiedź – do modelu językowego trafiają wyłącznie zachowane strony i tabele.

Ponieważ głębokość jest stała, milion plików ma wymagać tyle samo kroków co tysiąc. Tak twierdzi Nace; system projektowano z myślą o zbiorach powyżej miliona plików.

Liczby z testów Nace

Na BrowseComp-Plus (830 pytań wielokrokowych na około 100 tys. dokumentów) Drex for Search w parze z GPT-5 osiągnął 92,05% trafności. To drugie miejsce na 86 wpisów. Jedyny wpis z lepszym wynikiem potrzebował 209,27 zapytań na pytanie, Drex – 12,61, czyli według Nace 16,6 razy mniej. Pojedynczy przebieg dał 87,32% przy 8,93 zapytania, co firma uznaje za najlepszy rezultat wśród wpisów poniżej 10 zapytań. Względem bazowego Qwen3-Embed-8B z tym samym GPT-5 przewaga to 20,4 punktu.

Na VisDocAgentBench narzędzie osiągnęło 77,5% R@1 z plannerem Qwen 27B, o 10 punktów więcej niż Claude Opus 5. Ogółem Nace twierdzi, że zajmuje pierwsze lub drugie miejsce na trzech z czterech publicznych leaderboardów.

Dla agentów programistycznych firma przetestowała dziewięć par agent–model na OfficeQA Pro, benchmarku opartym na biuletynach amerykańskiego Skarbu (133 pytania). Dokładność wzrosła w ośmiu parach, a liczba tur spadła we wszystkich dziewięciu. Średnio: o 62% mniej kroków, o 56% mniej tokenów, 2,3 raza szybciej i 6% więcej poprawnych odpowiedzi.

Wdrożenie i dostęp

Drex for Search działa w zarządzanej chmurze Nace, w chmurze dedykowanej, na koncie klienta w AWS lub Azure albo on-prem, także w środowisku air-gapped. Obsługuje PDF-y i skany, xlsx, csv, Parquet, mp3, mp4, docx, pptx, md, json i txt. Przestrzenie robocze są izolowane, mają własny indeks i graf wiedzy, a pliki można trzymać we własnym koncie S3 lub Azure Blob. Dostępna jest opcja zero retention, ale tylko z własnym storage’em. Nace oferuje też gotowe domeny: podatki, M&A, raporty SEC 10-K, umowy, lub własne.

Dostęp odbywa się przez Nace API Console na jednym kluczu: nace-cli z PyPI, nace-sdk dla Pythona i TypeScriptu, nace-mcp oraz specyfikacja OpenAPI. Szczegóły są na stronie dla deweloperów.

Wszystkie przytoczone wyniki pochodzą z ewaluacji przeprowadzonych lub opisanych przez Nace AI. Przytoczone materiały nie zawierają niezależnej weryfikacji wyników ani pełnej listy czterech rankingów, do których odwołuje się firma.