把智能体的单次任务搜索调用从 209 次压到 12.6 次，同时在公开评测中拿到 92.05% 的准确率，任何人看到这种数据，第一反应都是检索技术出现了代际飞跃。
2026 年 10 月 26 日，Nace AI 发布面向 AI Agent 的检索系统 Drex for Search，并给出了这份亮眼的成绩单。在 BrowseComp-Plus 榜单 10 月 20 日的快照中，Drex 位列第二，仅次于一个需要 209 次搜索调用的系统。少用约 16.6 倍的搜索次数，几乎拿到相同的准确率，宣传叙事看起来天衣无缝。
不过，如果把这套系统直接当成 Exa 或 Tavily 的全能替代品，甚至以为智能体调用网络的成本能立刻缩减十几倍，大概率会踩进厂商精心搭建的指标陷阱。
榜单上的 12.6 次调用，偷换了什么场景
BrowseComp-Plus 是近来评估智能体深度检索能力的流行基准。它的设计初衷很纯粹：为了摆脱开放互联网的动态波动，它冻结了 100,195 篇固定文档，保留 830 个精选问题，由 GPT-4.1 担任裁判。
在这个封闭赛场里，Drex 跑出高分的秘密在于它的工作机制。它并不是像通用搜索引擎那样在全网抓取网页，而是通过文件夹、文件、段落和页面这套层级收窄机制，层层剥开私有工作区，再将精准内容交给生成模型输出带引用的结论。
这根本不是实时网页检索，而是针对企业工作区知识库的一套纵深 RAG。
拿一个针对静态文档层级过滤的内置系统，去和实时打捞外网信息的通用搜索 API 做对照，本身就是一种工作负载的错配。在固定文档集里逐级下钻，搜索调用次数自然可以大幅压缩；但这绝不意味着它能在开放网络环境下，用 12.6 次调用解决同样的难题。
调用次数减少，为何账单与延迟反而更重
商业宣传最喜欢利用单点指标制造效率跃迁的幻觉。调用次数降了 16.6 倍，直觉上成本和耗时似乎也该同比骤降。现实往往相反。
真正的区别藏在计费模型里。现有的实时网络检索 API 普遍按请求次数收费。例如 Exa 的定价从 Lite 的 $4/千次 到 Deep 的 $12/千次，Tavily 的按量付费在基础模式下为 $8/千次，即便高级模式也是 $16/千次。开发者每发起一次网络调用，成本是固定的。
Drex 走的是完全不同的路线：按 Token 计费。它的官方控制台标价为输入 $0.10/M tokens、输出 $0.50/M tokens。
| 检索服务与方案 | 计费计价基础 | 单次任务典型成本 | 响应延迟特征 |
|---|---|---|---|
| Exa (Lite ~ Deep) | 每千次请求 $4 ~ $12 | 约 $0.004 ~ $0.012 | 178ms ~ 361ms |
| Tavily (Basic ~ Advanced) | 每千次请求 $8 ~ $16 | 约 $0.008 ~ $0.016 | 260ms ~ 357ms |
| Drex for Search | 输入 $0.10/M, 输出 $0.50/M | 约 $0.018 (典型用量) | 耗时较长 (缺乏公开延迟数据) |
按 Drex 官方给出的典型案例，单个复杂问题解答需要吞吐 80k 输入 Token 与 20k 输出 Token。简单换算便知，单次问题解答的纯推理成本就达到 $0.018。如果处理 10 万次此类问答，哪怕不算前期的数据摄入成本，光是调用账单就高达 $1,800。
所谓的调用次数暴跌，只是把外网网络请求的开销，转移成了内网大上下文的计算代价。
再看耗时。Exa 和 Tavily 在第三方测试或公开文档中的端到端搜索延迟，大多稳定在 178 毫秒至 361 毫秒之间。而 Drex 在其官方文档中明确承认，智能体完成复杂检索的耗时相对更长，至今未公开 p50 或 p95 的延迟统计。单次调用如果包裹了多层文档切片与大模型深度阅读，整体交互的卡顿感会非常明显。
在系统工程里，天下没有免费的午餐。调用次数的数字被压得极低，代价是每一次调用的上下文体积和推理时间都在膨胀。
赞助报道与 512 截断，经不起细究的基准游戏
除了成本和延迟账面上的隐瞒，这次跑分本身的成色也值得打个问号。
MarkTechPost 对该成果的报道，文末明确标注由 Nace 赞助。截至目前，官方并没有公开能够供第三方独立复现的代码仓库、模型推理轨迹日志，或是防止训练集污染的审计报告。而榜单上那个被当作对比靶子的第一名，高达 209 次调用的具体系统实现同样语焉不详。
更关键的技术细节在评测协议本身。BrowseComp-Plus 的标准评测规则为了控制计算量，默认使用本地检索器，并把文档截断在前 512 个 Token。但学术界早有分析指出，这种硬截断会导致基准集中 13.5% 的查询答案直接落在截断窗口之外，形成先天缺陷。
Drex 依托其文件夹到页面的层级穿透，究竟是严格遵守了 512 Token 的截断规则，还是利用分层读取变相绕过了长度限制？在没有公开运行轨迹的前提下，这种高准确率很难让人排除协议偏差带来的红利。
- 提醒.评估智能体检索系统时，切勿轻信厂商自选评测集中的单项调用次数，必须强制核算每次调用的端到端 Token 消耗与真实网络往返延迟。
古人讲「买椟还珠」，看重了华丽的木匣，却漏掉了里面的珍珠。在智能体检索的世界里，调用次数只是那个外壳，真正的底牌永远是单位任务的综合账单与系统响应速度。在私有知识库内精细下钻确实有其工程价值，但若把特化场景下的局域收窄，包装成横扫开放网络的通用奇迹，开发者最终只会为看不见的账单买单。