Alibaba's zg: lokaal zoeken voor ontwikkelaars en AI-agents

TL;DR

• Wat: Alibaba's Zvec-team heeft zg open source gemaakt — een lokale zoektool die keyword-, BM25-, en semantische zoekmethoden combineert in één CLI.
• Waarom relevant: AI-agents worden steeds vaker ingezet voor softwareontwikkeling en kenniswerk; hoe ze zoeken in je bestanden bepaalt hun snelheid, kosten en kwaliteit.
• Wat je ermee kunt: Als je ontwikkelteam met AI-agents werkt, is het de moeite waard om te evalueren of een lokale zoeklaag als zg tokenverbruik en kosten kan drukken.

Ik kwam dit bericht tegen via het Qwen-account op X: Alibaba's Zvec-team heeft een open-source zoektool uitgebracht genaamd zg (zvec-grep). Wat mijn aandacht trok is niet de tool zelf — het is de achterliggende vraag: hoe laat je AI-agents slim zoeken in lokale bestanden zonder alles naar de cloud te sturen?

Wat is zg precies?

zg staat voor zvec-grep en is een command-line tool die je lokaal installeert via npm (npm install -g @zvec/zvec-grep). Het combineert vier zoekmethoden in één interface:

• Exact zoeken — zoals je het kent van grep of je teksteditor: zoek een woord, krijg een match.
• Regex — zoeken met patronen, handig voor ontwikkelaars die variaties willen vangen.
• BM25 — een beproefde methode voor full-text zoeken. BM25 is wat zoekmachines onder de motorkap gebruiken om te bepalen welk document het meest relevant is voor je zoekwoorden. Denk aan het verschil tussen "bevat dit woord" en "is dit document écht over dit onderwerp".
• Vector search (semantisch) — hier wordt het interessant. Semantisch zoeken begrijpt de betekenis van je vraag, niet alleen de exacte woorden. Je kunt vragen "waar wordt authenticatie afgehandeld?" en resultaten krijgen over loginlogica, zelfs als het woord 'authenticatie' nergens letterlijk staat.

Die combinatie noemen ze hybrid search. Je kunt als gebruiker of als AI-agent kiezen welke modus het beste past, of ze laten samenwerken.

Waarom lokaal?

Het woord dat steeds terugkomt is local-first. Alle bestanden, indexen en modellen blijven op je eigen machine. Er gaat niets naar een externe server.

Ik vind dat een belangrijk punt. Voor veel ondernemers — zeker in sectoren als finance, juridisch of zorg — is het versturen van interne broncode of documenten naar een cloud-API een serieus bezwaar. Privacy en compliance zijn geen bijzaak. Een tool die volledig lokaal werkt, haalt die drempel weg.

Daarnaast maakt lokaal draaien de tool sneller voor dagelijks gebruik. Geen netwerk-latency, geen API-limieten. Je zoekt gewoon in je eigen bestanden zoals je dat met een desktop-zoekmachine zou doen, maar dan slimmer.

Gebouwd voor AI-agents

Wat mij het meest opvalt aan zg is dat het niet primair voor mensen is gebouwd — of in ieder geval niet alleen. De tool is nadrukkelijk ontworpen om samen te werken met AI-agents.

Concreet: zg werkt als een MCP-tool. MCP staat voor Model Context Protocol, een standaard waarmee AI-assistenten tools kunnen ontdekken en aanroepen. Als je bijvoorbeeld werkt met Claude Code, Cursor, Codex of Qwen Code, kan de agent zg automatisch vinden en gebruiken zonder dat je het expliciet hoeft in te stellen.

Wat levert dat op?

Volgens de benchmarks die het Zvec-team publiceert op hun website (zvec.org), toont een test op de SWE-QA-Bench het volgende:

• +1,5 procentpunt hogere kwaliteit van antwoorden
• −47% tokens — de agent verbruikt bijna de helft minder tokens
• −59% tool calls — de agent hoeft minder vaak tools aan te roepen
• −38% agenttijd — het hele proces gaat sneller

Die cijfers komen van gecontroleerde A/B-tests waarbij alleen de beschikbaarheid van zg het verschil maakte, volgens de documentatie op GitHub. Ik moet hierbij wel opmerken dat dit benchmarks zijn van het team zelf. Onafhankelijke verificatie heb ik nog niet gevonden. Neem de exacte percentages dus met een korrel zout, maar de richting — minder tokens, minder tool-aanroepen — is logisch als je bedenkt wat de tool doet.

Waarom minder tokens?

Stel je voor dat een AI-agent een grote codebase moet doorzoeken. Zonder slimme zoektool leest de agent veel bestanden, stuurt grote lappen tekst naar het model, en moet meerdere keren heen en weer om het juiste antwoord te vinden. Met zg krijgt de agent direct gerankte, compacte resultaten met bestandslocaties. Minder ruis, minder herhaling, minder kosten.

Voor een ondernemer die betaalt per token — en dat is hoe de meeste AI-API's werken — kan dat een direct merkbaar verschil maken op de factuur.

Wat betekent dit voor MKB-ondernemers?

Laat ik eerlijk zijn: zg is op dit moment een tool voor ontwikkelteams. Als je geen software bouwt of geen AI-agents inzet in je werkproces, is dit niet iets dat je morgen gaat installeren.

Maar het signaal erachter is breder. Wat Alibaba hier doet past in een trend die ik steeds vaker zie: AI-tools die lokaal draaien, open source zijn, en ontworpen worden als bouwstenen voor andere AI-systemen.

Kun je je voorstellen wat dit betekent als je straks AI-agents inzet die door je interne documentatie zoeken? Of door je klantenservice-archief? De vraag is niet meer óf dat gaat gebeuren, maar hoe efficiënt en veilig het gaat.

Een paar concrete overwegingen:

• Kosten: als AI-agents slimmer zoeken, verbruiken ze minder tokens. Minder tokens = lagere kosten. Bij intensief gebruik kan dat oplopen.
• Privacy: lokaal zoeken betekent dat je data je bedrijfsnetwerk niet verlaat. Dat is relevant voor GDPR-compliance en voor klantvertrouwen.
• Keuze: open-source tools geven je keuzevrijheid. Je bent niet afhankelijk van één leverancier.

Hoe zg past in het grotere plaatje

zg komt niet uit het niets. Het is gebouwd bovenop Zvec, een embedded vector database die Alibaba eerder dit jaar open source maakte. Zvec wordt wel vergeleken met SQLite, maar dan voor vectordata — een lichtgewicht database die je direct in je applicatie inbouwt zonder aparte server.

Dat Alibaba nu een zoektool daarbovenop bouwt die specifiek is gericht op AI-agents, laat zien dat de infrastructuur voor AI-gestuurde workflows serieus volwassen wordt. Het gaat niet meer alleen om het model dat denkt — het gaat om alle hulpmiddelen die dat model nodig heeft om effectief te werken.

Tot slot

Voor mij is zg vooral een voorbeeld van hoe de gereedschapskist rond AI-agents zich uitbreidt. Niet met nóg een chatbot, maar met de onderliggende infrastructuur die bepaalt hoe goed en hoe zuinig een agent zijn werk doet. Dat is minder zichtbaar dan een spectaculaire demo, maar voor de dagelijkse praktijk misschien wel belangrijker.