织梦冒险团配队指南 织梦冒险团强力角色组合与实战阵容思路
2026-07-29 3432930
2026-07-29 0
上线首月便收获全球10万开发者用户、Github Star 6000+，AnySearch因此早已为很多开发者熟悉。
它还取得了Product Hunt周榜第一。
它究竟是什么产品？
从诞生之初采用的就是原生For Agent设计，这套搜索基础设施服务的对象是 AI Agent；
产品由一支很年轻的中国95后、00后团队打造，仅在几个月内便快速发展起来。
前几天参加AnySearch组织的活动，得到的启发超出了预期。
全球用户达到20万、总调用次数突破 2000 万，是AnySearch上线两个月交出的成绩，创始人薛冠群对此作了介绍。
这样的用户数量与调用规模，着实让我有些意外。
它不是面向人的搜索，而是为Agent服务，却仍拥有如此多的人类用户。它究竟好在哪里，与传统AI搜索又有哪些不同？
活动现场的圆桌讨论质量很高，围绕信息准确、隐私、安全和成本等问题，揭示了Agent搜索背后许多隐蔽卡点。
衡量 Agent Search 的关键指标是什么？AnySearch 联合创始人韩广彤给出了坦诚明确的回答：上下文匹配能力与准确性、时效性、来源可信度。
官网：https://www.anysearch.com/
今天就具体说说AnySearch的使用体验。
过去三十年的搜索引擎，设计始终围绕人的视觉习惯展开。
人浏览搜索结果时，看一眼标题就能决定是否点击，扫过摘要也能判断有没有用。
Agent却不是人。
搜索结果之所以会成为分析和决策的依据，是因为它将直接进入后续推理链路；拥有更宽信息带宽的Agent，短时间内便能消化大量输入。
为人服务的相关性排序机制，对Agent来说已经过时。
一次对比测试的对象选了Brave Search、Parallel以及AnySearch。
全程保持同一款LLM不变，把覆盖Frames、FreshQA、WebwalkerQA的300道混合问题交给三家后，综合准确率最高的是AnySearch，达到76.4%。
相同的100个事实判断中，传统搜索答对64个，AnySearch则答对76个；后者出答案最快，延迟表现同样最优。
从真实使用体验看，12个答案的差距几乎等同于靠谱和不靠谱、可用和不可用的区别。
更有意思的是，它解决了一个长期困扰我的问题：AI使用搜索引擎时为什么总显得笨，而且不准确。
高质量垂直领域数据也在AnySearch的覆盖范围内，而不只限于各家均能找到的公开网页信息；由此专门向Agent输入实时性、准确性更强且可追溯的结构化信息。
不要教程，也不要示例代码，我对其他AI提出的要求很具体：找到一个能在真实项目中直接使用的Go语言生产级限流器实现。
让我自行读源码、翻文档再拼凑方案，是传统AI搜索给出一堆GitHub项目名和链接后的处理方式，其中包括golang/time/rate、uber-go/ratelimit。
我需要的是可直接使用的代码，它给出的却是一份要自行查询的链接清单。
换用AnySearch后，我得到的是调用链完整的结构化代码。摆在眼前的生产级最佳实践，涵盖HTTP Middleware集成、Sliding Window算法以及Redis加Token Bucket实现。
它的响应速度也很快，答案几乎立即生成。
身边做算法的朋友表示，他常常只想获取真实项目代码，不需要教程，也不需要文档。
AnySearch很好地满足了这个需求，终于不必再阅读大量目录索引与文字后费力继续寻找。
在Vibe Coding盛行的当下，代码搜索日益成为高频领域，工具之间的差距依旧明显。
同一项代码研究任务被交给几个接入不同搜索工具的Agent，最终所有方案都获得正确答案。调用搜索方面，其他工具分别需要7次、16次和28次，AnySearch则只需1次。
1次与28次相比，Token消耗量相差显著，效率区别也十分明显。
接着分享一个我最近遇到的场景。
为一家公司开展尽职调查，需要核查工商注册信息、融资历史、诉讼经历、核心团队背景以及用户投诉情况。
传统搜索只能提供公司官网介绍和部分公开新闻，融资方可能是虚构的，诉讼记录或许存在遗漏，投诉情况则完全未被覆盖。
我尝试使用AnySearch，结果直接以我喜欢的Markdown格式输出。
随后，我又用GPT测试了相同的搜索指令。
两者提供的基础工商信息差别不大，但到了风险部分，差距立刻显现。
中文内容存在不少欠缺，展现逻辑又停留在纯文本；究其数据范围，GPT基本只能取得公开数据。
对于平台公示的企业合规记录，AnySearch不仅可以抓取，还把这类本土公示信息处理得很到位，并完整立体地呈现关键风险维度。
即便是国外领先的大模型和搜索产品，在中国本土公开信息领域也束手无策，这显然是一项差异化优势。
数据源与Agent原生搜索定位上的差异，共同形成了跨领域聚合以及for Agent的信息逻辑。
搜索质量呈现出领域越细分垂直、相对表现越高的特点；其基础在于AnySearch聚合了20多个专业数据源，覆盖企业工商、能源、安全、学术、法律、金融等垂直领域。
论文引用可由学术数据直达；裁判文书网则能被法律数据穿透。
开发者无需再自行维护几十种不同的数据接口：只接入一个统一API，Agent便能获得精准的结构化信息。
以我的使用需求为例，许多时候无需消耗token的长篇内容，几个精确数字加上几行严谨代码就已足够。
在AnySearch的各项设计中，我认为颇为聪明的一项叫「智能意图路由」。
输入查询后，系统先判断任务的类型，再拆分出多个维度的信息需求，最后分别路由至相应数据源。
多路检索并行展开：知识产权数据库负责专利布局，法律数据库对应涉诉记录，企业工商数据则用于公司股权结构。
交给Agent的是一份标注来源的结构化结果；在此之前，返回内容会依次完成归一化、重排序及结构化融合。
无需告诉AI去哪里查询，它可以自行判断。
这与传统搜索采用的思路完全不同。
传统搜索依赖关键词匹配，返回大量链接后由用户自己选择。
AnySearch先理解用户要完成什么，再到正确的位置寻找对应答案，整理后交由AI直接使用。
互联网最突出的特点从不是信息不足，而是信息数量过多。
对于Agent来说，每一条搜索结果都会进入上下文，除了重复内容外，如果搜索结果不准，也会引发Agent自动多轮搜索，最终导致Token浪费。
因此，AnySearch设置了几项巧妙的技术设计：
同源衰减算法，为防止结果被单个站点包揽，会对同一网站的重复内容主动作降权处理；
信息密度仲裁算法，当相关性相差不大时，覆盖面更广且信息量更充足的内容会被优先留下；
营销推广内容不会因此占住前排：混合排序算法把内容时效性与语义相关性一并纳入考量，从而将最相关、真正最新的信息推向更靠前的位置。
完成这轮排序后，真正值得模型处理的信息来源才会被保留，从而避免给模型增加额外负担。
让有效内容显现、把信息熵增压下去，正是「智能意图路由」这项设计的精妙之处。
下面简单总结一下。
服务对象不是寻找网页的人类，而是需要结构化可读信息的AI；同时坚持无广告和API-First……
经过深入体验，我认为AnySearch确实属于底层基础设施，未来依托Agent生态还拥有很强的延展能力。
我认为AI下一阶段的发展不仅依靠模型能力跃升，还需要搜索、数据和工具调用等基础能力继续进化。
AI能力继续提升仍受一个主要瓶颈制约：可靠信息能否获得；与此同时，模型本身的推理能力正在飞速进步。
从供人使用的搜索工具到供机器调用的接口，AnySearch所做的本质工作就是完成这场重构。
给AI使用的结构化数据，正逐渐取代面向人展示的链接列表，成为搜索结果的新形态。
当AI无需人类协助筛选信息、解析网页和提取数据，可以独立打通信息获取到推理决策的完整链路时，许多今天看来还不太可靠的AI应用，或许才会真正变得可用。
我Agent现有的整个搜索层，我计划都改用 Anysearch。
先在官网首页试用搜索，再将请求一键复制至 Agent，任务就能接着完成。
我使用 Agent 开发时所需的精准信息搜索，注册后获得的每天1000次免费调用额度已经能够满足。
本文由作者【FrankGPT】原创/授权 发布于平台，微信公众号为【AI异类弗兰克】，未经许可不得转载。