Agent专用搜索AnySearch登顶Product Hunt，Token更省搜得更准

本期Product Hunt周榜Top 1出自中国团队，AnySearch——

一款AI搜索产品。

过去一年，PH榜一的位置被Agent、AI IDE、大模型轮番占据，几乎没见过搜索类产品的影子。

就是因为在全球开发者眼里，普通AI搜索已经很难突围了。

AnySearch这一登顶，挺新鲜。

看了下成绩单，在一项由Frames、FreshQA、WebwalkerQA组成300道问题的基准测试中，全程采用同一款LLM的条件下，AnySearch以76.4%的综合准确率领先Parallel、Brave Search；

同时，延迟方面AnySearch也是三家最优。

要说作为一个搜索产品，AnySearch还真有点特别，它不是给人用的，而是给Agent用的。

AnySearch不仅能搜到公开网页信息，还能覆盖高质量的垂直领域数据，专门给Agent提供更实时、准确、可追溯的结构化信息输入。

已经有用户现身说法，他原本用普通搜索给量化Agent扒美股资讯。

结果搜索到的内容过时消息一大堆，导致AI被误导判断失误。

更换了AnySearch之后，依靠来源去重、优先推送最新资讯，Agent拿到了靠谱情报，整套交易系统稳了不少。

（本文案例仅为用户个人体验分享，不构成任何投资建议。市场有风险，投资需谨慎。）

专为Agent打造的搜索，有意思，那必须得给我的Agent安排一下了～

你的Agent，搜商够用吗？

在实测之前，咱先说说为啥AnySearch看上去比较“新奇”。

现在不少AI搜索产品，还是把网页链接、标题和摘要丢给Agent。

这套方式对人没啥问题，扫一眼标题，就知道该不该点进去。

但Agent读取全文的成本太高了，网页里充斥的广告、SEO垃圾信息，极易造成上下文冗余。

最好的方法其实是让Agent能够直接用筛选后的有效信息解决问题。

所以对于AnySearch，咱的期待就是它能不能像官方宣称的一样，通过20多个垂类源和多源交叉过滤机制，给Agent交付更实时、准确的结构化内容。

开整！

AnySearch的接法很简单，通过API、MCP或Skill都可以，我这里就直接装的skill。

第一个任务，我想让AI帮我找到真实的生产级代码：

我在做一个项目，需要用Go实现一个API限流器，我不想看教程，给我真实开源项目里的生产级代码。

在使用AnySearch之前，我先用AI跑了一遍，结果不出所料，人家甩给我几个经典链接，摘了几段核心代码就算敷衍我了……

再看看AnySearch实力如何。

这次我得到的是结构化代码，调用链更完整，可以直接借鉴实现。

然后我又选了一个非常典型的搜索场景，对一家公司做尽调，摸清底细。

这次我选择了Exa和AnySearch分别执行相同的搜索指令，将搜索结果传递给Agent生成报告。

两份报告开篇的基础工商注册信息维度覆盖度相近，基础公开资料完整度差距不大。

然后我又仔细看完了两份调查，有一个最明显的发现是，海外搜索引擎还是对国内事件了解不够。

在报告的风险部分，AnySearch能够精准抓取平台公示的企业合规相关记录；

而Exa输出的报告完全缺失这一类本土公示信息，关键风险维度直接空白。

经过这轮对比，我有点理解为啥AnySeaarch能拿PH榜Top 1了。

AnySearch不仅是能给到结构化信息，而且搜到的内容更全更新。

接下来我又让AnySearch做了一份全球能源市场报告，涵盖美国天然气库存变化、欧洲各国日前电价走势、澳洲电网碳排放强度。

最后我拿到的报告很详细，分区域库存明细、14国电价走势复盘、碳排放因子全拉齐了。

关键是，搜到的这些数据都是实时的。

美国天然气库存用的是EIA 7月9日刚发布的最新一期，欧洲电价甚至追到了7月12日的日前交割价。

测也测完了，那就来聊聊大家好奇的另一个问题：

AnySearch到底做了什么，才把搜索质量拉开这么大？

让AI看到网页之外的世界

它重新设计了一套适配Agent工作的搜索方式。

对Agent来说，如果源头拿到的素材本身就不靠谱，后面的推理能力再强，也是在错误的信息基础上白费力。

问题在于，Agent要面对的数据，本来就不在同一个地方。

一句提问背后，可能对应代码仓库、企业数据库、法律文书、学术平台、金融数据等完全不同的数据世界。

跟Exa搜索思路不同，Exa是在网页世界里做搜索，AnySearch则直接连接了网页之外的垂直数据源。

AnySearch搭建了覆盖通用搜索和20多个垂直领域的数据体系，包括代码、法律、学术、金融、安全、企业商业等多个方向。

△一个查询从进入AnySearch到交付给Agent

经过的处理管线

所以搜索的第一步，AnySearch会先进行一次智能意图识别，根据问题自动选择最合适的数据路径。

问公司背景，去翻工商数据库、投诉平台、专利库；问能源行情，去拉实时电价和库存数据。问代码实现，就去GitHub仓库里翻源码。

如果一个问题可能涉及多个领域，它又会同时发起多条搜索路径并行查询，谁先返回高质量结果，就优先进入后续流程，不会让Agent白等。

不过，选对渠道只是开端。

互联网最大的特点，从来不是信息太少，而是信息太多。

普通搜索引擎里经常出现同一个网站霸占大量版面，大量文章互相洗稿转载的情况。

对于人来说，这可能只是多翻几页的事儿；

但对于Agent而言，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。

并且，重复内容越多，真正有价值的信息反而会被稀释。

Tavily、Exa虽然也做了去重处理，但它们更多是把一堆结果全部返回给Agent，再靠模型烧Token自行筛选。

AnySearch专门针对AI读取方式，重新做了一套排序算法，将信息筛选前置。

同源衰减算法，会主动降低同一网站重复内容的权重，避免整个搜索结果都来自一个站点；

信息密度仲裁算法，会在相关性相近时，优先保留信息量更丰富、覆盖更全面的内容；

与此同时，混合排序算法还会同时考虑语义相关性和内容时效性，让真正最新、最相关的信息排到更靠前的位置，不会被营销推广内容挤占前排位置。

经过这一轮排序之后，留下来的才是真正值得交给模型处理的信息来源，不给模型增添额外负担。

△图片AI生成

但即便是搜索到了高质量网页，这些内容依然不能直接交给模型。

于是AnySearch会完成最后一步内容整理，把模型不需要理解的元素全部剥离。

自动完成正文提取、页面去噪、内容清洗，再统一转换成Markdown结构化格式，把真正有价值的信息保留下来。

这时候Agent拿到的就是一份已经整理好的、可以直接进入推理阶段的数据。

整套过程既减少了上下文长度，也降低了Token消耗，让模型把更多算力放在思考问题本身。

到这里，搜索的问题已经解决了。但对于开发者来说，一个真正能放进工作流里的搜索系统，还得考虑工程层面的稳定性。

所以AnySearch又做了Agent原生设计，接入方式支持贴合开发者习惯的API，MCP和Skill；

还加入了自动容错、超时管控等工程能力，即使某一路数据源出现异常，也不会拖慢整个搜索流程，而是会自动切换可用路径，保证任务能够继续执行。

从搜索入口、结果排序，到信息处理，再到最终交付给模型，AnySearch几乎把整个信息获取链路都重新按照Agent的工作方式设计了一遍。

搜索，正在成为Agent时代的基础设施

过去很长时间，大家讨论大模型时，焦点几乎都是模型本体。

参数规模、推理能力、代码水平……好像只要模型越来越聪明，Agent就会越来越好用。

但真正开始做Agent之后会发现，很多任务失败，问题并不出在模型思考环节，而是第一步拿到的信息就已经错了。

再顶尖的大模型，也没法凭空生成实时资讯，更不可能把缺失的数据“推理”出来。

模型负责思考，搜索负责获取事实。

在模型性能持续内卷的当下，信息获取能力的短板反而会越来越突出。

前者决定Agent的能力上限，后者决定Agent的能力下限，而且模型越聪明，对信息质量越敏感。

换句话说，Agent时代的搜索需要被重新定义。

过去，搜索的目标是帮助人找到网页；

现在，它开始承担另一项任务，为Agent持续提供能够直接参与推理和执行的高质量信息。

AnySearch踩中的正是这个变化。

AnySearch的团队，没有选择继续做一个面向人的搜索产品，而是围绕Agent重建搜索方式。

放眼目前国内外市场，无论是Exa、Parallel、Brave还是Tavily，都在探索AI搜索的不同方向；

但它们普遍的思路是依托全网网页资源，在检索完成之后依靠大模型完成结果过滤和内容提炼。

AnySearch则实现范式升级，搜索前依靠意图路由匹配垂直数据源，搜索阶段完成前置筛选，最后输出结构化内容，真正把搜索当作Agent的基础设施去打磨。

一个才上线两个月的Agent搜索产品能够冲上Product Hunt周榜第一，本身就说明AnySearch切中了行业刚需。

开发者的诉求十分明确：让Agent稳定获取真实、实时、可用的信息，并持续完成真实世界里的任务。

所以，如果你的Agent“搜商”也还差点意思，那AnySearch真可以安排一下～

AnySearch支持匿名体验，不用注册，Skill/MCP/API开箱即搜；

不过这边还是建议注册一下——

因为注册之后每天能拿1000次免费搜索调用额度（doge）。

官网体验：http://www.anysearch.com

项目地址：https://github.com/anysearch-ai

文章来自于微信公众号 “量子位”，作者 “量子位”