AnySearch对许多开发者已不陌生：Github Star 6000+，上线首月即获得全球10万开发者用户。

在Product Hunt平台，它也登上了周榜第一。

这个产品究竟是什么？

它是一套为 AI Agent 打造的搜索基础设施，从第一天开始便采用原生For Agent设计；

产品由一支非常年轻的中国95后、00后团队打造，并在短短几个月内快速发展。

前几天参加AnySearch举办的活动，得到的启发远超预期。

创始人薛冠群表示，AnySearch上线两个月后，全球用户已增长至20万，总调用次数超过 2000 万。

如此多的用户和调用次数，让我颇感意外。

这是一项供Agent使用的搜索服务，却有如此多的人类用户。它好在哪里，与传统AI搜索又有哪些差别？

活动圆桌的讨论质量很高，信息准确、隐私、安全、成本……一系列Agent搜索背后的隐蔽卡点都被摆上台面。

AnySearch 联合创始人韩广彤给出了坦诚清晰的判断：衡量 Agent Search 的关键指标，将是准确性、时效性、来源可信度及上下文匹配能力。

官网：https://www.anysearch.com/

下面就详细说说AnySearch的真实使用表现。

01

搜索引擎服务于人，AnySearch服务于Agent

过去三十年的搜索引擎，设计中心始终是人的眼睛。

人浏览搜索结果时，只需扫过标题便能决定是否点击，看完摘要也能判断内容是否有用。

然而Agent并不是人。

Agent拥有更宽的信息带宽，可在短时间内处理大量输入；搜索结果会直接进入后续推理链路，成为分析和决策依据。

按照人类需求建立的相关性排序，对Agent已是一套陈旧机制。

我曾对AnySearch、Brave Search与Parallel进行过一次对比测试。

面对300道涵盖Frames、FreshQA、WebwalkerQA的混合问题，全程使用同一款LLM时，AnySearch取得76.4%的综合准确率，在三家中最高。

其延迟指标同样最佳，答案生成最快；针对同样100个事实判断，AnySearch答对76个，传统搜索只答对64个。

实际使用中，12个答案的差距，已接近靠谱与不靠谱、可用与不可用的区别。

更吸引我的是，它解决了一个困扰已久的问题：AI为何总是无法聪明、准确地使用搜索引擎。

02

AnySearch带来结构化信息输入

在各家都能找到的公开网页之外，AnySearch还覆盖高质量垂直领域数据，专为Agent输入更实时、准确且可追溯的结构化信息。

我要求其他AI寻找一个Go语言生产级限流器实现，并特别说明不要教程或示例代码，而要真实项目中可以直接使用的代码。

传统AI搜索却返回一批GitHub项目名和链接，包括uber-go/ratelimit、golang/time/rate，之后仍让我自行查文档、读源码并组合方案。

需求是可直接使用的代码，结果却只得到一份自行检索的链接清单。

切换至AnySearch后，我得到的是调用链完整的结构化代码。Redis加Token Bucket实现、Sliding Window算法、HTTP Middleware集成等生产级最佳实践直接展现在面前。

响应也很迅速，答案可以秒出。

身边从事算法的朋友表示，许多时候他不需要教程和文档，只希望找到真实项目代码。

这个问题被AnySearch很好地解决了，人们终于不必阅读大量目录索引和文字后再费力查找。

如今正值Vibe Coding发展，代码搜索场景愈发高频，不同工具间的差距仍然很大。

还有一项测试：接入不同搜索工具的多个Agent执行相同代码研究任务，全部方案都找到正确答案；但AnySearch仅使用1次搜索调用，其他工具分别使用7次、16次和28次。

1次与28次相比，Token消耗差距很大，效率区别也格外明显。

再分享一个近期遇到的场景。

开展公司尽职调查时，需要了解工商注册信息、融资历史、是否发生过官司、核心团队背景及用户投诉情况。

传统搜索只能查到公司官网简介和部分公开新闻，融资方可能存在虚构，诉讼记录可能遗漏，投诉情况则完全未被覆盖。

我用AnySearch尝试后，结果直接以我喜欢的Markdown格式输出。

对于同一搜索指令，我也使用GPT进行测试。

基础工商信息方面两者相近，到了风险部分，差异马上显现。

GPT取得的内容基本仍是公开数据，许多中文信息存在不足，展示逻辑也仅为纯文本。

AnySearch可以获取平台公示的企业合规记录，对这类本土公示信息处理充分，关键风险维度也更立体完整。

国外领先的大模型与搜索产品，在中国本土公开信息领域同样束手无策，这自然构成一项差异化优势。

跨领域聚合和for Agent信息逻辑的背后，既有Agent原生搜索定位的差异，也涉及数据源问题。

AnySearch聚合了覆盖金融、法律、学术、安全、能源、企业工商等20多个垂直领域的专业数据源；越是细分垂直的领域，搜索质量相对越高。

法律数据能够穿透裁判文书网，学术数据可以直达论文引用。

只需接入一个统一API，Agent便可直接获取精准的结构化信息，开发者也无需自行维护几十种不同数据接口。

以我的使用习惯来说，很多时候并不需要耗费token的长篇回答，几个准确数字、几行严谨代码就已经足够。

03

智能路由：不必指定AI查询位置

AnySearch还有一项我认为很聪明的设计，名为智能意图路由。

用户输入查询后，系统先识别任务性质，再拆分出多个维度的信息需求，随后分别路由至对应数据源。

查询公司股权结构时使用企业工商数据，查涉诉记录时进入法律数据库，查专利布局时调用知识产权数据库，各路检索并行展开。

返回的结果经过归一化、重排序和结构化融合后，Agent最终会得到一份标注来源的结构化结果。

无需告诉AI去哪里查，它能够自行判断。

这与传统搜索的逻辑截然不同。

传统搜索进行关键词匹配，然后给出大量链接让用户自己选择。

AnySearch则先理解任务目标，再前往正确位置查找正确答案，整理完成后交由AI直接使用。

互联网从来不是信息过少，而是信息过多。

对于Agent，每项搜索结果都会进入上下文；重复内容之外，不准确的结果还可能让Agent自动发起多轮搜索，最终浪费Token。

为此，AnySearch采用了几种颇为巧妙的技术设计：

同源衰减算法，能够主动降低同一网站重复内容的权重，防止全部搜索结果均来自单一站点；

信息密度仲裁算法，在相关性接近的情况下，会优先保留信息更丰富、覆盖更完整的内容；

混合排序算法还同步评估语义相关性与内容时效性，使真正最新、最相关的信息排得更靠前，避免前排被营销推广内容占用。

完成这一轮排序后，真正值得模型处理的信息来源才会被保留下来，不再为模型增加额外负担。

智能意图路由就是这样一项精妙设计，它抑制信息熵增，并让有效内容浮现。

04

搜索正逐渐成为AI时代的基础设施

最后简要总结。

API-First、无广告、不为人类寻找网页，而向AI提供结构化可读信息……

深入使用后，AnySearch确实让我感受到一种底层基础设施属性，未来可依托Agent生态获得很强的延展性。

AI下一阶段的发展，在我看来不只依赖模型能力跃升，也离不开搜索、数据及工具调用等基础能力的持续进化。

模型推理能力虽然快速进步，但能否获取可靠信息，仍是AI能力提升面临的最大瓶颈之一。

从本质看，AnySearch正在把面向人的搜索工具重构成面向机器的接口。

搜索结果不再只是供人浏览的链接列表，而在变成供AI使用的结构化数据。

如果AI不再依靠人类筛选信息、解析网页与提取数据，而能自行完成从信息获取到推理决策的全链路，那么许多今天看来还不太靠谱的AI应用，或许就会真正具备可用性。

我计划将自己Agent的搜索层全部替换为 Anysearch。

在官网首页完成搜索试用后，能够一键把请求复制至 Agent，并继续执行任务。

注册后每天提供1000次免费调用额度，可以满足我利用 Agent 开发时对精准信息搜索的需求。

文章由作者FrankGPT原创或授权发布于平台，微信公众号为AI异类弗兰克，未经许可不得转载。