AnySearch对许多开发者并不陌生：Github Star达到6000+，上线首月便吸引全球10万开发者用户。

它还登上了Product Hunt周榜第一。

它究竟是什么产品？

这是专门面向 AI Agent 构建的搜索基础设施，从诞生第一天起便采用原生For Agent设计；

产品出自一支年轻的中国95后、00后团队，并在短短几个月内快速发展。

前几天参加AnySearch举办的活动，获得的启发超出预期。

创始人薛冠群介绍，AnySearch上线两个月后，全球用户已增至20万，总调用次数超过 2000 万。

这样的用户规模和调用次数，确实让我有些意外。

搜索不是供人使用，而是服务Agent，却仍吸引如此多的人类用户。它的优势究竟在哪里，与传统AI搜索又有哪些区别？

活动现场的圆桌讨论质量很高，围绕信息准确、隐私、安全和成本等方面，揭示了许多Agent搜索背后不易察觉的卡点。

AnySearch 联合创始人韩广彤坦率而清楚地表示，衡量 Agent Search 的关键指标，将是准确性、时效性、来源可信度和上下文匹配能力。

官网：https://www.anysearch.com/

今天就详细聊聊AnySearch的实际使用体验。

01

传统搜索引擎面向人设计，AnySearch则服务Agent

过去三十年间，搜索引擎始终围绕人的视觉阅读方式设计。

人们浏览结果时，扫过标题便能决定是否点击，看到摘要也能判断内容有无价值。

Agent却不同于人。

由于信息带宽更宽，Agent可以在短时间内处理大量输入；搜索结果还会直接进入后续推理链路，成为分析和决策依据。

以人的阅读为目标建立的相关性排序机制，对Agent而言已经过时。

我曾把AnySearch与Brave Search、Parallel进行对比测试。

测试包含300道混合问题，覆盖Frames、FreshQA、WebwalkerQA，全程使用同一款LLM；AnySearch取得76.4%的综合准确率，在三家中排名最高。

它的延迟同样最优，输出答案最快。面对相同的100个事实判断，AnySearch答对76个，而传统搜索只答对64个。

相差的12个答案，在真实使用中几乎就是可靠与不可靠、可用与不可用之间的区别。

更有意思的是，它回答了一个困扰我许久的问题：AI使用搜索引擎时，为什么总显得笨拙而且不准确。

02

AnySearch提供结构化信息输入

在各家都可检索的公开网页之外，AnySearch还能覆盖优质垂直领域数据，专门向Agent提供时效更高、更加准确且可追溯的结构化信息输入。

我曾要求其他AI寻找一个Go语言生产级限流器实现，并明确排除教程和示例代码，只要能在真实项目中直接使用的代码。

传统AI搜索返回了一批GitHub项目名和链接，包括uber-go/ratelimit、golang/time/rate，随后让我自行查看文档、阅读源码并拼接方案。

我的需求是可直接使用的代码，得到的却是一份需要自行查阅的链接列表。

改用AnySearch后，我获得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都被直接呈现出来。

而且响应非常迅速，答案能够即时生成。

一位从事算法的朋友也表示，他并不需要教程或文档，许多时候只希望获得真实项目代码。

AnySearch很好地处理了这一需求，不必再浏览大量目录索引与文字后费力查找。

在Vibe Coding兴起的今天，代码搜索正成为更加高频的应用领域，工具之间的差距也很明显。

另一项测试让接入不同搜索工具的Agent完成同一个代码研究任务。各套方案都找到了正确答案，但AnySearch仅调用搜索1次，其他工具则分别调用7次、16次和28次。

从1次到28次，Token消耗差异很大，效率差距同样十分明显。

再分享一个近期遇到的使用场景。

进行公司尽职调查时，需要查询工商注册资料、融资历史、诉讼情况、核心团队背景以及用户投诉记录。

传统搜索只能找到公司官网介绍和部分公开新闻，融资方信息可能失实，诉讼记录可能遗漏，投诉情况则完全没有覆盖。

使用AnySearch尝试后，它直接输出了我偏好的Markdown格式。

对于同一条搜索指令，我也用GPT做了测试。

双方在基础工商信息上表现接近，进入风险部分后差距便显现出来。

GPT获取的内容仍以公开数据为主，不少中文资料有所缺失，呈现逻辑也只是纯文本。

AnySearch可以抓取平台公示的企业合规记录，对此类本土公示信息处理得很到位，各项关键风险维度也呈现得立体而完整。

即使是国外领先的大模型和搜索产品，面对中国本土公开信息也难以发挥作用，这无疑构成了一项差异化优势。

跨领域聚合与for Agent信息逻辑的背后，不仅体现Agent原生搜索定位的不同，也与数据源有关。

AnySearch聚合了金融、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；领域划分越细，搜索质量往往越高。

法律数据可以穿透裁判文书网，学术数据则可直达论文引用。

借助统一API，Agent可以直接获得精确的结构化信息，开发者也不必自行管理几十种不同的数据接口。

就我的使用习惯而言，很多时候并不需要消耗token的长篇内容，几个准确数字或几行严谨代码已经足够。

03

智能路由：无需告诉AI去哪里查询

AnySearch还有一项很聪明的设计，即智能意图路由。

收到查询后，系统会先判断任务类型，再把任务拆分为多个维度的信息需求，并将它们分别路由至相应数据源。

查询公司股权结构时使用企业工商数据，查询涉诉记录时进入法律数据库，了解专利布局时则访问知识产权数据库，并行完成多路检索。

结果返回后，系统依次完成归一化、重排序和结构化融合，最终交付给Agent一份标注来源的结构化结果。

不必指定AI去哪里查询，它能够自行判断。

这套思路与传统搜索完全不同。

传统搜索依靠关键词匹配，返回大量链接供用户自行筛选。

AnySearch会先理解任务目标，再前往正确的位置寻找正确答案，整理完成后直接交由AI使用。

互联网从来不缺信息，其最突出的特征恰恰是信息过多。

对于Agent，每项搜索结果都会进入上下文。除了重复信息，结果不准确还会促使Agent自动展开多轮搜索，最终造成Token浪费。

为此，AnySearch采用了几项巧妙的技术设计：

同源衰减算法，会主动调低同一网站重复内容的权重，防止全部搜索结果集中于单个站点；

信息密度仲裁算法，会在相关程度相近时，优先留下信息更丰富、覆盖范围更完整的内容；

混合排序算法还会兼顾语义相关程度和内容时效性，使真正最新且最相关的信息获得更高位置，避免前排结果被营销推广内容占据。

完成这一轮排序后，真正值得模型处理的信息来源才会留下，从而避免增加额外负担。

智能意图路由正是这样一项精妙设计：通过抑制信息熵增，使有效内容呈现出来。

04

搜索正逐渐成为AI时代的基础设施

下面进行简要总结。

API-First、没有广告、不替人类寻找网页，而为AI提供结构化可读信息……

经过深入体验，AnySearch给我的感受确实更像底层基础设施，未来依托Agent生态具备很强的扩展空间。

在我看来，AI迈向下一阶段不能只依赖模型能力提升，搜索、数据和工具调用等基础能力也必须持续演进。

模型推理能力正在高速提高，但是否能够获得可靠信息，依然是制约AI能力提升的主要瓶颈之一。

AnySearch所做的事情，本质是将搜索从服务人的工具改造成面向机器的接口。

搜索结果正在由供人浏览的链接列表，转变为AI可以使用的结构化数据。

如果AI无需人类协助筛选信息、解析网页和提取数据，便能自行打通从信息获取到推理决策的完整链路，那么许多今天看似仍不可靠的AI应用，或许就会真正具备可用性。

我准备把自己Agent使用的搜索层全部更换为 Anysearch。

在官网首页完成搜索试用后，用户可以一键复制请求至 Agent，接着完成任务。

注册用户每天可获得1000次免费调用额度，足以满足我使用 Agent 开发时的精准信息搜索需求。

本文由【FrankGPT】原创/授权发布于平台，作者微信公众号为【AI异类弗兰克】，未经许可不得转载。