当所有人都在卷模型的时候，有人偷偷把"搜索"这件事重做了一遍。

开头：一个有点反直觉的现象

先讲一件事。

前段时间我在用AI做行业调研的时候，发现一个很反直觉的现象：模型越来越聪明了，但我用AI做调研的体验并没有线性变好。

举个具体的例子：让GPT-5.6去查一家公司的最新融资情况，它能给你写一篇非常流畅的分析报告，逻辑清晰、结构完整。但仔细一看——里面有2019年的旧新闻，有竞争对手的信息被张冠李戴，还有几条数据根本找不到来源。

不是模型笨。是它拿到的原材料就有问题。

就像你招了一个顶级分析师，但给他的资料全是百度搜出来的SEO垃圾和过时信息——再聪明的人也做不出准确的判断。

这就是为什么AnySearch这款产品登顶Product Hunt周榜的时候，我一点都不意外。它定位很简单：不做人用的搜索，做Agent用的搜索。

一个中国团队做的产品，在一个被Google、Brave、Exa们轮番耕耘过的赛道里，用两个月时间冲到了PH第一。这背后到底是营销做得好，还是真的切中了什么行业痛点？

我花了一个上午把它从头到尾测了一遍。下面是真实体验。

一、先说说我是怎么测的

实测之前，我对这类"下一代搜索"产品的预期其实不高。毕竟Exa、Perplexity、Tavily这些都吹了好几轮了，各家都说自己"专为AI设计"，最后用起来大同小异。

但AnySearch的打法确实不一样。我测了三个典型场景：

场景一：英文AI行业资讯检索

查询词："AI agent latest news July 2026"

目标：看看最新的Agent领域资讯抓得准不准、新不新

场景二：中文科技热点检索

查询词："智谱AI 摸高计划 AGI 2026"

目标：验证中文源覆盖能力和时效性

场景三：结构化输出质量

对比同一条查询，AnySearch返回的内容和普通搜索结果在结构、噪声、Token量上的差异

先上结论，后面展开说：

• 速度：出乎意料的快，英文搜索878ms出5条结果，中文1秒左右
• 准确率：对热点事件的覆盖度不错，主流信源都能抓到
• 输出格式：直接给Markdown结构化内容，没有广告、没有导航栏、没有"相关推荐"
• Token效率：同样5条结果，大概比把网页全文丢进上下文省60%-70%的Token

二、它到底和普通搜索不一样在哪？

测完之后我最大的感受是：AnySearch不是在"优化搜索"，而是在"重新定义搜索的用户"。

普通搜索引擎的用户是"人"，所以它要做的事情是：给你一堆链接+标题+摘要，让你自己判断点哪个、信哪个。人有判断力，所以搜索结果可以有噪声、有重复、有SEO垃圾——大不了人自己筛选。

但Agent没有这个能力。或者说，让Agent做筛选的成本太高了——每一条结果都要读全文、做判断、消耗Token，最后可能还判断错了。

AnySearch针对的就是这个痛点。它的整条链路都是围绕"给Agent用"设计的：

1. 意图路由：不是什么都搜网页

这是它和Exa最大的区别。Exa的思路是"在网页里做更精准的语义搜索"，AnySearch的思路是"先判断该去哪个数据源找"。

它接入了23个垂直领域数据源——代码、金融、法律、学术、安全、企业商业、健康、能源……你问代码问题，它去GitHub和代码库搜；你问股票，它去金融数据库查结构化行情；你问论文，它去学术文献库找。

这个思路的优势很明显：

• 更准：垂直数据源的质量远高于通用网页爬虫
• 更快：不用先爬全文再清洗
• 更结构化：金融数据直接给字段，不用从HTML里扒

我测智谱"摸高计划"的时候，返回的第一条是澎湃新闻的报道，第二条是36氪的深度分析，第三条是网易科技转载的内部信全文——都是主流媒体、时效性也很好，没有什么乱七八糟的自媒体洗稿。

2. 前置筛选：不是把结果全丢给模型自己筛

这是我觉得它做对了的第二件事——把信息筛选的工作从模型侧前移到搜索侧。

普通AI搜索的逻辑是：搜出20条结果 → 全部丢给大模型 → 让模型自己判断哪条有用、哪条是重复的。

AnySearch的逻辑是：搜出20条结果 → 我先帮你过一遍 → 把去重、去噪、排序后的5条给你。

它有三个算法做这件事：

• 同源衰减：同一个网站的内容不会霸屏
• 信息密度仲裁：相关性差不多的时候，优先保留信息量更大的
• 混合排序：语义相关 + 时效性双维度

实测下来最直观的感受是：没有重复内容。 5条结果来自5个不同的来源，各有各的角度——澎湃是新闻报道，36氪是深度分析，网易是内部信全文。

如果用普通搜索，大概率前5条里有2-3条是互相抄的，模型还得花Token去判断"这两条是不是说的一件事"。

3. 结构化输出：直接给Markdown，不要HTML

这个功能看起来小，其实省了超多事。

普通搜索给你的是HTML页面，里面有导航栏、侧边栏、广告、相关推荐、评论区……真正有用的正文可能只占30%。Agent要先做正文提取、去噪、格式化，才能把内容喂给模型推理。

AnySearch直接返回清洗好的Markdown。标题、段落、列表、引用都给你整理好了，拿来就能用。

我大概估了一下，同样5条搜索结果，AnySearch返回的内容量大概是原始HTML的1/3到1/4——这意味着Token消耗直接省60%-70% 。

对于每天跑几百上千次搜索的Agent来说，这不是小钱。

三、三个实测场景的真实表现

光说概念太虚，给你看几个实测案例。

案例1：查最新AI资讯——快且准

查询"AI agent latest news July 2026"，878ms返回5条结果：

1. Rich Sutton（强化学习之父、图灵奖得主）离开John Carmack的Keen Technologies，创办Oak Lab，做持续学习Agent
2. MIT的SceneSmith系统，用三个Agent协作生成3D虚拟场景，给机器人做训练数据
3. Prime Intellect发布Verifiers v1，一个用于训练长程编码Agent的框架
4. 开发者爆料GPT-5.6在full access模式下会误删文件
5. 同上MIT SceneSmith的另一篇报道（techxplore转载）

质量我给打8分。前4条都是近期（7月13-14日）的热点，相关性也很高。第5条和第2条是同一事件的不同来源，有点重复，但这个重复度已经比普通搜索好多了。

案例2：查中文热点事件——中文覆盖超预期

查询"智谱AI 摸高计划 AGI 2026"，1秒左右返回3条结果：

1. 澎湃新闻：港股大模型"双雄"表现分化，智谱创始人发内部信（含完整内部信全文）
2. 36氪：中国最像Anthropic的公司，要移走"三座大山"（深度分析）
3. 网易科技：智谱创始人唐杰发布内部信，官宣摸高计划

这个结果我是有点意外的。本来以为垂直数据源这种东西英文会做得好、中文会拉胯，结果中文源的覆盖反而更精准——三家都是主流科技媒体，没有自媒体水文，而且直接把内部信全文扒出来了。

对做中文资讯类Agent的人来说，这是个好消息。

案例3：结构化对比——Token效率确实高

同一条资讯，普通方式是：搜索 → 点链接 → 抓HTML全文 → 模型读全文 → 提取要点。

AnySearch的方式是：搜索 → 直接拿到结构化摘要和正文 → 模型直接推理。

我对比了一下第一条Rich Sutton那条新闻的全文长度和AnySearch返回的长度：

• 原始网页全文：约5000多字（含导航、广告、相关推荐等）
• AnySearch返回：约1500字（纯正文+要点提炼）

Token消耗大概省了三分之二。而且格式是规整的Markdown，模型理解起来效率更高。

四、有一说一，它也不是完美的

测完之后客观地说，AnySearch有亮点，但也有明显的短板：

第一，垂直源的深度参差不齐。

23个垂直领域听起来很多，但每个领域的数据源数量和质量差异很大。金融、代码、学术这几个可能做得比较深，但像旅行、电商、游戏这些，深度有多深还不好说。毕竟它才上线两个月。

第二，基准测试数据是厂商自己测的。

官方说准确率76.4%、延迟47.8秒，比Brave和Parallel都好——但这些数据是厂商自测的，用的什么数据集、怎么测的，细节不够透明。第三方独立评测还不多。

第三，中文搜索的覆盖度还需要更多场景验证。

我测了一个热点事件（智谱摸高计划）效果不错，但如果是更垂直的话题、更细分的行业，中文数据源够不够用？还得打个问号。

第四，它解决不了"信息本身不存在"的问题。

这点是废话但还是要说。AnySearch能做的是把已有的信息更好地呈现给Agent，但如果某个信息网上根本没有，它也变不出来。模型的幻觉问题，根源不只是搜索质量。

五、真正值得思考的：搜索正在被拆成两条赛道

测完AnySearch之后，我最大的感受不是"这个产品有多牛"，而是——搜索这个行业可能正在经历一次范式拆分。

过去20年，搜索只有一条赛道：给人用的搜索。Google是王者，百度、Bing、DuckDuckGo们各有各的地盘。

但现在，搜索正在拆成两条完全不同的赛道：

一条是给人用的搜索。 Perplexity是这个方向的代表——它用AI帮你总结答案，但最终用户还是人。人需要看摘要、需要点链接、需要交叉验证。交互形态还是"搜索框+结果列表"的变体。

另一条是给Agent用的搜索。 AnySearch走的就是这条路——用户不是人，是代码、是Agent、是自动化工作流。它不需要漂亮的UI，不需要"搜索体验"，它需要的是：结构化输出、低延迟、低Token消耗、高准确率、垂直数据源接入。

这两条赛道的产品逻辑、技术路径、商业模式，可能完全不一样。

给人用的搜索，商业模式是广告——所以它天然有动机给你推更多结果、更多页面、更多广告位。

给Agent用的搜索，商业模式是API调用收费——所以它天然有动机给你更精准的结果、更少的噪声、更低的Token消耗。

商业模式决定了产品形态。 这就是为什么我觉得AnySearch这类产品会有机会——它的商业利益和用户（Agent）的利益是一致的。

六、对做Agent产品的人来说，这意味着什么？

如果你在做AI Agent相关的产品，我觉得有几个趋势值得注意：

1. "搜索质量"会成为Agent体验的核心瓶颈

模型能力越来越同质化的时候，信息输入的质量就成了木桶最短的那块板。 再聪明的Agent，给它喂垃圾信息，输出的也是垃圾。

未来的Agent竞争，可能比的不是谁的模型更聪明，而是谁的信息获取渠道更准、更快、更全。

2. 通用搜索不够用了，垂直数据源是刚需

表层网页只占全网信息的20%，剩下80%在深网里——行业数据库、学术文献库、金融终端、代码仓库、裁判文书……

做To B Agent的同学应该深有体会：客户要的信息，往往不在百度/Google能搜到的地方。你需要接七八个不同的数据源，每个都有不同的API和格式，维护成本极高。

如果有一个工具能把这些数据源统一成一个接口，价值会很大。AnySearch做的就是这件事，但它现在覆盖的23个领域还只是开端。

3. "前置筛选"比"后置推理"更重要

过去大家的思路是：搜索结果越多越好，让大模型自己去筛选。

但实际用下来会发现，让模型做筛选既费钱又容易出错。把筛选工作前移到搜索侧，用算法做去重、去噪、排序，反而更高效也更可靠。

这是一个很重要的产品思路转变——不是给Agent更多信息，而是给Agent更准的信息。

尾声

我到现在还记得刚入行做产品的时候，老大跟我说过一句话： "好的工具不是给你更多选择，而是帮你减少选择。"

放在搜索这件事上也是一样。

过去20年，搜索引擎都在努力"给你更多结果"。

但Agent时代的搜索，需要的是"给你对的结果"。

AnySearch不一定是最终的赢家——它毕竟才两个月，后面还有很长的路要走。

但它指向的方向，我觉得是对的。

当所有人都在卷模型能力的时候，有人悄悄把"搜索"这件事重做了一遍。

这可能就是Product Hunt社区用脚投票的原因吧。

后话：我没有接AnySearch的任何推广，纯自费实测。文中用到的测试数据都是匿名访问跑出来的（不用注册就能免费用，有额度限制）。如果你也在做Agent相关的产品，建议自己去测一下，看看对你的场景有没有提升——毕竟不同领域、不同语言的效果可能差异很大。