Agent专用搜索登顶Product Hunt，Token更省搜得更准-星锐云联资讯网

闻乐发自凹非寺 | 量子位 | 公众号 QbitAI

本期Product Hunt周榜Top 1由中国团队AnySearch拿下，专准这是用搜一款专为Agent打造的AI搜索产品。

回顾过去一年，索登省搜PH周榜榜首长期被Agent、顶P得更AI IDE及大模型产品占据，专准搜索类产品鲜少露面。用搜因为在开发者眼中，索登省搜面向普通用户的顶P得更通用AI搜索已陷入红海，难以突围。专准

因此，用搜AnySearch此次登顶显得尤为新鲜。索登省搜

硬核数据表现：
在由Frames、顶P得更FreshQA、专准WebwalkerQA组成的用搜300题基准测试中，在统一LLM环境下，索登省搜AnySearch以76.4%的综合准确率，显著领先Parallel和Brave Search。

同时，AnySearch在响应延迟方面也是三家中最优的。

核心差异：专为Agent设计
AnySearch并非面向人类用户，而是专为Agent提供更实时、准确、可追溯的结构化信息输入。它不仅覆盖公开网页，还深入高质量垂直领域数据。

用户实测案例：
某用户此前使用普通搜索为量化Agent获取美股资讯，因信息过时导致AI误判。更换AnySearch后，凭借来源去重和最新资讯优先推送机制，Agent获取了可靠情报，交易系统稳定性显著提升。

（注：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。）

视频地址：https://mp.weixin.qq.com/s/xv3ukK9_KjdGCtov95uTYA

专为Agent打造的搜索，确实值得尝试。那么，你的Agent“搜商”够用吗？

为什么AnySearch如此“新奇”？

传统AI搜索往往直接将网页链接、标题和摘要丢给Agent。这种方式对人类友好，但对Agent而言，读取全文成本极高。网页中的广告、SEO垃圾信息极易造成上下文冗余。

理想状态应是让Agent直接获取筛选后的有效信息。AnySearch通过20多个垂直源和多源交叉过滤机制，旨在交付更实时、准确的结构化内容。

实测环节

AnySearch支持通过 API、MCP 或 Skill接入，本文采用Skill方式安装。

测试1：寻找生产级代码

任务：使用Go实现API限流器，要求真实开源项目代码，非教程。

传统AI搜索：仅给出经典链接和核心代码片段，缺乏完整性。
AnySearch：提供结构化代码，调用链完整，可直接借鉴实现。

测试2：公司尽职调查

任务：对比Exa与AnySearch，生成公司调查报告。

基础信息：两者在工商注册等基础公开资料覆盖度上差距不大。
风险洞察：
Exa：对国内事件了解不足，缺失本土公示信息，关键风险维度空白。
AnySearch：精准抓取平台公示的企业合规记录，风险维度完整。

测试3：全球能源市场报告

任务：涵盖美国天然气库存、欧洲日前电价、澳洲电网碳排放。

结果：报告详尽，包含分区域库存明细、14国电价走势复盘及碳排放因子对齐。
实时性验证：
美国天然气库存引用EIA 7月9日最新数据。
欧洲电价追踪至7月12日日前交割价。

AnySearch如何拉开搜索质量差距？

1. 连接网页之外的垂直数据世界

Agent面临的数据源分散于代码仓库、企业数据库、法律文书、学术平台及金融数据中。
* Exa思路：仅在网页世界搜索。
* AnySearch思路：直接连接网页之外的垂直数据源。

AnySearch构建了覆盖通用搜索及20+垂直领域（代码、法律、学术、金融、安全、商业等）的数据体系。

智能意图识别与路由：
查询进入AnySearch后，系统首先识别意图并选择最佳数据路径：
* 查公司背景 -> 工商数据库、投诉平台、专利库。
* 查能源行情 -> 实时电价、库存数据。
* 查代码 -> GitHub源码。

若涉及多领域，系统并行查询，优先返回高质量结果，避免Agent等待。

2. 前置筛选：解决信息过载与Token浪费

互联网信息冗余严重，重复内容会稀释价值，并导致Agent因错误信息触发多轮搜索，浪费Token。Tavily和Exa虽去重，但多是将结果全量返回，由模型自行筛选。

AnySearch针对AI读取特性，重新设计了排序算法：

同源衰减算法：降低同一网站重复内容的权重，避免结果单一化。
信息密度仲裁算法：在相关性相近时，优先保留信息量大、覆盖全面的内容。
混合排序算法：综合语义相关性与内容时效性，确保最新、最相关信息置顶，屏蔽营销推广。

经过排序，仅保留值得模型处理的高质量来源，减轻模型负担。

(注：图片为AI生成示意图)

3. 内容清洗与结构化交付

即使获取高质量网页，也不能直接交给模型。AnySearch执行最后一步整理：
* 自动提取：正文提取、页面去噪、内容清洗。
* 格式统一：转换为Markdown结构化格式。

Agent最终获得的是可直接进入推理阶段的数据，既缩短上下文长度，又降低Token消耗，让模型算力聚焦于思考本身。

4. 工程稳定性：Agent原生设计

为适应工作流，AnySearch提供API、MCP、Skill接入，并具备：
* 自动容错：数据源异常时自动切换可用路径。
* 超时管控：保证任务持续执行。

从入口、排序、处理到交付，AnySearch重构了Agent的信息获取链路。

搜索：Agent时代的基础设施

过去，大模型讨论焦点在于参数规模与推理能力。但实际应用中，许多任务失败源于初始信息错误。再顶尖的模型也无法凭空生成实时资讯或推理缺失数据。

模型决定Agent的能力上限。
搜索决定Agent的能力下限。

模型越聪明，对信息质量越敏感。因此，Agent时代的搜索需要被重新定义：从“帮人找网页”转变为“为Agent提供可直接参与推理的高质量信息”。

AnySearch并未延续面向人的搜索逻辑，而是围绕Agent重建搜索范式。相比Exa、Parallel、Brave、Tavily等依赖全网网页+模型后过滤的方案，AnySearch实现了范式升级：
1. 搜索前：意图路由匹配垂直数据源。
2. 搜索中：前置筛选。
3. 输出：结构化内容。

上线仅两个月即登顶PH周榜，印证了其切中行业刚需：让Agent稳定获取真实、实时、可用的信息，以完成真实世界任务。

AnySearch 使用指南