AnySearch
專為 AI Agent 打造的實時結構化搜尋基礎設施，支援二十餘個垂直領域資料來源，以標準化 Markdown 格式交付可直接用於推理的結構化資訊
深度報告
-
AnySearch 是一款由中國團隊研發、專為 AI Agent 設計的搜尋基礎設施產品，2026 年 5 月正式上線，一個月內吸引超過十萬名開發者接入，並登頂 Product Hunt 周榜——成為過去一年來首個從 AI Agent 和大模型產品中突圍的搜尋類產品。它的核心邏輯很簡單：傳統搜尋引擎是為人類設計的，返回的是網頁連結和摘要，需要人類自己點選、篩選、判斷；但 AI Agent 需要的不是「一堆可以看的網頁」，而是「可以直接用於推理的結構化資訊」。AnySearch 圍繞這一目標，從資料層、演算法層到輸出層全面重構了搜尋流程，推出一套覆蓋二十餘個垂直領域的聯邦多源資料體系、智慧意圖路由能力和標準 Markdown 結構化輸出，實測可將 Token 消耗降低 60% 至 70%。
-
AnySearch 的開發團隊是一群來自中國的 AI 開發者和工程師，他們觀察到一個核心矛盾：大模型越來越聰明，但 AI Agent 的落地效果並沒有同步提升。問題出在資訊入口——不管是 ChatGPT 的內建搜尋、Coze 的搜尋引擎外掛，還是 Dify 等開源框架自接的搜尋 API，底層都依賴傳統搜尋引擎。傳統搜尋的設計邏輯圍繞「人」展開：使用者輸入關鍵詞，返回一堆連結和摘要，由人自己判斷該點哪個、信哪個。但 Agent 沒有這個能力，或者說，讓 Agent 做篩選的成本太高——每一條結果都要抓取全文、解析 HTML、過濾廣告，消耗大量 Token 還可能引入錯誤。 AnySearch 於 2026 年 5 月 11 日正式上線。首月便吸引了超過十萬名開發者接入使用，GitHub Star 數突破四千，使用者覆蓋亞太、北美、歐洲等多個地區。產品最早以搜尋 Skill 的形式在 GitHub、ClawHub 等開發者社群傳播，上線一週便在 Skills.sh 獲得了極高關注度。2026 年 7 月 6 日在 Product Hunt 釋出後，以 538 票登頂當日第一，並拿下週榜冠軍。 值得注意的是，AnySearch 沒有選擇繼續做「面向人的搜尋」，而是徹底跳出了 C 端搜尋的產品邏輯，從誕生之初就定位為面向 AI Agent 的底層搜尋支撐。這一差異化定位恰好切中了智慧體時代的基礎設施空白，也是它能在激烈競爭中獲得開發者認可的核心原因。
-
AnySearch 的能力體系圍繞「服務 Agent 推理」的核心目標設計，從五個維度形成完整覆蓋帶。 聯邦多源資料架構：二十餘個垂直領域全覆蓋 AnySearch 採用「通用索引補長尾 + 高價值垂類自建深度索引」的聯邦多源架構。通用網頁索引負責覆蓋長尾、泛領域的日常資訊需求，保障基礎的資訊廣度；另一層是高價值垂直領域自建深度索引，覆蓋金融、法律、醫藥、網路安全、產業研究、程式碼開發、企業商業資訊等二十餘類專業賽道。在 v2.1.0 版本中，團隊完成了自建資料來源體系與融合搜尋演算法的重構，進一步將垂直領域搜尋設定為預設檢索路徑，通用網頁搜尋僅作為例外補充方案，專業場景的資訊豐富度和準確性都得到了提升。 智慧意圖路由：一次查詢精準匹配多源資料 AnySearch 不是對所有查詢執行全域檢索。當一條查詢進入系統後，它會先做查詢理解與意圖識別，判斷當前查詢的任務型別——比如一條包含企業股權結構、涉訴記錄、專利佈局的綜合查詢，系統識別為企業研究類任務，拆解成三個細分維度後，分別路由至對應的垂直資料來源，多路並行執行檢索。開發者無需手動指定查詢所屬領域，也不用分別對接多套資料介面，單次請求即可完成多源資料的整合。 前置篩選演算法：不讓 Agent 自己篩垃圾 這是 AnySearch 與絕大多數搜尋產品最核心的區別。傳統 AI 搜尋的邏輯是「搜出 20 條結果，全部丟給大模型，讓模型自己判斷哪條有用」。AnySearch 把篩選工作從模型側前移到了搜尋側，用三種演算法完成前置處理：同源衰減機制，主動降低同一網站重複內容的權重，避免單來源內容佔據過多結果位；資訊密度仲裁機制，在內容相關性相近的情況下，優先保留資訊量更豐富、資料維度更完整的頁面；混合排序機制，同時兼顧內容的語義相關性與釋出時效性，在保證匹配度的前提下優先推送更新的資訊，避免過時內容干擾智慧體決策。 標準化結構化輸出：直接給 Markdown，不要 HTML 所有搜尋結果都以標準化的 Markdown 格式交付。在返回結果之前，系統已經自動完成了頁面清洗、噪聲剔除、資訊提取、格式規整的全部工作，去掉了網頁廣告、冗餘 HTML 標籤、無關頁面碎片等無效內容，只保留核心有效資訊。每條結果附帶權威信源標註，方便後續的資訊溯源和校驗。實測資料顯示，同樣 5 條搜尋結果，AnySearch 返回的內容量大約是原始 HTML 的三分之一到四分之一，Token 消耗直接節省 60% 到 70%。 三種接入方式：Skill / MCP / REST API AnySearch 原生支援三種接入方式，覆蓋從原型驗證到生產部署的不同階段需求。Skill 外掛形式支援視覺化配置與一鍵安裝，適合使用成品 Agent 工具的使用者，零程式碼完成接入。MCP 協議接入原生支援模型上下文協議，適配 Cursor、Claude Desktop、OpenClaw 等主流 Agent 客戶端，配置成本低。REST API 介面相容各類程式語言與 Agent 開發框架，支援深度定製化開發，適合自研 Agent 的團隊。
-
AnySearch 面向個人開發者提供永久免費版本，註冊使用者每日可獲得一千次免費搜尋呼叫額度，智慧意圖路由、垂直領域搜尋、結構化 Markdown 輸出等核心功能均可正常使用，不存在功能閹割。無需 API 金鑰也可使用基礎功能，僅呼叫頻率有限制。面向團隊與企業使用者，提供不同規格的付費方案，使用者可以根據業務規模和呼叫量級靈活選擇。 這一分層定價策略的邏輯清晰：個人做原型驗證和小型專案，免費額度完全夠用；生產級部署則按量付費。從商業模式看，AnySearch 的收入來源是 API 呼叫收費——這和麵向人類的搜尋靠廣告變現完全不同。API 收費模式天然驅動它提供更精準的結果、更少的噪聲、更低的 Token 消耗，因為使用者的利益就是它的利益。
-
產品在 Product Hunt 釋出後，開發者社群的反應非常活躍。評論區的討論集中在幾個方面：去重機制的實際效果、多源並行搜尋的延遲與成本、輸出結構的靈活度。有使用者指出，「當兩個可信來源真正矛盾時，去重不應該把它們揉成一個答案」，AnySearch 團隊回應稱會保留來源分歧，以「三者一致、一方異議」的結構化方式呈現。還有量化交易領域使用者反饋，使用通用搜尋工具為智慧體提供市場資訊時，過時訊息會導致判斷偏差；切換到 AnySearch 後，依靠來源去重機制與時序優先排序，智慧體獲取到了時效性更強的可靠資訊。 掘金上有開發者做了詳細實測，三個場景的結論是：英文 AI 資訊檢索 878ms 返回 5 條相關結果；中文熱點搜尋對主流科技媒體的覆蓋精準；Token 效率方面，同樣 5 條結果比把網頁全文丟進上下文節省 60% 至 70%。該開發者認為 AnySearch「不是在最佳化搜尋，而是在重新定義搜尋的使用者」。
-
極客公園的深度分析文章將 AnySearch 稱為「AI 時代的搜尋基礎設施」，認為它從定位、能力到接入的全鏈路設計都圍繞 Agent 的真實需求展開，適配了傳統搜尋覆蓋不足的專業場景需求。中國經濟時報的報道指出，AnySearch 登頂 Product Hunt 折射出開發者關注點的變化——AI 競爭正在從模型能力延伸到搜尋、資料等基礎設施環節。多家科技媒體（量子位、機器之心、騰訊新聞）均做了專題報道，認為 AnySearch「補齊了 AI Agent 的搜尋短板」。 在競品格局方面，AnySearch 的主要對標產品包括 Exa、Tavily、Brave Search 和 Parallel。根據官方公佈的基準測試資料，在由 Frames、FreshQA、WebwalkerQA 組成的 300 道問題測試中，全程使用同一款 LLM 的條件下，AnySearch 以 76.4% 的綜合準確率領先 Parallel 和 Brave Search，延遲表現也處於最優水平。不過需要指出的是，這些資料是廠商自測的，尚未有充分的第三方獨立評測驗證。
-
AnySearch 面世時間尚短（僅兩個多月），一些潛在問題值得關注。首先，23 個垂直領域聽起來覆蓋面很廣，但每個領域的資料來源數量和質量參差不齊。程式碼、金融、學術這幾個領域可能做得比較深，但旅行、電商、遊戲等領域的深度還有待驗證。其次，基準測試資料是廠商自測的，獨立第三方評測還不多，76.4% 的準確率在更復雜的真實場景中能否保持仍需觀察。中文搜尋的覆蓋度在熱點事件上表現不錯，但面對更細分的長尾話題，中文資料來源的深度夠不夠用，還要打一個問號。再者，AnySearch 解決的是「已有資訊的最佳化呈現」，如果某個資訊在網際網路上根本不存在，它也變不出來——模型的幻覺問題，根源不只是搜尋質量。
-
AnySearch 適合以下幾類使用者：正在用 Cursor、Claude Code、OpenClaw 等工具做 AI 開發的個人開發者，可以快速為本地智慧體補充專業搜尋能力，無需自行搭建搜尋與內容清洗管線；使用 Dify、FastGPT 等開源框架搭建 Agent 產品的團隊，可以用 AnySearch 作為統一的搜尋能力入口，替代多套分散的資料介面；以及需要做量化交易、企業盡調、行業研究等專業場景的使用者。不太適合的場景包括：純日常網頁問答需求（用 Brave 或 Serper 更輕量）、不需要實時外部資訊的閉域 Agent、以及對資料來源範圍有嚴格限制需要完全自控的企業場景。
-
AnySearch 不是 Google 的替代品，也不是 Perplexity 的競品——它在做一件不同的事。它為 AI Agent 建了一套好用的資訊索引系統，讓 Agent 能在幾十秒內完成傳統方式需要多次呼叫、大量清洗才能完成的資訊獲取工作。在模型能力越來越同質化的今天，資訊輸入的質量正在成為 Agent 體驗的木桶最短的那塊板。AnySearch 指向的方向是對的——不是給 Agent 更多資訊，而是給 Agent 更準的資訊。這家中國團隊用兩個月時間走到 Product Hunt 第一，靠的不是營銷，而是切中了一個真實且正在快速增長的需求。
使用者評論
-
AngelaRodriguez_998—公司把 AnySearch ���入到客服 Agent 的調研模組，用來做競品動態追蹤。效果還不錯，每天自動拉取競品的最新融資新聞、產品更新和使用者反饋，生成結構化簡報，團隊早上花五分鐘就能瞭解前一天的市場動態。以前這個工作需要一個人花兩小時刷各大科技媒體、產品社群和投資平臺，現在 Agent 在後臺自動完成。AnySearch 的零留存策略也符合公司的資料合規要求，不用擔心查詢內容被用於模型訓練或者留存。唯一的問題是有時候對特定垂直領域的覆蓋不夠深，比如物流科技這個細分賽道的索引資料偏少。 -
Abigail_Brown_Max4—把 AnySearch 做為一個 MCP Server 接入到 Cursor 之���，整個開發體驗提升了一個檔次。很多時候寫程式碼需要查文件、查 API 變更、查社群最佳實踐，以前要手動切出去搜半天。現在直接在 Cursor 裡讓 Agent 去查，返回的都是清洗過的結構化內容，不用再關心廣告和 SEO 垃圾。最讓我驚喜的是程式碼搜尋能力，讓它查一個 Go 的限流器實現，直接返回了 GitHub 上的生產級原始碼和呼叫鏈分析，比自己去 GitHub 上搜效率高多了。而且因為輸出帶來源標註，用起來也放心。 -
Keith_Vasquez168606—在 Claude Desktop 裡裝了 AnySearch 的 MCP，配好之後給我的研究 Agent 用。以前做一個行業深度的競爭分析，需要手動把多個資料來源的結果拼在一起，很費時間。現在一句話丟給 Agent，它會自動幫我拉齊公開資訊、媒體報道、使用者反饋和行業觀點，而且返回的內容不像以前那樣有大量的噪音資訊。Token 也省了很多，原來每次調研光搜尋環節就能燒掉幾千 Token，現在明顯感覺到上下文視窗更乾淨了。就是配置文件對於一些高階引數的解釋還不夠詳細，希望能補上。 -
beautifulfish102—裝了一天真心覺得 AnySearch 就是那種「用了就回不去」的基礎設施。以前 Agent 做個調研要搜七八輪，現在一兩下搞定，確實省事。 -
MsFredrikThorsø_88—給量化 Agent 換了 AnySearch 之後穩了不少，之前用通用搜尋老是扒到過時訊息，模型被誤導得夠嗆。同源衰減加時序優先這個組合，對金融場景來說太關鍵了。 -
George.HendersonX—把 AnySearch 接入我的自動化工作流跑了半個月，最大的感受是資訊獲取效率提升很明顯。之前用傳統搜尋 API，每次返回的都是 HTML 片段，Agent 還得自己寫解析邏輯。換成 AnySearch 之後直接拿 Markdown 結構化資料，省去了清洗步驟。實測一個賽道調研任務，原來要搜 8 到 10 次、消耗 3000 多 Token，現在 2 到 3 次呼叫、Token 消耗降到 1000 以內。而且因為去重做得好，Agent 拿到的資訊質量更穩定了，不會因為重複內容把上下文撐爆。免費版每天 1000 次呼叫對個人開發來說綽綽有餘，生產力提升明顯。 -
James.Hughes_Max45—免費額度每天一千次，個人開發完全夠用。而且核心功能不閹割，不像某些產品免費版啥都用不了。 -
KimberlyRuiz_Plus—做企業盡調的時候試了一下 AnySearch，查工商、涉訴、專利一次搞定。之前要分別去企查查、裁判文書網、專利局到處翻，這體驗舒服太多了。 -
SeanWright_99—客觀說 AnySearch 的垂直資料來源深度參差不齊，金融和程式碼做得好，旅行和遊戲就一般了。畢竟才上線兩個月，也能理解。 -
Nicholas_Nguyen_202350—團隊把 AnySearch 接入了內部的行業研究 Agent，取代了原來分別對接企查查、裁判文書網和天眼查的多套介面。統一管理的好處很明顯——只需維護一套 API Key 和鑑權邏輯，不用操心每個資料來源的限流策略和格式差異。研究團隊反饋輸出質量也有提升，因為 AnySearch 會把不同來源的資料做歸一化處理，給出的資訊結構一致好對比。不足之處是定製化不夠靈活，如果團隊需要特定資料來源的原始格式返回，還是得直連原始 API。但對於絕大多數行業研究場景，AnySearch 作為一個統一搜尋層已經夠用了。 -
Ralph_Jimenez_2024—花了半天時間實測，最直觀的感受是去重做得好。同一件事不會出現兩三條重複結果，每條都來自不同角度，省了我讓 Agent 自己篩的功夫。 -
James_Butler369—在 Cursor 裡裝了 AnySearch 的 MCP，配好之後 Agent 查資料直接返回 Markdown，不用自己寫解析指令碼了。這個體驗確實好。 -
俠客966—有一個擔心：如果 AnySearch 哪天掛了或者改政策，我的 Agent 就瞎了。過度依賴單一服務商始終有風險，建議作為補充入口不要完全替代。 -
Dylan.HughesIII—對比了一下 Exa 和 AnySearch 做中文盡調，AnySearch 能抓到國內合規公示資訊而 Exa 完全空白。本土化這個優勢對做國內業務的人來說很關鍵。 -
範敏—匿名模式很贊，不用註冊先試效果。對隱私敏感的開發場景來說零追蹤零遙測是加分項。 -
JObe_n—作為一個不會寫程式碼的產品經理，AnySearch 對我來說最實用的是調研效率提升。以前研究一個新賽道，要在 Google、知乎、36Kr、行業報告平臺之間來回切換，初步資訊拉齊就要大半天。現在讓 Agent 接上 AnySearch，輸入一個研究主題就能拿到結構化的市場概況，包括競品列表、融資動態、使用者反饋和行業趨勢。雖然不能完全替代深度人工分析，但作為第一輪資訊篩選工具，效率提升是實打實的。期待後續能有更友好的視覺化介面，降低非技術使用者的使用門檻。 -
opmlqpu—說實話接入門檻還是有點高，文件偏技術向，非開發者使用者看了可能一頭霧水。要是能出個小白教程就好了。 -
n3kbcd6k—測了一個場景：搜 AI agent latest news July 2026，878ms 返回 5 條結果，前 4 條都是近 24 小時的熱點。這速度確實可以。 -
DeborahWard_99—PH 評論區那些開發者問的問題挺尖銳的，比如怎麼處理衝突來源、延遲會不會累積。AnySearch 團隊回覆得還算坦誠，沒有迴避問題。 -
LaurenRobinsonZ—用 AnySearch 做了一個跨境支付的行業調研，從監管政策變化、主要玩家市場份額、使用者投訴熱點到技術架構選型，一條查詢完成了資訊拉齊。返回的結構化資料包含了信源標註，可以直接引用到報告裡。之前用普通搜尋做同樣的調研，光收集和整理原始材料就要一整天，現在一個上午就能出初稿。對做行業研究的人來說，這不僅是省時間的問題，更關鍵的是資訊來源的多樣性和結構化程度，讓輸出的報告質量有明顯提升。不過建議不要完全依賴它做最終決策，還是要交叉驗證關鍵資料。 -
Emma_FisherIII8—登頂 PH 周榜確實讓人意外，過去一年搜尋類產品幾乎沒進過前五。AnySearch 能突圍說明開發者對 Agent 專用搜尋的需求是真的。 -
Joshua_Anderson_Max—今天註冊試了一下，查智譜 AI 摸高計劃相關的資訊，澎湃、36氪、網易科技三家的報道都抓到了。中文源覆蓋比預期的好。 -
邵霖哲—唯一不太滿意的是，當兩個來源真正矛盾的時候，我其實想讓 Agent 看到它們有分歧，而不是被揉成一個答案。團隊說會保留來源標註，拭目以待。 -
飛鳥744—做技術選型調研的時候對比了幾款 AI 搜尋產品，AnySearch 在垂直領域搜尋這個維度上確實有差異化優勢。其他產品基本都是通用網頁搜尋再加一層大模型包裝，AnySearch 直接從底層連了二十多個垂直資料來源，返回的資料質量和結構化程度明顯不同。不過也注意到它在學術論文搜尋方面深度不如專業學術搜尋引擎，有些較新的 arXiv 論文索引不夠及時。對需要做前沿學術調研的團隊來說，可能還是要補充專門的學術搜尋介面。對於絕大多數開發場景和行業調研需求來說已經夠用了。 -
REvansII—基準測試 76.4% 的準確率看著不錯，但畢竟是廠商自測的。還是等第三方的獨立評測出來再下結論吧。 -
Mason_Morris_7—Skill 接入方式真的很方便，幾行命令就讓 Claude Code 有了專業搜尋能力。不用註冊 API Key 也能用，這點好評。 -
Elizabeth_Wood_2021—之前用 exa 做調研對比了 anysearch 的中文檢索，anysearch 抓到的國內合規公示資訊 exa 完全搜不到。做國內業務的建議兩個都試試。 -
JeffreyWatson_X—並行批次搜尋這個功能加分，一次查五個方向同時返回，適合做多維度技術情報蒐集。 -
DRuiz_2020—做跨境電商選品調研，用 AnySearch 對比了幾個競品的資料。同一時間查產品定價變化、使用者差評關鍵詞、供應鏈政策更新，AnySearch 一條查詢就返回了結構化的對比資訊。之前用通用搜尋至少要切換三四個平臺（亞馬遜評論、Google Trends、供應商論壇），現在一個入口搞定。不過也發現了一些侷限：某些特定類目的深度資料覆蓋還不夠，比如小眾垂類的電商資料，AnySearch 的索引深度不如在垂直平臺直接查。但對於初篩階段來說，這個效率提升已經很可觀了。 -
DAllen_2024380—說實話不知道它怎麼處理 Cloudflare 保護的內容，我們自建爬蟲經常卡在這上面。有知道的可以說說。