5 月中旬，一個名叫 anysearch-skill 的開源倉庫出現(xiàn)在 GitHub 上，一周之內沖上了 Agent 技能市場 Skills.sh 的熱榜第一。開發(fā)者們發(fā)現(xiàn)，給自己的 Agent 裝上這個 Skill 之后，原本要搜七八輪才能拼湊完整的調研任務，常常一兩次調用就能拿到結果，而且返回的不是網頁鏈接，是可以直接進推理鏈路的結構化數(shù)據(jù)。

倉庫背后是一家剛成立不久的公司 AnySearch。5 月 11 日產品正式上線，上線一個月，已有超過 10 萬名開發(fā)者把它接入自己的工作流，累計搜索調用量突破 400 萬次，GitHub Star 數(shù)超過 4,000，用戶分布在亞太、北美和歐洲。6 月 3 日，團隊發(fā)布 V2.1.0 版本，完成了上線以來對算法層和架構層最大的一次升級。

這家公司想解決的問題，藏在所有 Agent 使用者的日常體驗里：模型越來越會推理，但喂給它的信息，依然來自一個為人類眼睛設計的搜索體系。金融數(shù)據(jù)、裁判文書、學術引用、威脅情報，這些完成專業(yè)任務真正需要的東西，大多在傳統(tǒng)搜索引擎觸及不到的地方。AnySearch 把這些專業(yè)數(shù)據(jù)源聚合到一個統(tǒng)一入口之后，只服務 Agent，不服務人。

“我們認為，未來 Agent 的競爭不僅是模型能力的競爭，更是信息獲取能力的競爭?！盇nySearch 聯(lián)合創(chuàng)始人韓廣彤在接受 DeepTech 采訪時說。

滿足一個簡單的信息需求，為什么這么難

AnySearch 的四位初創(chuàng)團隊成員都是 AI 開發(fā)者。過去一年，他們一直用 Agent 輔助產品研發(fā)，做代碼研究，做行業(yè)調研。模型的推理能力肉眼可見地在變強，但他們反復撞上同一堵墻：一個很寬泛的信息需求，很難通過單一查詢或單個通用搜索一次性拿到全部結果，還有一些信息藏在需要登錄的系統(tǒng)后面，整個獲取鏈路冗長而瑣碎。

圖丨AnySearch 團隊成員（來源：受訪者）

“我們在想，在 AI Agent 如此發(fā)達的今天，滿足一個最簡單的信息需求為什么如此困難?！表n廣彤回憶道。

這個困惑最終被拆解成三個問題：信息本身在哪里，信息如何被組織起來，以及如何讓 Agent 用好這些信息。AnySearch 整個產品，就是對這三個問題的回答。

在韓廣彤看來，問題的根源是過去三十年的搜索引擎全部圍繞人的眼睛設計。人在搜索時視覺注意力敏銳，對排在前面的內容極其敏感，于是所有搜索引擎都以 Top-K 相關性作為主要優(yōu)化目標。但 Agent 不是人。它有更寬、更平緩的信息感受野，能在短時間內消化大量輸入，搜索結果會直接進入后續(xù)推理鏈路，成為分析和決策的依據(jù)。給人看的相關性排序，對 Agent 來說是一套過時的機制。

“Agent 真正需要的是更可信、更結構化、能夠直接使用的信息，這也是 AnySearch 在設計上的一個核心出發(fā)點?！表n廣彤說。

動手之前，團隊和 100 多位開發(fā)者做了訪談，歸納出三個普遍需求：搜索過程要高效，減少調用次數(shù)和上下文消耗；相比覆蓋更多網頁，開發(fā)者更想直接拿到金融、法律、學術、安全這類專業(yè)領域的多維數(shù)據(jù)；他們要的不是又一個搜索引擎，而是一套貼合 Agent 工作流的信息獲取基礎設施。

一條查詢進來之后

一條查詢進入 AnySearch，第一步不是檢索，而是查詢理解。

以企業(yè)盡調為例。用戶在 Agent 里輸入“查一下深圳某某智能科技有限公司的股權結構、涉訴記錄和專利布局”，系統(tǒng)首先識別出這不是一次簡單的信息查詢，而是一項企業(yè)研究任務，并把它拆解成幾個維度的信息需求。隨后進入路由編排：股權結構走企業(yè)工商數(shù)據(jù)源，涉訴記錄走法律數(shù)據(jù)庫，專利布局走知識產權數(shù)據(jù)庫，多路并行檢索。

圖丨AnySearch 的查詢檢索流程（來源：AnySearch）

結果返回后，系統(tǒng)對不同來源的數(shù)據(jù)做歸一化、重排序和結構化融合，把股權關系、經營記錄、訴訟信息和專利數(shù)據(jù)映射到同一家企業(yè)實體上。最終交付給 Agent 的是一份帶來源標注的結構化盡調結果，Agent 可以直接基于它生成報告。

同樣的路由邏輯適用于其他領域。開發(fā)者問“Go 的分布式限流器在生產環(huán)境怎么實現(xiàn)”，查詢會被導向代碼倉庫、技術文檔和開發(fā)者社區(qū)；安全工程師凌晨查一個可疑 IP，請求會進入威脅情報數(shù)據(jù)庫。智能路由的價值不只是更準，也在于減少無效檢索帶來的延遲和資源浪費。

這種效率差距是可以被量化的。在團隊最近做的一次搜索能力測試中，幾個接入不同搜索工具的 Agent 完成同一項代碼研究任務，所有方案都找到了正確答案，但 AnySearch 只用了 1 次搜索調用，其他工具分別用了 7 次、16 次和 28 次。

“這并不是因為 AnySearch 返回了更多搜索內容，而是因為返回的信息經過了查詢理解、多源檢索和結果融合處理?！表n廣彤解釋，Agent 拿到的是已經組織好的信息，不需要反復搜索來拼湊上下文，后續(xù)推理的 Token 消耗也隨之下降。

用戶們的體感與此一致。一位開發(fā)者實測金融垂直搜索后寫道，返回的英偉達季度營收數(shù)據(jù)“精確到了具體數(shù)字，而不是模糊的‘大幅增長’”。

圖丨AnySearch 在不同基準測試上的準確率表現(xiàn)（來源：AnySearch）

V2.1.0 的升級重點也在這條鏈路上：算法層引入了融合語義相關性與時效性信號的混合排序，架構層重構了領域劃分和路由邏輯。韓廣彤表示，此前最大的瓶頸不是單純的延遲或準確率，而是搜索質量的穩(wěn)定性，“當 Agent 開始處理越來越復雜的跨領域任務時，系統(tǒng)需要持續(xù)返回正確結果。”

永遠滾不到山頂?shù)氖^

專業(yè)數(shù)據(jù)從哪來，決定了這類產品的成色。AnySearch 采用自建索引加外部數(shù)據(jù)源接入的聯(lián)邦架構。對金融、法律、學術、安全、企業(yè)工商這些高價值領域，團隊從第一天起就在建設自己的數(shù)據(jù)管線，覆蓋采集、清洗到索引構建的端到端鏈路；通用搜索和長尾需求則交給外部數(shù)據(jù)源補足。

堅持自建的理由非常簡單?！叭绻耆蕾嚨谌?API，數(shù)據(jù)質量、更新頻率和服務可用性都會受制于人?！表n廣彤說，“對于高價值、高需求領域，我們希望把數(shù)據(jù)質量和檢索能力掌握在自己手里?！?/p>

垂直領域的另一面是錯誤成本。金融、法律場景里，一個過時的數(shù)字或一次引用失誤，都可能直接影響下游判斷。為此 AnySearch 在搜索層引入多源交叉驗證，避免 Agent 基于單一來源下結論，結構化數(shù)據(jù)保留來源信息和可追溯鏈路，供開發(fā)者回溯驗證。

但真正的苦活在日常維護。每個數(shù)據(jù)源按自己的節(jié)奏獨立演化：金融數(shù)據(jù)分鐘級刷新，法律判例幾個月不動，代碼倉庫實時流動。接口協(xié)議和質量信號完全異構，上游悄悄改一個字段、換一種認證，下游就會出問題，沒有人提前通知你。更難的在融合層，新聞按時效排序，學術按引用，代碼按 Star，跨領域之間不存在天然可比的質量標準，每新增一個垂類都要重新校準。傳統(tǒng)搜索引擎還有點擊率這個反饋信號，而 Agent 拿到結果后推理效果如何，搜索系統(tǒng)看不到，只能靠間接指標持續(xù)改進。

“這是一塊永遠滾不到山頂?shù)氖^?！表n廣彤說。

Skill 走紅之后

AnySearch 上線時同時支持 Skill、MCP、API 三種接入方式，最先出圈的是 Skill。

這與當下 Agent 生態(tài)的接入習慣有關。Skill 本質上是一份給 Agent 看的使用說明加一組跨平臺命令行工具，主流 Agent 產品已支持自動發(fā)現(xiàn)和安裝，開發(fā)者幾乎零配置就能用起來，天然適合社區(qū)傳播。有開發(fā)者把它形容為“一套給 Agent 用的搜索 SOP”：先判斷要不要聯(lián)網，再選數(shù)據(jù)源，再讀網頁，最后核驗和引用來源。

圖丨AnySearch 的 GitHub 倉庫（來源：GitHub）

不過韓廣彤對目前的熱度保持著一份清醒。Skill 在 GitHub 上的關注度高于 MCP，但這不代表實際使用量領先。MCP 的核心搜索能力運行在遠程服務端，開源倉庫只承擔安裝和接入說明的角色，“很多開發(fā)者使用的是 MCP 提供的能力，但未必會直接與倉庫產生交互”。在團隊的定位里，Skill 適合快速體驗和個人工作流，MCP 和 API 適合深度集成到 Agent 系統(tǒng)與生產環(huán)境，本地化 MCP 部署方案也在探索中。

除了增長速度超出了預期，更讓團隊意外的是擴散方式。越來越多開發(fā)者自發(fā)為 AnySearch 編寫第三方工具和工作流，一些團隊原本沒有重點關注的 Agent 框架里，也出現(xiàn)了社區(qū)貢獻的集成項目。“我們原本以為自己在服務開發(fā)者，后來發(fā)現(xiàn)很多開發(fā)者已經開始幫我們一起拓展產品邊界?！表n廣彤說。

資本市場已經為這個方向給出過定價。專為 AI 構建搜索引擎的美國公司 Exa 今年 5 月以 22 億美元估值完成 2.5 億美元 C 輪融資，開發(fā)者也常把兩家公司放在一起討論。韓廣彤認為差異在于對 Agent 信息獲取的認知：相比把網頁搜得更準，AnySearch 押注的是網頁之外的專業(yè)數(shù)據(jù)，當 Agent 要做企業(yè)盡調、判例檢索、威脅情報分析時，答案往往不在可索引的公開網頁上。

生態(tài)的自發(fā)生長解決了從 0 到 1 的認知問題。為 Agent 做搜索能不能收到錢，先行者已經給出了肯定答案，AnySearch 要回答的是更具體的問題：開發(fā)者愿意付費的，是不是它選的這條路，網頁之外的專業(yè)數(shù)據(jù)。

產品目前對個人開發(fā)者免費，面向高頻用戶的 Pro 付費版和企業(yè)定制版也在同步推進。收入將主要來自 API 服務與企業(yè)解決方案，不依賴廣告或用戶數(shù)據(jù)變現(xiàn)，這與其零遙測、不追蹤、查詢處理完即丟棄的隱私架構是同一個選擇的兩面：不碰用戶數(shù)據(jù)，就只能靠信息質量本身收費。

所以未來半年要驗證的兩件事，其實是同一件事。韓廣彤說，團隊想看到 AnySearch 真正成為 Agent 工作流中默認的信息獲取層，也想確認開發(fā)者是否愿意為高質量信息付費。前者是位置，后者是位置的價格，而兩者都取決于同一個變量：每一次查詢，系統(tǒng)能不能持續(xù)返回正確的結果。

上線第一個月，10 萬開發(fā)者已經投出了第一輪信任票。而他們續(xù)期的方式，寫在之后的每一次調用里。

參考資料：

1.https://github.com/anysearch-ai/anysearch-skill

2.https://www.anysearch.com/home

運營/排版：何晨龍