上线首月吸引10万开发者，AnySearch 用专业数据重构AI搜索

Agent 模型越来越会推理，但喂给它的信息，依然来自一个为人类眼睛设计的搜索体系。

金融数据、裁判文书、学术引用、威胁情报，这些完成专业任务真正需要的数据，大多在传统搜索引擎触及不到的地方。这些藏在开发者日常体验里的问题，导致其在使用 Agent和 AI工作流执行复杂任务时，往往需要经历多轮搜索。更新不及时、来源不可靠的低质量信息，直接将后续推理引向错误方向。

近日，一家初创公司推出了专为 Agent 设计的 AI 搜索层服务。

AnySearch 5 月11日正式上线，上线首月已有 10 万名全球开发者接入使用，累计搜索调用量突破400 万次，GitHub Star 数突破 4000。来自亚太、北美、欧洲等多个地区的开发者，已经将 AnySearch 设置为 Agent 默认的搜索层工具。上线仅一周便冲上 Agent 技能市场 Skills.sh 的热榜第一。

6 月3日，AnySearch V2.1.0 版本正式发布，完成上线以来算法层与架构层的核心升级。

目前，产品对个人开发者全面免费，Pro 付费版与企业定制方案也在同步推进中，全程无广告、无用户数据追踪，查询处理后即销毁。

适配 Agent 需求：重构传统搜索逻辑

AnySearch 要解决的核心问题，是当前搜索体系与 Agent 需求的错位：过去三十年的搜索引擎全部围绕人的眼睛设计，以 Top-K 相关性作为主要优化目标。但 Agent 不是人，它拥有更宽、更平缓的信息感受野，能短时间消化大量输入，搜索结果会直接进入后续推理链路，成为分析和决策的依据。给人看的相关性排序，对 Agent 来说是一套过时的机制。

“我们认为，未来 Agent 的竞争不仅是模型能力的竞争，更是信息获取能力的竞争。” AnySearch 联合创始人韩广彤表示。

图丨 AnySearch 团队成员（来源：AnySearch）

AnySearch 核心成员都是资深的 AI 开发者，在产品开发的初期，他们围绕 AI Agent 信息获取的话题，深度访谈了 100 多位开发者，提炼出了三个普遍需求：搜索过程要高效，减少调用次数和上下文消耗；相比覆盖更多网页，开发者更想直接拿到金融、法律、学术、安全这类专业领域的多维数据；他们要的不是又一个搜索引擎，而是一套贴合 Agent、AI 工作流的信息获取基础设施。

放眼全球， AI 搜索赛道的前景已经部分得到验证，美国 AI 原生搜索厂商 Exa 以 22 亿美元估值完成融资。

全链路智能搜索：少量调用完成复杂专业调研

基于对开发者需求的深刻洞察，AnySearch 构建了一套全新的搜索体系。一条查询进入 AnySearch，第一步不是直接检索，而是查询理解。

以企业尽调场景为例，用户在 Agent 里输入查询某公司股权结构、涉诉记录和专利布局的指令，系统会先识别出这是一项企业研究任务，并把它拆解成几个维度的信息需求。随后进入路由编排：股权结构走企业工商数据源，涉诉记录走法律数据库，专利布局走知识产权数据库，多路并行检索。

图丨 AnySearch 的查询检索流程（来源：AnySearch）

结果返回后，系统对不同来源的数据做归一化、重排序和结构化融合，把股权关系、经营记录、诉讼信息和专利数据映射到同一家企业实体上。最终交付给 Agent 的是一份带来源标注的结构化尽调结果，Agent 可以直接基于它生成报告。

同样的路由逻辑适用于 AI 编程、学术研究等垂直领域，其价值不只是信息更准，也在于减少无效检索带来的延迟和资源浪费。

这种效率差距是可以被量化的。在 AnySearch 最近做的一次搜索能力测试中，几个接入不同搜索工具的 Agent 完成同一项代码研究任务，所有方案都找到了正确答案，但 AnySearch 只用了 1 次搜索调用，其他工具分别用了 7 次、16 次和 28 次。有开发者实测反馈，平台输出的金融数据精确到了具体数字，而不是模糊的“大幅增长”。

图丨 AnySearch 在三个基准数据集上的准确率表现（来源：AnySearch）

V2.1.0 的升级重点也在这条链路上：算法层引入了融合语义相关性与时效性信号的混合排序，架构层重构了领域划分和路由逻辑。韩广彤表示，此前最大的瓶颈不是单纯的延迟或准确率，而是搜索质量的稳定性，当 Agent 开始处理越来越复杂的跨领域任务时，系统需要持续返回正确结果。

自建数据管线的苦活儿，成为信息护城河

专业数据从哪来，决定了产品的质量。AnySearch 采用自建索引加外部数据源接入的联邦架构。对于金融、法律、学术、安全、企业工商等高价值领域，团队建设了自己的数据管线，覆盖采集、清洗到索引构建的端到端链路；核心数据完全自主可控，规避第三方 API 带来的质量、更新频率与稳定性问题；通用场景与长尾需求则通过外部数据源补足。

针对金融、司法等高容错率场景，平台搭建了多源交叉验证机制，所有结构化数据均保留来源信息和可追溯链路，避免 Agent 基于单一来源信息做出误判。

但真正的苦活儿在日常维护。专业数据运维是长期深耕的系统性工作：不同领域数据更新节奏差异极大、接口协议和质量信号完全异构、跨领域之间也不存在天然可比的质量标准。此外，Agent 拿到结果后推理效果如何，搜索系统看不到，只能靠间接指标持续改进。韩广彤说：“这是一块永远滚不到山顶的石头”。

Skill 接入方式走红，社区生态自发生长

AnySearch 同时支持 Skill、MCP、API 三种接入方式，几乎零配置、易部署的 Skill 方案最先出圈，在社区赢得了广泛认可，AnySearch 上线仅一周便冲上 Agent 技能市场 Skills.sh 的热榜第一。

图丨 AnySearch 的 GitHub 主页（来源：GitHub）

韩广彤表示，虽然 AnySearch Skill 在 GitHub 上的关注度高于 MCP，但这不代表实际使用量领先。在团队的定位里，Skill 适合个人轻量化场景，MCP 与 API 更适配企业级深度集成与生产环境部署，本地化 MCP 方案也在持续探索中。

除了增长速度超出了预期，更让团队意外的是扩散方式。越来越多开发者自发为 AnySearch 编写第三方工具和工作流，一些团队原本没有重点关注的 Agent 框架里，也出现了社区贡献的集成项目。