AnySearch用专业数据重构AI搜索，上线首月吸引10万开发者

先说一个观察：当前AI Agent的推理能力显著提升，但它们所依赖的信息来源，仍主要依托于为人类视觉设计的传统搜索系统。

在金融数据挖掘、裁判文书检索、学术引用溯源、威胁情报分析等专业领域，真正有价值的信息往往藏匿于常规搜索引擎难以触及的深度网络中。开发者普遍面临的一大痛点在于：为了让Agent和AI工作流高效完成复杂任务，常常需要进行多轮繁琐的搜索。而那些更新滞后、来源模糊的低质信息，极易误导后续的推理与决策过程。

近日，一家创新初创企业推出了一款专为Agent打造的AI搜索层服务。

AnySearch于5月11日正式上线，仅在首月即吸引了全球超过10万名开发者接入，累计搜索调用量突破400万次，GitHub Star数也迅速攀升至4000以上。来自亚太、北美、欧洲等地的开发者已纷纷将AnySearch设为Agent的默认搜索层工具。上线仅一周，它就登上了Agent技能市场Skills.sh的热门排行榜榜首。

6月3日，AnySearch V2.1.0版本正式发布，这是其在算法层与架构层的一次核心升级。

目前，该产品对个人开发者完全免费开放，Pro付费版本与企业定制方案也在同步推进中。服务全程无广告，不追踪任何用户数据，查询处理完毕后即彻底销毁。

适配Agent需求：重构传统搜索逻辑

AnySearch致力解决的核心问题，正是当前搜索体系与Agent需求之间的错位。过去三十年的搜索引擎，归根结底是为“人眼”设计的，其优化目标始终是Top-K相关性。但Agent并非人类——它拥有更宽广、更平滑的信息接收带宽，能在极短时间内消化大量输入，并将搜索结果直接输入后续的推理链路，作为分析与决策的依据。对于人类而言高效的“相关性排序”，对于Agent来说，已是一套过时的机制。

“我们认为，未来Agent的竞争，不仅在于模型能力的高低，更在于信息获取能力的强弱。”AnySearch联合创始人韩广彤强调。

图丨 AnySearch 团队成员（来源：AnySearch）

AnySearch的核心成员均为资深AI开发者。在产品开发早期，团队围绕AI Agent信息获取这一主题，深度访谈了超过100位开发者，最终提炼出三大普遍需求：搜索过程必须高效，以减少调用次数与上下文消耗；相较于覆盖海量网页，开发者更渴望直接获取金融、法律、学术、安全等专业领域的多维结构化数据；他们需要的并非又一个搜索引擎，而是一套深度贴合Agent和AI工作流的信息获取基础设施。

放眼全球，AI搜索赛道的前景已得到初步验证。例如，美国AI原生搜索厂商Exa，已凭借22亿美元的估值完成了新一轮融资。

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。当一条查询进入AnySearch，第一步并非直接检索，而是进行查询理解。

以企业尽职调查场景为例：用户在Agent中输入查询某公司股权结构、涉诉记录与专利布局的指令。系统会首先识别出这是一项企业研究任务，并将其拆解为多个维度的信息需求。随后进入路由编排阶段：股权结构查询定向至企业工商数据源，涉诉记录查询导向法律数据库，专利布局查询连接知识产权数据库，实现多路并行检索。

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进行归一化、重排序与结构化融合，将股权关系、经营记录、诉讼信息与专利数据映射至同一企业实体下。最终交付给Agent的，是一份带有明确来源标注的结构化尽调结果，Agent可基于此直接生成报告。

这一路由逻辑同样适用于AI编程、学术研究等垂直领域。其价值不仅在于提升信息精准度，更在于显著减少因无效检索导致的延迟与资源浪费。

这种效率差距是可以量化的。在AnySearch近期进行的一项搜索能力测试中，多个接入了不同搜索工具的Agent需完成同一项代码研究任务。所有方案均找到了正确答案，但AnySearch仅需1次搜索调用，而其他工具分别用了7次、16次和28次。有开发者反馈称，平台输出的金融数据精确到了具体数字，而非模糊的“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版本的升级重点同样聚焦于这条链路：算法层引入了融合语义相关性与时效性信号的混合排序机制，架构层则重构了领域划分与路由逻辑。韩广彤指出，此前的最大瓶颈并非单纯的延迟或准确率问题，而是搜索质量的稳定性——当Agent开始处理日益复杂的跨领域任务时，系统需要持续稳定地返回正确的结果。

自建数据管线的苦活儿，成为信息护城河

专业数据的来源，决定了产品的最终质量。AnySearch采用自建索引与外部数据源接入相结合的联邦架构。对于金融、法律、学术、安全、企业工商等高价值领域，团队自主建设数据管线，覆盖从数据采集、清洗到索引构建的端到端链路；核心数据完全自主可控，有效规避了第三方API可能带来的质量不一、更新延迟与稳定性问题。而通用场景与长尾需求，则通过外部数据源进行补充。

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与可追溯链路，避免Agent基于单一来源信息做出误判。

然而，真正的“苦活儿”在于日常维护。专业数据的运维是一项需要长期深耕的系统工程：不同领域的数据更新节奏差异极大，接口协议与质量信号完全异构，跨领域之间也不存在天然可比的质量标准。此外，Agent获取结果后的推理效果，搜索系统并不可见，只能依靠间接指标持续优化。韩广彤感慨道：“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。其中，几乎零配置、易于部署的Skill方案最先在社区出圈，赢得了广泛认可。AnySearch上线仅一周，便登上了Agent技能市场Skills.sh的热门排行榜首位。

图丨 AnySearch 的 GitHub 主页（来源：GitHub）

韩广彤表示，尽管AnySearch Skill在GitHub上的关注度高于MCP，但这并不能代表实际使用量上的领先优势。在团队的定位中，Skill适合个人轻量化场景，而MCP与API则更适配企业级深度集成与生产环境部署。同时，本地化的MCP方案也在持续探索中。

除了增长速度超出预期，更令团队惊喜的是其扩散方式。越来越多的开发者自发为AnySearch编写第三方工具与工作流。一些团队原本并未重点关注的Agent框架中，也涌现出了社区贡献的集成项目。