本期
过去一年间，Product Hunt榜单头名几乎被Agent、AI IDE、大模型等品类轮流占据，搜索类产品鲜少露面。原因不难理解：在全球开发者看来，通用AI搜索的突围空间已经极为有限。正因如此，AnySearch此次登顶才格外令人瞩目。
先来看成绩。在由Frames、FreshQA、WebwalkerQA构成的300道问题基准测试中，全程采用同一款LLM，AnySearch以76.4%的综合准确率，将Parallel、Bra ve Search甩在身后。
延迟方面，AnySearch同样是三家产品中表现最优的。
值得关注的是，AnySearch并非面向人类用户，而是专门为Agent设计。它不仅能够抓取公开网页上的信息，还能覆盖高质量垂直领域数据，为Agent提供更实时、准确、可追溯的结构化信息输入。
已有用户现身分享：他原先使用普通搜索引擎为量化Agent抓取美股资讯，结果频繁获取过时信息，导致AI被误导、判断出现偏差。切换到AnySearch之后，借助来源去重和优先推送最新资讯的机制，Agent获得了可靠情报，整套交易系统稳定性显著提升。据这位用户反馈，这才是核心价值所在。
（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。）
专为Agent打造的搜索引擎，听起来就充满想象力。那必须给自己的Agent也安排上实践体验。
你的Agent，搜索能力够用吗？
实测之前，先聊聊为什么AnySearch显得如此“与众不同”。
目前许多AI搜索产品依然习惯将网页链接、标题和摘要直接抛给Agent。这种方式对人类用户来说并无不妥——扫一眼标题就能判断是否点开。但Agent逐字读取全文的成本极高，网页中充斥的广告、SEO垃圾信息极易造成上下文冗余，拖累推理效率。
更理想的方案，是让Agent直接利用筛选后的高价值信息来解决问题。因此，对AnySearch的期待非常明确——它能否像官方宣称的那样，通过20多个垂直数据源和多源交叉过滤机制，为Agent交付更实时、准确的结构化内容。
开始实测。
AnySearch的接入方式非常简洁，支持API、MCP或Skill三种途径。这里直接安装一个Skill即可。
第一个任务：让AI协助找到真实的生产级代码——
做一个项目，需要用Go实现一个API限流器，不想看教程，给我真实开源项目里的生产级代码。
先用常规AI跑一遍，结果并不意外——甩了几个经典链接，摘了几段核心代码就算应付了事。
接下来看看AnySearch的表现。这次输出的是结构化代码，调用链路更完整，可以直接借鉴落地。
接着选取一个非常典型的搜索场景——对一家企业进行尽职调查，摸清底细。分别用Exa和AnySearch执行相同的搜索指令，将搜索结果传递给Agent生成报告。
两份报告开篇的基础工商注册信息维度覆盖度相近，基础公开资料的完整度差距不大。
仔细对比两份调查报告，一个最明显的发现是：海外搜索引擎对国内事件的覆盖仍然存在短板。在报告的风险部分，AnySearch能够精准抓取平台公示的企业合规相关记录；而Exa输出的报告则完全缺失这类本土公示信息，关键风险维度直接留白。
经过这轮对比，就不难理解为什么AnySearch能拿下PH榜Top 1了。AnySearch不仅能输出结构化信息，而且搜到的内容更全面、更新鲜。
接下来又让AnySearch生成了一份全球能源市场报告，涵盖美国天然气库存变化、欧洲各国日前电价走势、澳洲电网碳排放强度。最终拿到的报告信息非常详实，分区域库存明细、14国电价走势复盘、碳排放因子全部拉齐。
关键是，这些数据都是实时更新的。美国天然气库存引用的是EIA 7月9日发布的最新一期，欧洲电价甚至追溯到了7月12日的日前交割价。
测试完成，接下来聊聊大家好奇的另一个问题：AnySearch究竟做了什么，才把搜索质量拉开如此大的差距？
让AI看到网页之外的世界
它重新设计了一套适配Agent工作方式的搜索体系。对Agent来说，如果源头获取的素材本身就不可靠，后续推理能力再强，也只是在错误的信息基础上白费力气。
问题在于，Agent需要面对的数据本来就不在同一个地方。一个提问背后，可能同时涉及代码仓库、企业数据库、法律文书、学术平台、金融数据等完全不同的数据世界。
与Exa的搜索思路不同，Exa是在网页世界里做搜索，而AnySearch直接连接了网页之外的垂直数据源。它构建了一套覆盖通用搜索和20多个垂直领域的数据体系，涵盖代码、法律、学术、金融、安全、企业商业等多个方向。
△一个查询从进入AnySearch到交付给Agent
经过的处理管线
因此，搜索的第一步，AnySearch会先进行一次智能意图识别，根据问题自动匹配最合适的数据路径。询问公司背景，就去翻工商数据库、投诉平台、专利库；询问能源行情，就去拉实时电价和库存数据；询问代码实现，就去GitHub仓库里翻源码。如果一个问题可能涉及多个领域，它会同时发起多条搜索路径并行查询，哪个路径先返回高质量结果，就优先进入后续流程，不会让Agent白白等待。
不过，选对渠道只是第一步。互联网最大的特点从来不是信息太少，而是信息太多。普通搜索引擎里经常出现同一网站占据大量版面，大量文章互相洗稿转载的情况。对人类用户来说，可能只是多翻几页的事；但对Agent而言，每一条搜索结果都会进入上下文，除了重复内容外，如果搜索结果不准，还会引发Agent自动进行多轮搜索，最终导致Token浪费。而且，重复内容越多，真正有价值的信息反而会被稀释。
Ta vily、Exa虽然也做了去重处理，但它们更多是把一堆结果全部返回给Agent，再靠模型消耗Token自行筛选。AnySearch则专门针对AI的读取方式，重新设计了一套排序算法，将信息筛选前置。
同源衰减算法会主动降低同一网站重复内容的权重，避免整个搜索结果都来自单一站点；信息密度仲裁算法会在相关性相近时，优先保留信息量更丰富、覆盖更全面的内容；与此同时，混合排序算法还会同时考虑语义相关性和内容时效性，让真正最新、最相关的信息排到更靠前的位置，避免被营销推广内容挤占前排。经过这一轮排序之后，留下来的才是真正值得交给模型处理的信息来源，不给模型增加额外负担。
△图片AI生成
但即便是搜索到了高质量网页，这些内容依然不能直接交给模型。于是AnySearch会完成最后一步内容整理，把模型不需要理解的元素全部剥离。自动完成正文提取、页面去噪、内容清洗，再统一转换成Markdown结构化格式，将真正有价值的信息完整保留。这时Agent拿到的就是一份已经整理好、可以直接进入推理阶段的数据。整套流程既缩短了上下文长度，也降低了Token消耗，让模型把更多算力聚焦在问题思考本身。
到这里，搜索的问题已经解决。但对于开发者来说，一个真正能融入工作流的搜索系统，还得考虑工程层面的稳定性。因此AnySearch又做了Agent原生设计，接入方式支持贴合开发者习惯的API、MCP和Skill；
还加入了自动容错、超时管控等工程能力，即使某一路数据源出现异常，也不会拖慢整个搜索流程，而是自动切换可用路径，确保任务能够继续推进。
从搜索入口、结果排序，到信息处理，再到最终交付给模型，AnySearch几乎把整个信息获取链路都按照Agent的工作方式重新设计了一遍。
搜索，正在成为Agent时代的基础设施
过去很长一段时间，大家讨论大模型时，焦点几乎都集中在模型本身。参数规模、推理能力、代码水平……好像只要模型越来越聪明，Agent就会越来越好用。但真正开始做Agent之后会发现，很多任务失败的原因并不在模型思考环节，而是第一步获取的信息就已经错了。再顶尖的大模型，也没法凭空生成实时资讯，更不可能把缺失的数据“推理”出来。
模型负责思考，搜索负责获取事实。
在模型性能持续内卷的当下，信息获取能力的短板反而会越来越凸显。前者决定Agent的能力上限，后者决定Agent的能力下限，而且模型越聪明，对信息质量就越敏感。换句话说，Agent时代的搜索需要被重新定义。
过去，搜索的目标是帮助人找到网页；现在，它开始承担另一项使命——为Agent持续提供能够直接参与推理和执行的高质量信息。
AnySearch踩中的正是这个趋势变化。团队没有选择继续做一个面向人的搜索产品，而是围绕Agent重建搜索方式。放眼目前国内外市场，无论是Exa、Parallel、Bra ve还是Ta vily，都在探索AI搜索的不同方向；但它们普遍的思路是依托全网网页资源，在检索完成之后依靠大模型完成结果过滤和内容提炼。AnySearch则实现了范式升级——搜索前依靠意图路由匹配垂直数据源，搜索阶段完成前置筛选，最后输出结构化内容，真正把搜索当作Agent的基础设施去打磨。
一个才上线两个月的Agent搜索产品，能够冲上Product Hunt周榜第一，本身就说明AnySearch切中了行业刚需。开发者的诉求十分明确：让Agent稳定获取真实、实时、可用的信息，并持续完成真实世界里的任务。
所以，如果你的Agent“搜索能力”也还差点意思，那AnySearch真的可以安排上了。
AnySearch支持匿名体验，无需注册，Skill/MCP/API开箱即搜；不过这里还是建议注册一下——因为注册之后每天能拿1000次免费搜索调用额度（doge）。
官网体验：http://www.anysearch.com
项目地址：https://github.com/anysearch-ai