Die Suche ist zu einer der wichtigsten externen Fähigkeiten geworden, die KI-Agenten zur Verfügung stehen. Leistungsstarke Modelle können he...
Die Suche hat sich zu einer der wichtigsten externen Fähigkeiten entwickelt, die KI-Agenten zur Verfügung stehen. Leistungsstarke Modelle können gut reasoning, aber sie können Fakten, die nie abgerufen wurden, nicht wiederherstellen, aktuelle Informationen nicht anhand von Belegen von veralteten Berichten unterscheiden und fehlende Unternehmensaufzeichnungen nicht zuverlässig ableiten.
AnySearch betrachtet dieses Problem als agentenorientierte Infrastruktur und nicht als suchorientierte Benutzeroberfläche. Es gibt nicht nur Links, Titel und kurze Auszüge zurück, sondern leitet Abfragen an relevante Web- oder vertikale Quellen weiter, entfernt Duplikate und minderwertige Inhalte, extrahiert nützliche Informationen und liefert strukturierte Antworten, die direkt in den Reasoning-Kontext des Modells einfließen können.
Das Produkt erreichte am 6. Juli 2026 sowohl den ersten Platz des Tages als auch der Woche auf Product Hunt. Die Einführungsvorstellung betont, dass es Echtzeit-, gefilterte, deduplizierte und strukturierte Informationen über eine API, einen MCP-Server oder installierbare Agenten-Skills bereitstellt.
Dieser Artikel erläutert die Unterschiede zwischen diesem agentenorientierten Such-Workflow und herkömmlichen Such-APIs, analysiert detailliert die im ursprünglichen Bericht gezeigten Beispiele und bietet praktische Anleitungen zur Installation und Evaluierung.
Benchmark-Erläuterung: Die folgenden Genauigkeits- und Latenzdaten stammen aus den im Quellartikel reproduzierten AnySearch-Vergleichsergebnissen. Die geprüfte öffentlich zugängliche Version dieser Ausgabe enthält keine vollständigen Evaluierungscodes,原始输出, Bewertungs-Prompts oder statistischen Analysen. Bitte betrachten Sie diese Daten als herstellerberichtete Ergebnisse, nicht als unabhängig reproduzierte Benchmarks.
Menschen können Ergebnislisten durchblättern, Werbung ignorieren, doppelte Artikel erkennen und beurteilen, welche Links eine nähere Betrachtung lohnen.
Agenten hingegen erhalten oft jedes einzelne Ergebnis als Eingabe, was mehrfache Kosten verursacht:
Das Problem liegt nicht nur in der Retrieval-Genauigkeit, sondern auch in der Form und Dichte der zurückgegebenen Informationen.
Daher sollte ein praktikables Suchsystem für Agenten vor der Übergabe von Informationen an das Modell drei Fragen beantworten:
AnySearch ist genau um diese Schritte herum konzipiert.
AnySearch erreichte am 6. Juli 2026 den ersten Platz des Tages und der Woche auf Product Hunt. Product Hunt beschrieb es als
Echtzeit-Struktursuche, vertrauenswürdig für Agenten und Entwickler, die aus parallelen Suchquellen gefilterte und deduplizierte Informationen liefert.
Der Quellartikel stellte auch eine aus drei Benchmark-Gruppen bestehende Evaluierung mit 300 Fragen vor:
Der Artikel stellte fest, dass AnySearch, Brave Search und Parallel dasselbe Sprachmodell verwendeten, sodass die Suchschicht (und nicht die Modellauswahl) die Hauptvariable war.
| Suchsystem | Gesamtgenauigkeit | FreshQA | WebWalkerQA |
|---|---|---|---|
| AnySearch | 76,4% | 80,0% | 65,2% |
| Brave Search | 64,0% | 74,0% | 46,8% |
| Parallel | 72,2% | 78,0% | 61,0% |
FreshQA bewertet Fragen, die auf aktuelle oder sich ändernde Informationen angewiesen sind. WebWalkerQA hingegen konzentriert sich auf das Durchsuchen von Websites über mehrere Seiten hinweg und das Lokalisieren von Belegen. Die Kombination ist für Agenten, die nicht nur eine flache Linkliste benötigen, hochrelevant.
FRAMES wurde in die Gesamtbewertung des Quellartikels einbezogen, aber die im Artikel gezeigte Aufschlüsselung nach Benchmarks zeigte neben der Gesamtpunktzahl nur FreshQA und WebWalkerQA.
Die Latenzdiagramme zeigen, dass AnySearch sowohl im durchschnittlichen Vergleich als auch im WebWalkerQA-Teilbereich niedrigere Werte aufweist.
| Suchsystem | Durchschnittlicher Latenzwert | WebWalkerQA-Latenzwert |
|---|---|---|
| AnySearch | 48,0 | 76,5 |
| Brave Search | 68,9 | 133,0 |
| Parallel | 77,4 | 145,6 |
Das Quellbild enthielt keine explizite Angabe der Einheiten, daher behält die Tabelle bewusst die berichteten Werte bei, ohne sie in Sekunden oder Millisekunden umzurechnen.
AnySearch unterstützt derzeit drei Hauptintegrationsmethoden:
Das offizielle GitHub-Repository bietet einen Skill und einen MCP-Server unter der Apache-2.0-Lizenz. Beide unterstützen allgemeine Websuche, vertikale Suche, parallele Batch-Suche sowie URL-Extraktion ganzer Seiten.
Dieses Bild bezieht sich auf den Abschnitt im Dokument, der AnySearch vorstellt. Es bietet eine visuelle Darstellung der Funktionen und Eigenschaften von AnySearch und hilft dem Leser, die unterstützten Suchtypen und weitere Informationen klarer zu verstehen.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/80912d0a-73aa-4f80-bbab-eb6f0779cd63-e96fb0d4-000e-4288-ae1b-bf3c078c578f.png)
Das offizielle Repository empfiehlt, eine fixierte Version (pinned release) herunterzuladen, anstatt nicht veröffentlichte Änderungen direkt vom Hauptzweig zu beziehen.
Zweig.
# Lade eine bestimmte Version der AnySearch Skill Distribution herunter.
# Siehe die Release-Seite; ersetze v2.1.0, wenn eine neuere stabile Version verfügbar ist.
curl -L -o anysearch-skill.zip \
https://github.com/anysearch-ai/anysearch-skill/archive/refs/tags/v2.1.0.zip
# Entpacke die Distribution.
unzip anysearch-skill.zip
Verschiebe das entpackte Verzeichnis an die entsprechende Stelle, die von Ihrem Agenten verwendet wird:
# Claude Code
mv anysearch-skill-2.1.0 ~/.claude/skills/anysearch
# OpenCode
mv anysearch-skill-2.1.0 ~/.config/opencode/skills/anysearch
# Cursor oder Windsurf Projekt
mv anysearch-skill-2.1.0 /.skills/anysearch
# Gemeinsamer Agenten-Speicherort
mv anysearch-skill-2.1.0 ~/.agents/skills/anysearch
Das genaue Verzeichnis hängt von der Agentenplattform und deren aktuellen Regeln zur Fähigkeitserkennung ab.
Die offiziellen Fähigkeits- und MCP-Dokumente weisen darauf hin, dass der anonyme Zugriff niedrige Ratenlimits hat. Ein API-Schlüssel ist optional, wird aber für eine stabilere oder höhere Nutzung empfohlen.
Geben Sie API-Schlüssel nicht an öffentliche Repositories weiter. Speichern Sie sie in Umgebungsvariablen, Schlüsselverwaltungstools oder ignorierten lokalen Konfigurationsdateien.
Der erste Test im Quellartikel verlangt, dass der Agent eine echte, auf die Produktion ausgerichtete Go-API-Rate-Limiter-Implementierung findet, keine Einführungstutorials.
Die Aufforderung lautete:
Ich arbeite an einem Projekt und benötige eine Implementierung eines API-Rate-Limiters in Go. Ich brauche kein Tutorial. Bitte finden Sie produktionsreifen Code aus echten Open-Source-Projekten.
Ohne einen speziellen Such-Workflow soll der Agent gängige Links und isolierte Codefragmente zurückgegeben haben. Ein solches Ergebnis mag zwar das Konzept erklären, ist aber von begrenztem Nutzen, wenn Entwickler den vollständigen Implementierungskontext benötigen.
Ein mit AnySearch unterstützter Lauf lieferte strukturiertere, codeorientierte Ergebnisse mit klareren Aufrufketten und Material aus tatsächlichen Codebasen.
Dieser Unterschied ist entscheidend, da Produktionscode mehr als nur Algorithmen umfasst. Nützliche Suchergebnisse sollten dem Agenten helfen, Folgendes zu prüfen:
Eine Codesuche, die eine schöne Funktion extrahiert, aber deren kontextuelle Annahmen ignoriert, könnte einen Implementierungsagenten in die Irre führen.
Unabhängig vom verwendeten Suchanbieter können präzisere Abfragen die Ergebnisse verbessern:
Suche nach einem gewarteten Open-Source-Go-Projekt, das einen API-Rate-Limiter im Produktionscode implementiert.
Anforderungen:
- Repository und genaue Dateipfade zurückgeben.
- Code bevorzugen, der in echten Servern oder Gateways verwendet wird.
- Initialisierungs- und Anforderungskontext enthalten.
- Algorithmus, Backend-Speicher, Tests und Lizenz angeben.
- Tutorial-Codebasen und kopierte Codefragmente ausschließen.
- Datum des letzten relevanten Commits angeben.
Das Suchsystem sollte Belege liefern. Codierungsagenten sollten vor der Anpassung des Codes dennoch das Repository, die Lizenz, Tests, Sicherheitsannahmen und den aktuellen Wartungsstatus prüfen.
Zweiter Test
Derselbe Unternehmensrecherche-Bedarf wurde mit AnySearch und Exa verglichen.
Beide Berichte schnitten bei grundlegenden öffentlichen Unternehmensinformationen gut ab. Die Unterschiede zeigten sich hauptsächlich im Risikobereich.
Berichten zufolge fand AnySearch lokal veröffentlichte Compliance-Aufzeichnungen und Plattform-Ankündigungen, die im von Exa erstellten Bericht fehlten. Die Quelle führt diesen Unterschied auf den Zugang zu vertikalen chinesischen Datenquellen zurück, nicht auf das Sprachmodell selbst.
Dieses Beispiel unterstreicht eine allgemeine Einschränkung der Unternehmensrecherche: Ein globaler Webindex mag die offiziellen Websites von Organisationen, internationale Berichterstattung und englischsprachige Datenbanken gut abdecken, kann aber lokale regulatorische, gerichtliche, Beschwerde- oder Plattformaufzeichnungen übersehen.
Ein Due-Diligence-Agent sollte explizit in mehreren Kategorien suchen:
Wichtiger Hinweis: Die durchsuchungsgestützte Due Diligence ersetzt keine professionelle rechtliche, finanzielle oder Compliance-Prüfung. Aufzeichnungen können unvollständig sein, Namen können Verwirrung stiften, und automatische Zusammenfassungen können Beweise falsch interpretieren.
Der dritte Test forderte AnySearch auf, einen Bericht zum globalen Energiemarkt zu erstellen, der Folgendes abdeckt:
Die Quelle zeigt, dass die Ausgabe regionale Lagerdetails, einen europäischen Strompreisvergleich und Emissionsdaten enthielt. Der Bericht bezog sich auf aktuelle Informationen, darunter Daten der US-Energieinformationsbehörde vom 9. Juli und europäische Day-Ahead-Strompreise vom 12. Juli.
Diese Grafik bezieht sich auf den Inhalt des dritten Tests im Dokument und zeigt die Day-Ahead-Strompreisdaten mehrerer europäischer Länder. Sie ist Teil des von AnySearch erstellten globalen Energiemarktberichts.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/3f5432f8-0641-4e6e-b8aa-62b6a50e7d18-f18fcac7-52c7-4efa-a066-9c9722c9cea9.jpeg)
Dies ist ein typisches Beispiel für eine multidimensionale Abfrage, bei der das System erkennen muss, dass eine Anfrage mehrere unabhängige Datenpfade enthält und nicht nur eine einzige, gewöhnliche Websuche.
Eine zuverlässige Implementierung sollte Folgendes leisten:
Aktuelle Daten müssen stets einen Zeitstempel enthalten. Wenn ein Bericht nicht angibt, wann die zugrundeliegenden Messungen veröffentlicht wurden und welchen Zeitraum sie abdecken, ist das Wort „aktuell“ bedeutungslos.
Das zentrale Gestaltungsprinzip besagt: AnySearch stellt die Retrieval-Pipeline um das Verhalten von KI-Agenten herum neu auf.
Der im Quellcode gezeigte Prozess durchläuft fünf Phasen:
Das System identifiziert zunächst, welche Art von Beweismaterial die Anfrage benötigt.
Unternehmenshintergrundabfragen erfordern möglicherweise Registereinträge, Patente, juristische Datenbanken und Beschwerdeplattformen. Codebezogene Probleme sollten an Code-Repositories und Dokumentation weitergeleitet werden. Energieabfragen benötigen möglicherweise offizielle Bestands- und Strommarktdaten.
Beschreibe deine Idee einmal, und We0 AI erstellt eine Showcase-Website, Seiten und ein CMS und hilft nach dem Launch bei Kunden und Traffic.
Eine komplette Projektgeneration zur kostenlosen Registrierung
Am besten geeignet, um einen vollständigen Generierungsablauf auszuprobieren und schnell einen ersten Projektentwurf zu sehen.
Dies unterscheidet sich grundlegend von der Verarbeitung aller Anfragen über einen einzigen generellen Index.
Laut AnySearch unterstützt das Tool neben der allgemeinen Websuche über 20 vertikale Kategorien, die folgende Bereiche abdecken:
Die öffentliche MCP-Schnittstelle umfasst eine Methode zum Auflisten der verfügbaren Bereiche. Agenten sollten gültige Bereiche und Parameterschemata anfragen, anstatt selbst nicht unterstützte Filter zu erstellen.
Eine Frage, die mehrere Bereiche umfasst, kann mehrere unabhängige Suchvorgänge auslösen. Der MCP-Server unterstützt die Batch-Ausführung von 1 bis 5 Abfrageobjekten. Der Fehlschlag eines Zweigs blockiert nicht die Ausführung anderer Zweige.
Paralleles Retrieval kann die Gesamtwartezeit verkürzen, vorausgesetzt, die Aggregationsschicht verhindert, dass schnell eintreffende, minderwertige Ergebnisse die langsameren, aber autoritativen Ergebnisse verdrängen.
Beweise.
Der Originaltext schlägt drei Sortierkonzepte vor:
Das Ziel ist, mehr Filterung durchzuführen, bevor der Inhalt in das Sprachmodell gelangt.
Dies unterscheidet sich von Pipelines, die große Ergebnismengen zurückgeben und das Modell selbst die Deduplizierung durchführen lassen. Vorfilterung spart Tokens, bringt aber eine weitere Verantwortung mit sich: Das Sortiersystem darf nicht stillschweigend wenige Quellen oder wichtige widersprüchliche Datensätze entfernen.
Nach der Sortierung extrahiert AnySearch die Hauptinhalte, entfernt Seitenrauschen und konvertiert die Ergebnisse in das Markdown-Format.
Der offizielle MCP-Server bietet auch eine URL-Extraktionsoperation, die den Seiteninhalt im Markdown-Format zurückgibt, mit einer klaren Begrenzung auf 50.000 Zeichen.
Strukturierte Ausgaben reduzieren den Arbeitsaufwand des Modells, insbesondere wenn die Ergebnisse Folgendes enthalten:
Warum Deduplizierung Token-Verschwendung reduziert
Angenommen, ein Agent erhält zehn Ergebnisse zum selben Ereignis. Wenn sieben davon Umschreibungen desselben Originalberichts sind, enthält der Kontext wiederholte Aussagen und keine sieben unabhängigen Bestätigungen.
Dies führt zu drei Problemen:
Quellenbasierte Deduplizierung zielt darauf ab, einzigartige Belege zu erhalten, statt einfach die am höchsten gerankten Seiten zu behalten.
Eine praktische Suchantwort eines Agenten sollte Quelleninformationen sichtbar machen. Entwickler müssen wissen, ob fünf Ergebnisse fünf Originalquellen, fünf gleichzeitige Veröffentlichungen derselben Quelle oder eine Mischung aus primären und sekundären Belegen darstellen.
Der Originaltext beschreibt den geringeren Tokenverbrauch als Vorteil von AnySearch, gibt aber keinen universellen prozentualen Rückgang an.
Das ist sinnvoll, denn die Einsparung hängt ab von:
Eine faire Bewertung sollte die gesamte Aufgabe messen, nicht nur die erste Suchantwort.
Nützliche Metriken umfassen:
| Metrik | Was wird gemessen |
|---|---|
| Such-Eingabe-Token | Kontextverbrauch durch abgerufenes Material |
| Agent-Gesamt-Token | Suche, Schlussfolgerung, Folgeoperationen, |
│ Endgenerierung │
│ Suchaufrufe pro Runde │ Ob schwache Abfragen zu wiederholten Suchen führen │
│ Anzahl verschiedener Quellen │ Beweisvielfalt nach Deduplizierung │
│ Zitiergenauigkeit │ Ob die zitierte Quelle die entsprechende Aussage stützt │
│ Antwortvollständigkeit │ Ob die Antwort alle erforderlichen Dimensionen abdeckt │
│ End-to-End-Latenz │ Benötigte Zeit für die Aufgabenausführung │
│ Aufgabenfehlerrate │ Ob der Agent das erwartete Ziel erreicht │
Eine kurze Antwort, die wichtige Belege auslässt, ist keine Optimierungsstrategie. Eine Token-Reduktion ist nur dann wertvoll, wenn Antwortqualität und Nachvollziehbarkeit erhalten bleiben.
Suchkomponenten in der Produktion müssen mit Fehlern umgehen, die in Produktdemos selten auftreten.
Die Ressourcen heben folgende Eigenschaften hervor:
Die öffentliche MCP-Dokumentation unterstützt zudem:
Produktionsteams sollten dennoch eigene Kontrollen hinzufügen:
Suchausgaben sind nicht vertrauenswürdige externe Eingaben. Selbst bereinigter Markdown-Text kann noch bösartige Anweisungen, Falschaussagen oder kompromittierte Inhalte enthalten.
Traditionelle Suche hilft Nutzern, Seiten zu finden. Die Suche für Agenten hat ein anderes Ziel: Maschinen nutzbare Beweise für Schlussfolgerungen und Aktionen bereitzustellen.
Dies ändert die Designprioritäten.
| Für Menschen optimierte Suche | Für Agenten optimierte Suche |
|---|---|
| Optimiert für schnelles Überfliegen | Optimiert für maschinelle Aufnahme |
| Links und Zusammenfassungen | Strukturierte Beweise |
| Nutzer deduplizieren selbst | System soll Wiederholungen reduzieren |
| Nutzer achten auf Verfallsdaten | Daten sollen explizit gekennzeichnet sein |
| Nutzer entscheiden selbst über Vertrauenswürdigkeit | Quellen- und Qualitätssignale erforderlich |
| Durchsuchen kann explorativ sein | Wiederholte Suchen verbrauchen Token |
| Visuelles Layout wichtig | Stabiles Schema und Markdown wichtig |
Das Modell bestimmt die Fähigkeit des Agenten, Beweise für Schlussfolgerungen zu nutzen. Die Suchebene bestimmt, welche Beweise überhaupt verfügbar sind.
Mit steigender Modellfähigkeit wird die Retrieval-Qualität nur noch wichtiger. Starke Modelle können selbst auf schwacher Grundlage überzeugende Antworten generieren. Dies macht Quellenauswahl, Aktualität und Nachvollziehbarkeit zu einem Teil des Agenten-Sicherheits- und Zuverlässigkeitssystems.
Entwickler sollten sich nicht allein auf einen öffentlichen Benchmark oder ein eindrucksvolles Sicherheitspaket verlassen, um einen Suchanbieter auszuwählen.
Bauen Sie stattdessen Evaluierungssets auf Basis Ihrer eigenen Szenarien auf.
Die Aufgaben, die Ihr Agent ausführt.
Decken Sie einfache und schwierige Fälle ab:
Verwenden Sie für jeden Anbieter dasselbe Modell, denselben Prompt, dieselbe Werkzeugstrategie und dasselbe Ausgabeformat.
Speichern Sie die zurückgegebenen Quellen, bevor das Modell eine Zusammenfassung erstellt. Sonst können Sie nicht feststellen, ob der Fehler aus dem Retrieval oder dem Reasoning stammt.
Messen Sie Latenz, Gesamt-Token, Anzahl wiederholter Suchaufrufe, Abdeckung, Zitierunterstützung, Aktualität und Fehlerraten.
Finanz-, Rechts-, Sicherheits-, medizinische und Compliance-Aufgaben erfordern eine fachliche Prüfung. Die Such-API kann die Beweissammlung verbessern, aber keine professionelle Verantwortung übernehmen.
Deaktivieren Sie eine Quelle, verlangsamen Sie eine Route, geben Sie fehlerhafte Inhalte zurück, injizieren Sie doppelte Ergebnisse. Die Zuverlässigkeit in der Produktion hängt davon ab, wie sich das System bei unvollständiger Abfrage verhält.
AnySearch ist ein Echtzeit-Suchinfrastrukturdienst, der speziell für KI-Agenten und Entwickler entwickelt wurde. Er bietet Websuche, vertikale Bereichssuche, Batch-Suche sowie Volltextextraktion mit strukturierter Ausgabe.
Es gibt eine Website, auf der Nutzer Suchen ausprobieren können, aber die Hauptpositionierung ist als Agenten-Infrastruktur. Die Kernintegration erfolgt über API, MCP und installierbare Skills.
Die offiziellen Skill- und MCP-Dokumente geben an, dass der anonyme Zugriff niedrige Ratenbegrenzungen und Kontingente hat. API-Schlüssel sind optional, aber für eine regelmäßigere Nutzung empfohlen.
Die öffentliche Dokumentation erwähnt Finanzen, akademische Forschung, Sicherheit, rechtliche Informationen, Code und andere Kategorien. Vor der Verwendung domainspezifischer Parameter sollte der Agent das Verzeichnis der unterstützten Bereiche abfragen.
Es versucht, Abfragen vor der Suche zu routen, doppelte Quellen zu reduzieren, Ergebnisse mit hoher Informationsdichte zu priorisieren, Seitenrauschen zu entfernen und strukturiertes Markdown zurückzugeben. Die tatsächliche Token-Ersparnis hängt vom Inhalt der Abfrage und dem gesamten Agenten-Workflow ab.
Diese Punktzahl wurde von AnySearch gemeldet und im ursprünglichen Artikel reproduziert. Bei der Überprüfung wurde kein vollständiges öffentliches Evaluierungspaket gefunden, daher sollte dieses Ergebnis als vom Anbieter gemeldete Vergleichsdaten betrachtet werden.
Nein. Es kann helfen, Informationen zu Unternehmen, rechtlichen, finanziellen und öffentlichen Risiken zu sammeln, aber Fachleute müssen Identität, Quellenautorität, Vollständigkeit, Gerichtsbarkeit und Interpretation überprüfen.
Der Quellcode des AnySearch Skill und des MCP-Servers ist unter der Apache-2.0-Lizenz öffentlich. Der gehostete API-Backend ist ein separater Dienst und fällt nicht unter die Lizenz dieser Codebasen.
AnySearch betrachtet Suche als Eingabeschicht für Agenten, nicht als Liste von Seiten zum Durchblättern. Es leitet Abfragen über allgemeine und vertikale Quellen, durchsucht mehrere Pfade, sortiert und dedupliziert Beweise, entfernt Seitenrauschen und gibt über API, MCP oder Skill-Integration strukturierte Inhalte zurück.
Die Beispiele im Quelltext zeigen, warum dieses Design für die Erkennung von Produktionscode, lokale Unternehmens-Due-Diligence und aktuelle Multimarktdaten entscheidend ist. In jedem Fall benötigt der Agent vollständige, zeitnahe und nachvollziehbare Beweise – nicht nur relevante Links.
Sein Product Hunt-Rang und die vom Anbieter gemeldeten Benchmark-Ergebnisse machen AnySearch testenswert, aber Teams sollten die Vergleichsergebnisse mit eigenen Abfragen, Modellen, Token-Berechnungen und Qualitätsstandards reproduzieren, bevor sie den Produktions-Suchstack wechseln.
Im Agenten-Workflow entscheidet das Modell, wie Beweise verarbeitet werden; die Suchebene entscheidet, ob die richtigen Beweise das Modell erreichen.
Starte mit einem Satz und erhalte in wenigen Minuten eine vollständige Website.
