A pesquisa tornou-se uma das capacidades externas mais importantes disponíveis para agentes de IA. Modelos poderosos conseguem raciocinar de...
A pesquisa tornou-se uma das capacidades externas mais importantes disponíveis para os agentes de IA. Modelos poderosos conseguem raciocinar bem, mas não conseguem recuperar factos nunca antes obtidos, nem distinguir informações atuais de relatos desatualizados com base em evidências, nem inferir de forma fiável registos empresariais em falta.
A AnySearch aborda este problema como uma infraestrutura orientada para agentes, e não como uma página de pesquisa voltada para o utilizador. Em vez de devolver apenas links, títulos e pequenos excertos, ela encaminha consultas para fontes web ou verticais relevantes, remove conteúdo duplicado e de baixo valor, extrai informações úteis e entrega respostas estruturadas que podem ser diretamente inseridas no contexto de raciocínio do modelo.
Este produto alcançou o primeiro lugar no Product Hunt tanto no dia 6 de julho de 2026 como na respetiva semana. A sua apresentação de lançamento destaca o fornecimento de informações em tempo real, filtradas, desduplicadas e estruturadas através de API, servidor MCP ou habilidades instaláveis para agentes.
Este artigo explica as diferenças entre este fluxo de trabalho de pesquisa orientado para agentes e as APIs de pesquisa tradicionais, analisa detalhadamente os exemplos apresentados no relatório original e fornece um guia prático para instalação e avaliação.
Nota sobre as referências: Os dados de precisão e latência abaixo provêm dos resultados comparativos reproduzidos no artigo original sobre a AnySearch. Os materiais públicos analisados nesta versão não incluem código completo de avaliação, resultados brutos, prompts de avaliação ou análises estatísticas. Considere estes dados como resultados reportados pelo fornecedor, e não como referências reproduzidas de forma independente.
Os humanos conseguem navegar pelas páginas de resultados, ignorar anúncios, identificar artigos repetidos e decidir quais links merecem atenção.
Os agentes, por outro lado, tendem a receber cada resultado como entrada, o que gera múltiplos custos:
O problema não está apenas na precisão da recuperação, mas também na forma e densidade das informações devolvidas.
Assim, um sistema de pesquisa prático para agentes deve responder a três perguntas antes de transmitir informações ao modelo:
A AnySearch foi concebida em torno destes passos.
A AnySearch obteve o primeiro lugar no Product Hunt no dia 6 de julho de 2026 e na respetiva semana. O Product Hunt descreveu-a como
Pesquisa estruturada em tempo real confiável por agentes e programadores, que obtém informações filtradas e desduplicadas de fontes pesquisadas em paralelo.
O artigo original também apresentou um sistema de avaliação com 300 perguntas, construído com três conjuntos de referência:
O artigo indica que a AnySearch, a Brave Search e a Parallel usaram o mesmo modelo de linguagem, tornando a camada de pesquisa (e não a escolha do modelo) a principal variável.
| Sistema de pesquisa | Precisão geral | FreshQA | WebWalkerQA |
|---|---|---|---|
| AnySearch | 76,4% | 80,0% | 65,2% |
| Brave Search | 64,0% | 74,0% | 46,8% |
| Parallel | 72,2% | 78,0% | 61,0% |
O FreshQA avalia perguntas que dependem de informações atuais ou em mudança. O WebWalkerQA foca-se em navegar por sites e localizar evidências em várias páginas. A combinação de ambos é altamente relevante para agentes que não precisam apenas de uma lista superficial de links.
O FRAMES foi incluído na avaliação global do artigo original, mas o gráfico por referência apresentado no artigo mostra apenas FreshQA e WebWalkerQA, além da pontuação global.
O gráfico de latência mostra que, tanto na média geral como no subconjunto WebWalkerQA, os valores da AnySearch são mais baixos.
| Sistema de pesquisa | Valor médio de latência | Valor de latência no WebWalkerQA |
|---|---|---|
| AnySearch | 48,0 | 76,5 |
| Brave Search | 68,9 | 133,0 |
| Parallel | 77,4 | 145,6 |
A imagem original não especifica as unidades, por isso a tabela mantém intencionalmente os valores reportados, sem os converter para segundos ou milissegundos.
A AnySearch atualmente suporta três principais formas de integração:
O projeto oficial no GitHub fornece uma habilidade e um servidor MCP sob licença Apache-2.0. Ambos suportam pesquisa web geral, pesquisa em domínios verticais, pesquisa em lote paralela e extração de URLs de páginas completas.
Esta imagem está relacionada ao conteúdo sobre o AnySearch apresentado no documento, sendo uma representação visual das funções e recursos do AnySearch, ajudando os leitores a compreenderem mais claramente os tipos de pesquisa suportados, entre outras informações.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/80912d0a-73aa-4f80-bbab-eb6f0779cd63-e96fb0d4-000e-4288-ae1b-bf3c078c578f.png)
O repositório oficial recomenda o download de uma versão fixa (pinned release), em vez de obter alterações não publicadas diretamente do branch principal.
Branch.
# Baixe uma versão específica da AnySearch Skill.
# Consulte a página de releases e substitua v2.1.0 quando houver uma versão estável mais recente.
curl -L -o anysearch-skill.zip \
https://github.com/anysearch-ai/anysearch-skill/archive/refs/tags/v2.1.0.zip
# Descompacte a release.
unzip anysearch-skill.zip
Mova o diretório descompactado para o local correspondente usado pelo seu agente:
# Claude Code
mv anysearch-skill-2.1.0 ~/.claude/skills/anysearch
# OpenCode
mv anysearch-skill-2.1.0 ~/.config/opencode/skills/anysearch
# Projeto Cursor ou Windsurf
mv anysearch-skill-2.1.0 /.skills/anysearch
# Local compartilhado do agente
mv anysearch-skill-2.1.0 ~/.agents/skills/anysearch
O diretório exato depende da plataforma do agente e de suas regras atuais de descoberta de skills.
A documentação oficial da skill e do MCP indica que o acesso anônimo possui limites de taxa mais baixos. A chave de API é opcional, mas recomendada para obter um uso mais estável ou maior.
Não envie a chave de API para repositórios públicos. Armazene-a em variáveis de ambiente, gerenciadores de chaves ou arquivos de configuração locais ignorados.
O primeiro teste no artigo de origem exigia que o agente encontrasse uma implementação real de rate limiter de API em Go voltada para produção, e não um tutorial introdutório.
O prompt era:
Estou construindo um projeto que precisa implementar um limitador de taxa de API em Go. Não preciso de tutoriais. Encontre código de nível de produção em projetos open-source reais.
Sem um fluxo de trabalho de pesquisa dedicado, foi relatado que o agente retornou links comuns e trechos de código isolados. Esse tipo de resultado, embora possa explicar conceitos, é de ajuda limitada quando um desenvolvedor precisa de contexto completo de implementação.
Uma execução auxiliada pelo AnySearch retornou resultados mais estruturados e orientados a código, com cadeias de chamadas mais claras e materiais de bases de código reais.
Essa diferença é crucial, pois o código de produção não envolve apenas algoritmos. Um resultado de pesquisa útil deve ajudar o agente a examinar:
Uma pesquisa de código que extrai uma função bonita, mas ignora seu contexto de suposições, pode enganar o agente de implementação.
Independentemente do provedor de pesquisa, consultas mais explícitas podem melhorar os resultados:
Encontre projetos Go open-source em manutenção que implementam limitação de taxa de API em código de produção.
Requisitos:
- Retorne repositórios e caminhos de arquivo exatos.
- Priorize código usado em servidores ou gateways reais.
- Inclua contexto de inicialização e fluxo de requisições.
- Indique algoritmo, armazenamento de backend, testes e licença.
- Exclua bases de código tutoriais e trechos copiados.
- Informe a data dos commits relevantes mais recentes.
O sistema de pesquisa deve fornecer evidências. O agente codificador ainda deve verificar o repositório, licença, testes, suposições de segurança e estado atual de manutenção antes de adaptar o código.
Segundo teste
Comparou AnySearch e Exa na mesma demanda de pesquisa corporativa.
Ambos os relatórios tiveram bom desempenho nas informações básicas públicas da empresa. A diferença principal foi na seção de riscos.
Relata-se que o AnySearch encontrou registros de conformidade publicados localmente e comunicados da plataforma que estavam ausentes no relatório gerado pelo Exa. A fonte atribuiu essa diferença ao acesso a fontes verticais de dados chinesas, e não ao modelo de linguagem em si.
Este exemplo destaca uma limitação comum na pesquisa corporativa: um índice global da web pode cobrir bem o site oficial da organização, reportagens internacionais e bancos de dados em inglês, mas pode perder registros locais regulatórios, judiciais, de reclamações ou de plataforma.
Um agente de due diligence deve pesquisar explicitamente várias categorias:
Importante: A due diligence assistida por pesquisa não substitui a revisão jurídica, financeira ou de conformidade profissional. Os registros podem estar incompletos, nomes podem causar confusão e resumos automáticos podem interpretar erroneamente as evidências.
O terceiro teste exigiu que o AnySearch gerasse um relatório do mercado global de energia, cobrindo:
A saída da fonte mostrou resultados incluindo detalhes regionais de estoques, comparação de preços de eletricidade europeus e dados de emissões. O relatório citou informações recentes, incluindo dados divulgados pela Administração de Informação de Energia dos EUA em 9 de julho e preços de eletricidade do dia seguinte na Europa em 12 de julho.
Esta imagem está relacionada ao conteúdo do terceiro teste no documento, apresentando dados de preços à vista de vários países europeus, parte do relatório do mercado global de energia gerado pelo AnySearch.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/3f5432f8-0641-4e6e-b8aa-62b6a50e7d18-f18fcac7-52c7-4efa-a066-9c9722c9cea9.jpeg)
Este é um exemplo típico de consulta em múltiplos domínios, que exige que o sistema identifique que uma única solicitação contém múltiplos caminhos de dados independentes, e não uma simples pesquisa em páginas web convencionais.
Uma implementação confiável deve:
Os dados atuais devem sempre incluir um timestamp. Se o relatório não indicar a data de publicação da medição subjacente e seu período de cobertura, a palavra "mais recente" não tem significado.
A proposta central do design é que o AnySearch reconstrói o pipeline de recuperação em torno do comportamento do agente.
O fluxo mostrado pelo código-fonte contém cinco etapas:
O sistema primeiro identifica que tipo de evidência a consulta requer.
Descreva sua ideia uma vez e o We0 AI pode gerar um site de apresentacao, paginas e CMS, alem de ajudar a atrair clientes e trafego apos o lancamento.
Uma geração completa de projetos para registro gratuito
Melhor para experimentar um fluxo de geração completo e ver rapidamente um primeiro rascunho do projeto.
Consultas de contexto empresarial podem precisar de registros, patentes, bancos de dados legais e plataformas de reclamações. Problemas relacionados a código devem ser roteados para repositórios de código e documentação. Consultas sobre o mercado de energia podem precisar de dados oficiais de estoques e do mercado de eletricidade.
Isso é muito diferente de processar todas as solicitações por meio de um índice genérico.
O AnySearch afirma que, além da pesquisa geral, também suporta mais de 20 categorias verticais, abrangendo as seguintes áreas:
A interface MCP pública contém um método de diretório de domínios. O agente deve solicitar domínios válidos e padrões de parâmetros, em vez de criar filtros não suportados por conta própria.
Um problema que abrange vários domínios pode iniciar várias pesquisas independentes. O servidor MCP suporta a execução em lote de 1 a 5 objetos de consulta, e a falha de um ramo não bloqueia a execução dos outros ramos.
A recuperação paralela pode reduzir o tempo total de espera, mas apenas se a camada de agregação impedir que resultados de baixa qualidade que aparecem rapidamente tomem o lugar de resultados autoritativos mais lentos.
Evidências.
O texto original propõe três ideias de classificação:
O objetivo esperado é filtrar mais o conteúdo antes de ele entrar no modelo de linguagem.
Isso difere de pipelines que retornam um grande conjunto de resultados e deixam o modelo deduplicá-los sozinho. A pré-filtragem pode economizar tokens, mas introduz outra responsabilidade: o sistema de classificação não pode remover silenciosamente registros contraditórios críticos ou de fontes minoritárias.
Após a classificação, o AnySearch extrai o conteúdo principal, remove o ruído da página e converte os resultados para o formato Markdown.
O servidor MCP oficial também fornece uma operação de extração de URL, que retorna o conteúdo da página em Markdown, com um limite claro de truncamento de 50.000 caracteres.
A saída estruturada pode reduzir a carga de trabalho necessária para o modelo, especialmente quando os resultados incluem:
Suponha que um agente receba dez resultados sobre o mesmo evento. Se sete deles são reescritas do mesmo relatório original, o contexto contém alegações repetidas, e não sete confirmações independentes.
Isso gera três problemas:
A desduplicação baseada na origem visa preservar evidências únicas, em vez de simplesmente manter as páginas mais bem classificadas.
Uma resposta de busca prática para agentes deve tornar as informações de origem visíveis. Os desenvolvedores precisam saber se cinco resultados representam cinco fontes originais, cinco republicações da mesma fonte ou uma mistura de evidências primárias e secundárias.
O texto original descreve o menor consumo de tokens como uma vantagem do AnySearch, mas não divulga uma porcentagem genérica de redução de tokens.
Isso é razoável, pois a economia depende de:
Uma avaliação justa deve medir toda a tarefa, não apenas a primeira resposta de busca.
Métricas úteis incluem:
| Métrica | O que mede |
|---|---|
| Tokens de entrada da busca | Contexto consumido pelo material recuperado |
| Tokens totais do agente | Busca, raciocínio, operações subsequentes, |
│ Geração final │
│ Chamadas de busca por rodada │ Se a recuperação fraca leva a buscas repetidas │
│ Número de fontes distintas │ Diversidade de evidências após desduplicação │
│ Precisão das citações │ Se as fontes citadas apoiam as afirmações │
│ Completeza da resposta │ Se a resposta cobre as dimensões necessárias │
│ Latência ponta a ponta │ Tempo necessário para a tarefa │
│ Taxa de sucesso da tarefa │ Se o agente atingiu o objetivo esperado │
Uma resposta curta que omite evidências-chave não é uma estratégia de otimização. A redução de tokens só tem valor se a qualidade e a rastreabilidade da resposta forem mantidas.
Componentes de busca usados em produção real devem lidar com problemas de falha que raramente aparecem em demonstrações de produto.
O recurso destaca as seguintes características:
A documentação pública do MCP também suporta:
Equipes de produção ainda devem adicionar seus próprios controles:
A saída da busca é uma entrada externa não confiável. Mesmo texto Markdown limpo pode conter instruções maliciosas, declarações falsas ou conteúdo comprometido.
A busca tradicional ajuda usuários a localizar páginas. A busca para agentes tem um objetivo diferente: fornecer evidências legíveis por máquina para raciocínio e execução.
Isso altera as prioridades de design.
| Busca voltada para humanos | Busca voltada para agentes |
|---|---|
| Otimizada para navegação rápida | Otimizada para ingestão por máquina |
| Links e resumos | Evidências estruturadas |
| Usuário faz desduplicação | Sistema deve reduzir conteúdo repetido |
| Usuário verifica datas de validade | Datas devem ser explicitamente marcadas |
| Usuário decide em quem confiar | São necessários sinais de origem e qualidade |
| Navegação pode ser exploratória | Buscas repetidas consomem tempo e tokens |
| Layout visual é importante | Estrutura estável e Markdown são importantes |
O modelo determina a capacidade do agente de raciocinar com evidências. A camada de busca determina quais evidências estão inicialmente disponíveis.
À medida que os modelos melhoram, a importância da qualidade da recuperação só aumenta. Modelos poderosos podem gerar respostas altamente convincentes mesmo com contextos fracos. Isso torna a seleção de fontes, atualidade e rastreabilidade parte dos sistemas de segurança e confiabilidade dos agentes.
Desenvolvedores não devem escolher um provedor de busca com base em um único benchmark público ou em algum case impressionante.
Em vez disso, devem construir conjuntos de avaliação baseados em cenários reais.
Nas tarefas que seu agente executa.
Cubra casos simples e difíceis:
Use o mesmo modelo, prompt, estratégia de ferramenta e padrão de saída para cada provedor.
Armazene as fontes retornadas antes que o modelo as resuma. Caso contrário, você não pode determinar se o erro veio do processo de recuperação ou de raciocínio.
Meça latência, tokens totais, número de chamadas de busca repetidas, cobertura, suporte a citações, atualidade e taxa de falhas.
Tarefas financeiras, jurídicas, de segurança, saúde e conformidade exigem revisão por especialistas. A API de busca pode melhorar a coleta de evidências, mas não pode assumir responsabilidade profissional.
Desabilite uma fonte, reduza a velocidade de uma rota, retorne conteúdo com formato incorreto, injete resultados duplicados. A confiabilidade em produção depende do desempenho do sistema quando a recuperação é imperfeita.
AnySearch é um serviço de infraestrutura de busca em tempo real projetado para agentes de IA e desenvolvedores. Ele oferece busca na web, busca vertical, busca em lote e extração de texto completo com saída estruturada.
Ele possui um site onde os usuários podem experimentar a busca, mas seu posicionamento principal é como infraestrutura para agentes. As formas principais de integração incluem API, MCP e uma Skill instalável.
A documentação oficial da Skill e do MCP indica que o acesso anônimo tem limites de taxa e cotas baixos. A chave de API é opcional, mas recomendada para uso mais regular.
A documentação pública menciona finanças, pesquisa acadêmica, segurança, informações jurídicas, código e outras categorias. Agentes devem consultar o diretório de domínios suportados antes de usar parâmetros específicos de área.
Ele tenta rotear consultas antes da recuperação, reduzir fontes duplicadas, priorizar resultados com alta densidade de informação, remover ruídos de página e retornar conteúdo em formato Markdown estruturado. A economia real de tokens depende do conteúdo da consulta e do fluxo de trabalho mais amplo do agente.
Essa pontuação foi relatada pelo AnySearch e reproduzida no artigo original. Não foi encontrado um pacote completo de avaliação pública durante a verificação, portanto, o resultado deve ser tratado como dado comparativo relatado pelo fornecedor.
Não. Ele pode ajudar a coletar informações sobre empresas, jurídicas, financeiras e riscos públicos, mas profissionais devem verificar identidade, autoridade das fontes, integridade, jurisdição e interpretação.
Os repositórios de código da Skill e do servidor MCP do AnySearch são publicados sob a licença Apache-2.0. O backend da API hospedada é um serviço separado e não está incluído no escopo de licenciamento desses repositórios.
O AnySearch trata a busca como a camada de entrada para agentes, não como uma lista de páginas para navegação humana. Ele roteia consultas por fontes gerais e verticais, busca em múltiplos caminhos, classifica e deduplica evidências, remove ruídos de página e retorna conteúdo estruturado via API, MCP ou Skill.
Os exemplos no código-fonte ilustram por que esse design é crucial para descoberta de código em produção, due diligence de empresas locais e dados atuais de múltiplos mercados. Em cada caso, o agente precisa de evidências completas, oportunas e rastreáveis — não apenas de links relevantes.
Seu ranking no Product Hunt e os resultados de benchmark relatados pelo fornecedor tornam o AnySearch digno de teste, mas as equipes devem reproduzir os resultados comparativos usando suas próprias consultas, modelos, contabilidade de tokens e padrões de qualidade antes de substituir a pilha de recuperação em produção.
Em fluxos de trabalho de agentes, o modelo decide como processar as evidências; a camada de busca determina se as evidências corretas chegam ao modelo.
Comece com uma frase e tenha um site completo em minutos.
