Keenable打造面向AI Agent的专用搜索基础设施，布局下一代搜索市场

项目背景

随着AI Agent技术的快速发展，AI Agent对互联网信息检索的需求快速增长，业内预测未来AI Agent发起的搜索请求量将远超人类搜索量，搜索市场面临新的变革机遇。传统面向人类优化的搜索引擎无法适配Agent的使用需求，赛道已有Exa等竞品布局并获得大额融资，国内也有多家创业公司及云厂商开始布局面向Agent的搜索服务，行业普遍认为Agent搜索将成为AI时代重要的底层基础设施。 本案例依据「InfoQ 中文」公开发布的信息整理，原文：https://www.infoq.cn/article/KbbHdAQFxQM7AJIYMLqR?utm_source=rss&utm_medium=article

面临的痛点

现有通用搜索引擎从底层逻辑到产品形态均围绕人类使用习惯优化，适配人类“查询-浏览-点击”的搜索链路，排序规则、结果呈现都以人类点击、满意度为核心优化目标，无法适配AI Agent的使用需求。AI Agent完成单复杂任务时往往需要执行几十甚至上百次搜索，对搜索的召回率、新鲜度、延迟、并发能力、机器可读性、token效率都有极高要求，传统搜索方案不仅延迟高、调用成本昂贵，返回的冗余网页内容还会大幅提升后续模型推理的token成本，导致规模化调用时成本极易失控；而市面上基于传统搜索API套壳大模型的方案没有从底层索引结构针对Agent场景优化，无法从根源解决成本、效率问题。

优秘的方案

Keenable选择从底层重构搜索全链路技术栈，投入资源重新爬取全网网页搭建独立的Web索引，针对AI Agent的搜索需求优化索引结构、检索逻辑和排序规则，大幅降低搜索延迟和规模化调用成本。同时优化搜索结果输出形态，过滤冗余内容，输出精简、来源可信、适配模型推理的上下文内容，提升token利用效率，降低客户后续的模型推理成本。公司通过REST API、MCP Server、CLI等多种形式向AI Labs、推理服务提供商、Agent开发者开放搜索能力，针对不同规模客户设置阶梯定价策略，降低大规模高频调用客户的使用成本，后续还将研发WebQueryLanguage，支持AI系统整合多源网页信息回答跨页面的复杂问题，将开放Web转化为可被机器直接查询的数据集。

实施路径

落地成效