AnySearch für KI-Agenten: Strukturierte Suche reduziert Token-Verschwendung und liefert bessere Echtzeit-Kontexte

Einleitung

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.

Warum herkömmliche Suchergebnisse für Agenten teuer sind

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:

• Doppelte Artikel belegen Kontextplatz.
• Lange Seiten enthalten Navigation, Werbung und irrelevanten Text.
• Schwache Ergebnisse können zusätzliche Suchrunden auslösen.
• Veraltete Informationen könnten als aktuelle Fakten fehlinterpretiert werden.
• Suchzusammenfassungen könnten die für zuverlässige Schlussfolgerungen erforderlichen Belege übersehen.
• Das Modell muss vor dem Reasoning Tokens für die Bereinigung aufwenden.

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:

1. Welcher Quellentyp eignet sich am besten für diese Abfrage?
2. Welche Ergebnisse liefern eindeutige und glaubwürdige Belege?
3. Wie können Ergebnisse ohne Web-Rauschen ausgeliefert werden?

AnySearch ist genau um diese Schritte herum konzipiert.

Product Hunt Launch und öffentliche Benchmark-Ergebnisse

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:

• FRAMES
• FreshQA
• WebWalkerQA

Der Artikel stellte fest, dass AnySearch, Brave Search und Parallel dasselbe Sprachmodell verwendeten, sodass die Suchschicht (und nicht die Modellauswahl) die Hauptvariable war.

Berichtete Genauigkeit

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.

Berichtete Latenz

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 mit Agenten verbinden

AnySearch unterstützt derzeit drei Hauptintegrationsmethoden:

• API
• MCP
• Agenten-Skill (Agent Skill)

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)

Installieren der AnySearch-Fähigkeit

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 <project>/.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.

API-Schlüssel und anonymer Zugriff

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.

Test 1: Suche nach produktionsreifem Go-Code

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:

• Paketstruktur
• Initialisierung
• Konfiguration
• Speicher- oder verteilte Statusabhängigkeiten
• Middleware-Integration
• Fehlerbehandlung
• Tests
• Lizenz
• Projektaktivität
• Beziehung des Codes zum Rest des Repositorys

Eine Codesuche, die eine schöne Funktion extrahiert, aber deren kontextuelle Annahmen ignoriert, könnte einen Implementierungsagenten in die Irre führen.

Optimierte Suchanfrage für Produktionscode

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.

Test 2: Unternehmens-Due-Diligence

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:

1. Unternehmensregistrierung und wirtschaftliches Eigentum
2. Finanzierung und Aktionärsveränderungen
3. Gerichts- und Durchsetzungsaufzeichnungen
4. Regulatorische Ankündigungen
5. Produktbeschwerden und Plattformstrafen
6. Patente und Marken
7. Cybersicherheits- und Datenvorfälle
8. Managementwechsel
9. Finanzielle und betriebliche Warnsignale
10. Aktuelle Nachrichten aus dem Heimatmarkt des Unternehmens

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.

Test 3: Ein Echtzeit-Bericht zur globalen Energie

Der dritte Test forderte AnySearch auf, einen Bericht zum globalen Energiemarkt zu erstellen, der Folgendes abdeckt:

• Veränderungen der US-Erdgaslagerbestände
• Day-Ahead-Strompreise in europäischen Ländern
• Kohlenstoffintensität des australischen Stromnetzes

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:

1. Die Anfrage in Teilabfragen aufschlüsseln.
2. Jede Teilabfrage an die passende Datenquelle weiterleiten.
3. Veröffentlichungs- und Beobachtungsdaten erfassen.
4. Einheiten und regionale Definitionen beibehalten.
5. Prognosewerte von tatsächlichen Messwerten unterscheiden.
6. Quell-URLs oder -Kennungen zurückgeben.
7. Die Ergebnisse in der endgültigen Ausgabe normalisieren, ohne Widersprüche zwischen den Daten zu verschleiern.

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.

Wie AnySearch Abfragen routet

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:

1. Anfrageeingang
2. Intentionsverständnis
3. Routing-Orchestrierung
4. Paralleles Retrieval
5. Ergebnisaggregation und Agentenauslieferung

1. Intentionsverständnis

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.

Dies unterscheidet sich grundlegend von der Verarbeitung aller Anfragen über einen einzigen generellen Index.

2. Bereichs- und Quellen-Routing

Laut AnySearch unterstützt das Tool neben der allgemeinen Websuche über 20 vertikale Kategorien, die folgende Bereiche abdecken:

• Code
• Finanzen
• Wissenschaftliche Forschung
• Sicherheit
• Rechtsinformationen
• Unternehmens- und Geschäftsdaten
• Allgemeine Webinhalte

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.

3. Paralleles Retrieval

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.

4. Sortierung vor dem Modell

Der Originaltext schlägt drei Sortierkonzepte vor:

• Quell-Dämpfung: Reduziert die Gewichtung wiederholter Ergebnisse von derselben Quelle.
• Informationsdichte-Schiedsgerichtsbarkeit: Bevorzugt Ergebnisse, die mehr einzigartige und nützliche Beweise liefern.
• Hybride Sortierung: Kombiniert semantische Relevanz mit Aktualität.

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.

5. Strukturierte Auslieferung

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:

• Klare Überschriften
• Quell-Metadaten
• Daten
• Unterschiedliche Beweisblöcke
• Tabellen
• Code mit Dateipfaden
• Standardisierte Einheiten
• URLs zur Überprüfung

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:

1. Wiederholtes Material verbraucht Kontextspeicherplatz.
2. Das Modell könnte Wiederholungen fälschlicherweise als unabhängige Belege werten.
3. Weniger populäre, aber autoritativere Belege könnten verdrängt werden.

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.

Die Tokeneinsparung ist ein Ergebnis der Pipeline, kein fester Prozentsatz

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:

• Der Anzahl der ursprünglichen Ergebnisse
• Der Seitenlänge
• Der Wiederholungsrate
• Der Extraktionsqualität
• Dem Modell-Tokenizer
• Der maximalen Kontextgröße
• Ob der Agent erneut suchen wird
• Der erforderlichen Zitierungstiefe
• Der Menge beibehaltener strukturierter Metadaten

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.

Für Agenten konzipierte engineering-Eigenschaften

Suchkomponenten in der Produktion müssen mit Fehlern umgehen, die in Produktdemos selten auftreten.

Die Ressourcen heben folgende Eigenschaften hervor:

• Timeout-Behandlung
• Automatisches Fallback
• Multi-Quellen-Routing
• API-Zugriff
• MCP-Unterstützung
• Skill-Unterstützung
• Strukturierte Markdown-Ausgabe

Die öffentliche MCP-Dokumentation unterstützt zudem:

• Allgemeine Websuche
• Vertikale Suche
• Parallele Batch-Suche
• Komplette Seitenextraktion
• Anonymen Zugriff
• Optionale API-Key-Authentifizierung

Produktionsteams sollten dennoch eigene Kontrollen hinzufügen:

• Timeout-Budget pro Quelle
• Wiederholungsmechanismus mit Backoff
• Anfrage- und Kostenverfolgung
• Quellen-Whitelist und -Blacklist
• Prompt-Injection-Scanning
• Filterung personenbezogener Daten und Geheimnisse
• Ergebnisgrößenbeschränkungen
• Caching-Strategie
• Audit-Logs
• Manuelle Überprüfung bei risikoreichen Entscheidungen

Suchausgaben sind nicht vertrauenswürdige externe Eingaben. Selbst bereinigter Markdown-Text kann noch bösartige Anweisungen, Falschaussagen oder kompromittierte Inhalte enthalten.

Suche wird zur Agenteninfrastruktur

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.

So evaluieren Sie AnySearch in Ihrem eigenen Workflow

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.

Schritt 1: Definieren Sie repräsentative Abfragen

Decken Sie einfache und schwierige Fälle ab:

• Aktuelle Nachrichten
• Repository-Code
• Lokale Unternehmensdaten
• Wissenschaftliche Arbeiten
• Regulierungsinformationen
• Daten aus mehreren Ländern
• Fragen mit widersprüchlichen Quellen
• Abfragen, die mehrere Teilgebiete erfordern

Schritt 2: Behalten Sie das Modell bei

Verwenden Sie für jeden Anbieter dasselbe Modell, denselben Prompt, dieselbe Werkzeugstrategie und dasselbe Ausgabeformat.

Schritt 3: Erfassen Sie die ursprünglichen Beweise

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.

Schritt 4: Bewerten Sie mehr Dimensionen als nur die Genauigkeit

Messen Sie Latenz, Gesamt-Token, Anzahl wiederholter Suchaufrufe, Abdeckung, Zitierunterstützung, Aktualität und Fehlerraten.

Schritt 5: Lassen Sie risikoreiche Ergebnisse manuell überprüfen

Finanz-, Rechts-, Sicherheits-, medizinische und Compliance-Aufgaben erfordern eine fachliche Prüfung. Die Such-API kann die Beweissammlung verbessern, aber keine professionelle Verantwortung übernehmen.

Schritt 6: Fehlerverhalten testen

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.

Häufig gestellte Fragen

Was ist AnySearch?

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.

Ist AnySearch eine verbraucherorientierte Suchmaschine?

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.

Funktioniert AnySearch auch ohne API-Schlüssel?

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.

Welche vertikalen Bereiche unterstützt AnySearch?

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.

Wie reduziert AnySearch den Token-Verbrauch?

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.

Ist der Benchmark von 76,4 % unabhängig verifiziert?

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.

Kann AnySearch eine professionelle Due-Diligence-Prüfung ersetzen?

Nein. Es kann helfen, Informationen zu Unternehmen, rechtlichen, finanziellen und öffentlichen Risiken zu sammeln, aber Fachleute müssen Identität, Quellenautorität, Vollständigkeit, Gerichtsbarkeit und Interpretation überprüfen.

Ist AnySearch Open Source?

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.

Verwandte Tools

• AnySearch: Echtzeit-strukturierte Suchinfrastruktur für KI-Agenten.
• AnySearch Skill: Ein installierbarer Agenten-Skill für Web-, Vertikal-, Batch- und URL-Inhaltssuche.
• AnySearch MCP-Server: Eine MCP-Integration, die AnySearch-Tools kompatiblen Agenten bereitstellt.
• Exa: Such-, Content-Scraping-, Crawling- und Forschungs-API, entwickelt für KI-Anwendungen.
• Tavily: Echtzeit-Such- und Extraktions-API für Agenten- und RAG-Workflows.
• Brave Search API: Unabhängige Websuche-API für Anwendungen und KI-Systeme.
• Model Context Protocol: Ein offenes Protokoll zur Verbindung von KI-Anwendungen mit externen Tools und Daten.

Verwandte Links

• AnySearch auf Product Hunt: Produktbeschreibung, Veröffentlichungsinformationen, Community-Feedback und Auszeichnungen.
• Product Hunt Rangliste für die Woche vom 6. Juli 2026: Zeigt die Rangliste, in der AnySearch in der Veröffentlichungswoche auf Platz 1 stand.
• AnySearch Skill Installationsanleitung: Offizielle Einrichtung, API-Schlüssel, Verzeichnis und Laufzeithinweise.
• AnySearch MCP-Dokumentation: Offizielle MCP-Funktionen, Parameter, Authentifizierung und Tool-Definitionen.
• FreshQA Repository: Daten und Code zur Evaluierung von Fragen, die aktuelles Weltwissen erfordern.
• FreshLLMs Paper: Forschungsarbeit, die FreshQA und Suchverstärkungsevaluierung vorstellt.
• WebWalkerQA Paper: Benchmark für webseitenübergreifende Strukturnavigation und Beweissuche.

Zusammenfassung

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.