AnySearch pour les agents IA : recherche structurée, réduction du gaspillage de jetons et contexte en temps réel amélioré

Introduction

La recherche est devenue l'une des capacités externes les plus importantes à la disposition des agents IA. Les modèles puissants sont capables d'effectuer des raisonnements solides, mais ils ne peuvent pas récupérer des faits jamais consultés, distinguer les informations actuelles des rapports obsolètes sur la base de preuves, ni déduire de manière fiable des enregistrements d'entreprise manquants.

AnySearch aborde ce problème comme une infrastructure orientée agent, et non comme une page de recherche destinée à l'utilisateur. Au lieu de simplement renvoyer des liens, des titres et de courts extraits, il achemine les requêtes vers des sources web ou verticales pertinentes, élimine les doublons et le contenu de faible valeur, extrait les informations utiles et livre une réponse structurée pouvant entrer directement dans le contexte de raisonnement du modèle.

Ce produit a été classé premier sur Product Hunt le 6 juillet 2026 et pour la semaine correspondante. Sa présentation de lancement met l'accent sur la fourniture d'informations en temps réel, filtrées, dédupliquées et structurées via une API, un serveur MCP ou des compétences d'agent installables.

Cet article explique en quoi ce workflow de recherche orienté agent diffère des API de recherche traditionnelles, détaille les exemples présentés dans le rapport original et fournit des conseils pratiques d'installation et d'évaluation.

Note sur les benchmarks : Les données de précision et de latence ci-dessous proviennent des résultats de comparaison d'AnySearch reproduits à partir de l'article source. Les documents publics examinés pour cette version ne contiennent pas le code d'évaluation complet, les sorties brutes, les invites d'évaluation ou les analyses statistiques. Veuillez considérer ces données comme des résultats rapportés par le fournisseur, et non comme des benchmarks reproduits de manière indépendante.

Pourquoi les résultats de recherche ordinaires sont coûteux pour les agents

Les humains peuvent parcourir une page de résultats, ignorer les publicités, identifier les articles en double et juger quels liens méritent l'attention.

Les agents, quant à eux, reçoivent souvent chaque résultat comme une entrée, ce qui entraîne des coûts multiples :

• Les articles en double occupent de l'espace contextuel.
• Les longues pages contiennent de la navigation, des publicités et du texte non pertinent.
• Les résultats faibles peuvent déclencher des tours de recherche supplémentaires.
• Les informations obsolètes peuvent être prises pour des faits actuels.
• Les résumés de recherche peuvent omettre les preuves nécessaires à des conclusions fiables.
• Le modèle doit dépenser des tokens pour nettoyer avant de raisonner.

Le problème ne réside pas seulement dans la précision de la récupération, mais aussi dans la forme et la densité des informations renvoyées.

Par conséquent, un système de recherche pratique pour agent doit répondre à trois questions avant de transmettre les informations au modèle :

1. Quel type de source est le plus adapté à cette requête ?
2. Quels résultats fournissent des preuves uniques et fiables ?
3. Comment livrer les résultats sans le bruit des pages web ?

AnySearch est conçu autour de ces étapes.

Lancement sur Product Hunt et résultats de benchmark publics

AnySearch a été classé premier du jour et de la semaine sur Product Hunt le 6 juillet 2026. Product Hunt le décrit comme

Une recherche structurée en temps réel approuvée par les agents et les développeurs, qui récupère des informations filtrées et dédupliquées à partir de sources interrogées en parallèle.

L'article source présente également un système d'évaluation de 300 questions construit à partir de trois ensembles de référence :

• FRAMES
• FreshQA
• WebWalkerQA

Il indique qu'AnySearch, Brave Search et Parallel ont tous utilisé le même modèle de langage, de sorte que la couche de recherche (et non le choix du modèle) est la variable principale.

Précision rapportée

Système de recherche	Précision globale	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 évalue les questions qui dépendent d'informations actuelles ou changeantes. WebWalkerQA se concentre sur la navigation sur plusieurs pages et la localisation de preuves. Leur combinaison est très pertinente pour les agents qui ne se contentent pas d'une simple liste de liens superficiels.

FRAMES a été inclus dans l'évaluation globale de l'article source, mais le graphique présenté par l'article, ventilé par benchmark, n'affiche que FreshQA et WebWalkerQA en plus du score global.

Latence rapportée

Le graphique de latence montre qu'AnySearch a des valeurs plus faibles à la fois pour la comparaison moyenne et pour le sous-ensemble WebWalkerQA.

Système de recherche	Valeur de latence moyenne	Valeur de latence WebWalkerQA
AnySearch	48.0	76.5
Brave Search	68.9	133.0
Parallel	77.4	145.6

L'image source n'indique pas clairement d'unité, le tableau conserve donc intentionnellement les valeurs rapportées sans les convertir en secondes ou millisecondes.

Connexion d'AnySearch à un agent

AnySearch prend actuellement en charge trois principaux modes d'intégration :

• API
• MCP
• Compétence d'agent (Agent Skill)

Le projet GitHub officiel fournit une compétence et un serveur MCP sous licence Apache-2.0. Les deux prennent en charge la recherche web générale, la recherche verticale, la recherche par lots parallèle et l'extraction d'URL de page entière.

Cette image est liée au contenu présentant AnySearch dans le document. Elle fournit une représentation visuelle des fonctions et caractéristiques d'AnySearch, aidant les lecteurs à mieux comprendre les types de recherche pris en charge, entre autres informations.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/80912d0a-73aa-4f80-bbab-eb6f0779cd63-e96fb0d4-000e-4288-ae1b-bf3c078c578f.png)

Installer la compétence AnySearch

Le dépôt officiel recommande de télécharger une version figée (pinned release), plutôt que de récupérer directement des modifications non publiées depuis la branche principale.

Branche.

# Télécharger une version spécifique de la compétence AnySearch Skill.
# Consultez la page des versions ; remplacez v2.1.0 par une version stable plus récente le cas échéant.
curl -L -o anysearch-skill.zip \
  https://github.com/anysearch-ai/anysearch-skill/archive/refs/tags/v2.1.0.zip

# Décompresser la version.
unzip anysearch-skill.zip

Déplacez le répertoire décompressé vers l'emplacement approprié utilisé par votre agent :

# Claude Code
mv anysearch-skill-2.1.0 ~/.claude/skills/anysearch

# OpenCode
mv anysearch-skill-2.1.0 ~/.config/opencode/skills/anysearch

# Projet Cursor ou Windsurf
mv anysearch-skill-2.1.0 <projet>/.skills/anysearch

# Emplacement d'agent partagé
mv anysearch-skill-2.1.0 ~/.agents/skills/anysearch

Le répertoire exact dépend de la plateforme de l'agent et de ses règles actuelles de découverte des compétences.

Clé API et accès anonyme

La documentation officielle de la compétence et du MCP indique que l'accès anonyme a des limites de débit réduites. La clé API est facultative, mais recommandée pour une utilisation plus stable ou plus élevée.

Ne soumettez pas la clé API dans un dépôt public. Stockez-la dans une variable d'environnement, un gestionnaire de clés ou un fichier de configuration local ignoré.

Test 1 : Trouver du code Go de niveau production

Le premier test de l'article source demande à l'agent de trouver une implémentation réelle et professionnelle d'un limiteur de débit API en Go, et non un tutoriel d'introduction.

L'invite est la suivante :

Je construis un projet et j'ai besoin d'implémenter un limiteur de débit API en Go. Je n'ai pas besoin de tutoriel. Trouve-moi du code de niveau production provenant de véritables projets open source.

Sans workflow de recherche dédié, l'agent aurait, selon les rapports, renvoyé des liens courants et des extraits de code isolés. Ce résultat, bien qu'il puisse expliquer les concepts, est d'une utilité limitée lorsqu'un développeur a besoin du contexte complet de l'implémentation.

Une exécution assistée par AnySearch a renvoyé des résultats plus structurés et orientés code, avec des chaînes d'appel plus claires et du matériel provenant de bases de code réelles.

Cette distinction est cruciale, car le code de production ne se limite pas à un algorithme. Un résultat de recherche utile doit aider l'agent à examiner :

• La structure du paquet
• L'initialisation
• La configuration
• Les dépendances de stockage ou d'état distribué
• L'intégration middleware
• La gestion des erreurs
• Les tests
• La licence
• L'activité du projet
• La relation du code avec le reste du dépôt

Une recherche de code qui extrait une belle fonction mais ignore ses hypothèses contextuelles pourrait induire en erreur l'agent d'implémentation.

Une meilleure requête pour la recherche de code de production

Quel que soit le fournisseur de recherche, des requêtes plus explicites peuvent améliorer les résultats :

Trouver des projets Go open source maintenus qui implémentent un limiteur de débit API dans du code de production.

Exigences :
- Retourner le dépôt et les chemins de fichiers exacts.
- Privilégier le code utilisé dans un véritable serveur ou passerelle.
- Inclure le contexte d'initialisation et de flux de requêtes.
- Indiquer l'algorithme, le stockage backend, les tests et la licence.
- Exclure les bases de code tutoriel et les extraits de code copiés.
- Mentionner la date des commits récents pertinents.

Le système de recherche doit fournir des preuves. L'agent de codage doit toujours vérifier le dépôt, la licence, les tests, les hypothèses de sécurité et l'état de maintenance actuel avant d'adapter le code.

Test 2 : Due diligence d'entreprise

Deuxième test

Le même besoin de recherche d'entreprise a comparé AnySearch et Exa.

Les deux rapports ont bien performé sur les informations publiques de base de l'entreprise. Les différences résident principalement dans la partie risques.

Selon les rapports, AnySearch a trouvé des enregistrements de conformité publiés localement et des annonces de plateforme, absents du rapport généré par Exa. La source attribue cette différence à l'accès aux sources de données verticales chinoises, et non au modèle de langage lui-même.

Cet exemple met en lumière une limitation courante de la recherche d'entreprise : un index web mondial peut bien couvrir le site officiel de l'organisation, les reportages internationaux et les bases de données en anglais, mais peut manquer les registres locaux de régulation, de justice, de plaintes ou de plateformes.

Un agent de due diligence devrait explicitement rechercher dans plusieurs catégories :

1. Enregistrement de l'entreprise et bénéficiaire effectif
2. Financement et changements d'actionnariat
3. Procédures judiciaires et dossiers d'exécution
4. Avis réglementaires
5. Plaintes sur les produits et sanctions de plateforme
6. Brevets et marques
7. Incidents de cybersécurité et de données
8. Changements de direction
9. Signaux d'alarme financiers et opérationnels
10. Actualités récentes sur le marché national de l'entreprise

Remarque importante : La due diligence assistée par la recherche ne remplace pas un examen juridique, financier ou de conformité professionnel. Les enregistrements peuvent être incomplets, les noms peuvent prêter à confusion et les résumés automatiques peuvent mal interpréter les preuves.

Test 3 : Un rapport énergétique mondial en temps réel

Le troisième test a demandé à AnySearch de générer un rapport sur le marché mondial de l'énergie, couvrant :

• La variation des stocks de gaz naturel aux États-Unis
• Les prix de l'électricité day-ahead dans les pays européens
• L'intensité carbone du réseau électrique australien

Les résultats présentés par la source comprenaient des détails régionaux sur les stocks, une comparaison des prix européens de l'électricité et des données d'émission. Le rapport citait des informations récentes, notamment les données publiées par l'Agence américaine d'information sur l'énergie le 9 juillet et les prix day-ahead européens du 12 juillet.

Ce graphique est lié au troisième test du document, présentant les données des prix spot de l’électricité pour plusieurs pays européens, faisant partie du rapport sur le marché mondial de l’énergie généré par 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)

Ceci est un exemple typique de requête multidomaine, qui exige que le système reconnaisse une demande contenant plusieurs chemins de données indépendants, et non une simple recherche web unique.

Une implémentation fiable doit :

1. Décomposer la demande en sous-requêtes.
2. Acheminer chaque sous-requête vers la source de données appropriée.
3. Enregistrer les dates de publication et d’observation.
4. Conserver les unités et les définitions géographiques.
5. Distinguer les valeurs prévues des valeurs mesurées.
6. Fournir les URL ou les identifiants des sources.
7. Normaliser les données dans la sortie finale sans masquer les contradictions entre les points de données.

Les données actuelles doivent toujours inclure un horodatage. Si le rapport ne précise pas le moment de la publication des mesures sous-jacentes et leur période de couverture, le terme « dernier » n’a aucun sens.

Comment AnySearch achemine les requêtes

Le principe central de conception est qu’AnySearch reconstruit le pipeline de recherche autour du comportement des agents.

Le processus, tel que montré par le code source, comporte cinq phases :

1. Réception de la requête
2. Compréhension de l’intention
3. Ordonnancement du routage
4. Recherche parallèle
5. Agrégation des résultats et livraison à l’agent

1. Compréhension de l’intention

Le système identifie d’abord le type de preuves dont la requête a besoin.

Une requête sur une entreprise peut nécessiter des registres, des brevets, des bases de données juridiques et des plateformes de plaintes. Des questions liées au code doivent être acheminées vers des dépôts de code et de la documentation. Une requête sur le marché de l’énergie peut nécessiter des stocks officiels et des données sur les marchés de l’électricité.

Cela diffère considérablement du traitement de toutes les requêtes par le biais d’un index générique unique.

2. Domaine et routage des sources

AnySearch indique qu’en plus de la recherche générique, il prend en charge plus de 20 catégories verticales, couvrant les domaines suivants :

• Code
• Finance
• Recherche académique
• Sécurité
• Informations juridiques
• Données d’entreprise et commerciales
• Contenu web générique

L’interface MCP publique comprend une méthode de catalogue de domaines. L’agent doit demander les domaines valides et les schémas de paramètres, plutôt que de créer lui-même des filtres non pris en charge.

3. Recherche parallèle

Une question couvrant plusieurs domaines peut lancer plusieurs recherches indépendantes. Le serveur MCP prend en charge l’exécution par lots de 1 à 5 objets de recherche, et l’échec d’une branche ne bloque pas l’exécution des autres branches.

La recherche parallèle peut réduire le temps d’attente total, à condition que la couche d’agrégation empêche les résultats de faible qualité apparaissant rapidement de prendre le pas sur les résultats plus lents mais faisant autorité.

Preuves.

4. Classement avant le modèle

Le texte original propose trois idées de classement :

• Décroissance de source : Réduire le poids des résultats en double provenant du même site.
• Arbitrage de densité d’information : Privilégier les résultats offrant des preuves plus uniques et utiles.
• Classement hybride : Combiner la pertinence sémantique et l’actualité.

L’objectif attendu est de filtrer davantage le contenu avant qu’il n’entre dans le modèle de langage.

Cela diffère des pipelines qui renvoient un ensemble de résultats volumineux et laissent le modèle dédupliquer lui-même. Le préfiltrage peut économiser des tokens, mais introduit une autre responsabilité : le système de classement ne doit pas supprimer silencieusement des enregistrements minoritaires ou contradictoires essentiels.

5. Livraison structurée

Après le classement, AnySearch extrait le contenu principal, supprime le bruit de la page et convertit les résultats en format Markdown.

Le serveur MCP officiel propose également une opération d’extraction d’URL qui renvoie le contenu de la page en Markdown, avec une limite de troncature claire de 50 000 caractères.

La sortie structurée peut réduire la charge de travail du modèle, surtout lorsque les résultats incluent :

• Des titres clairs
• Des métadonnées de source
• Des dates
• Différents blocs de preuves
• Des tableaux
• Du code avec chemins de fichiers
• Des unités normalisées
• Des URL pour vérification

Pourquoi la déduplication réduit le gaspillage de tokens

Supposons qu’un agent reçoive dix résultats concernant le même événement. Si sept d’entre eux sont des reformulations d’un même rapport original, le contexte contient des affirmations redondantes, et non sept confirmations indépendantes.

Cela entraîne trois problèmes :

1. Les contenus répétés consomment de l’espace dans le contexte.
2. Le modèle peut à tort considérer les répétitions comme des preuves indépendantes.
3. Des preuves moins populaires mais plus fiables peuvent être évincées.

La déduplication basée sur la source vise à conserver des preuves uniques, et non simplement à garder les pages les mieux classées.

Une réponse de recherche pratique pour un agent doit rendre les sources visibles. Les développeurs doivent savoir si cinq résultats représentent cinq sources originales, cinq republications d’une même source, ou un mélange de preuves principales et secondaires.

L’économie de tokens est un résultat du pipeline, pas un pourcentage fixe

Le texte original décrit une consommation réduite de tokens comme un avantage d’AnySearch, mais n’annonce pas de pourcentage général de réduction des tokens.

C’est logique, car l’économie dépend de :

• Le nombre de résultats bruts
• La longueur des pages
• Le taux de redondance
• La qualité de l’extraction
• Le tokeniseur du modèle
• La taille maximale du contexte
• Si l’agent effectuera à nouveau une recherche
• La profondeur de citation requise
• La quantité de métadonnées structurées conservées

Une évaluation équitable doit mesurer l’ensemble de la tâche, pas seulement la réponse à la première recherche.

Les indicateurs utiles incluent :

Indicateur	Ce qu’il mesure
Tokens d’entrée de recherche	Contexte consommé par les matériaux récupérés
Tokens totaux de l’agent	Recherche, raisonnement, actions suivantes,
Génération finale
Nombre d’appels de recherche par cycle	Une faible récupération entraîne-t-elle des recherches répétées
Nombre de sources distinctes	Diversité des preuves après déduplication
Précision des citations	Les sources citées soutiennent-elles les affirmations concernées
Complétude de la réponse	La réponse couvre-t-elle les dimensions requises
Latence de bout en bout	Temps nécessaire pour que la tâche soit disponible
Taux de succès de la tâche	L’agent atteint-il l’objectif attendu

Une réponse courte qui omet des preuves clés n’est pas une stratégie d’optimisation. La réduction du nombre de tokens n’a de valeur que si la qualité et la traçabilité de la réponse sont maintenues.

Caractéristiques d’ingénierie natives pour les agents

Les composants de recherche utilisés dans les environnements de production réels doivent gérer des problèmes de défaillance rarement rencontrés dans les démonstrations produit.

La ressource source met en avant les caractéristiques suivantes :

• Gestion des dépassements de délai
• Repli automatique
• Routage multi-sources
• Accès API
• Support MCP
• Support des compétences
• Sortie structurée en Markdown

La documentation publique MCP prend également en charge les fonctionnalités suivantes :

• Recherche web générale
• Recherche verticale
• Recherche parallèle par lots
• Extraction de pages entières
• Accès anonyme
• Authentification facultative par clé API

Les équipes de production doivent encore ajouter leurs propres contrôles :

• Budget de délai par source
• Mécanisme de réessai avec backoff
• Suivi des requêtes et des coûts
• Listes blanches et noires de sources
• Analyse des injections de prompts
• Filtrage des informations personnelles identifiables et des secrets
• Limite de taille des résultats
• Stratégie de cache
• Journaux d’audit
• Révision humaine pour les décisions à haut risque

La sortie de recherche est une entrée externe non fiable. Même le texte Markdown nettoyé peut contenir des instructions malveillantes, des déclarations fausses ou des contenus compromis.

La recherche devient une infrastructure pour les agents

La recherche traditionnelle aide les utilisateurs à localiser des pages. La recherche pour agents a un objectif différent : fournir des preuves exploitables par machine pour le raisonnement et l’exécution.

Cela modifie les priorités de conception.

Recherche pour humains	Recherche pour agents
Optimisée pour un survol rapide	Optimisée pour l’ingestion machine
Liens et résumés	Preuves structurées
Déduplication par l’utilisateur	Le système doit réduire les contenus répétés
L’utilisateur vérifie les dates d’expiration	Les dates doivent être clairement indiquées
L’utilisateur décide à qui faire confiance	Signaux de source et de qualité nécessaires
La navigation peut être exploratoire	Les recherches répétées consomment du temps et des tokens
La disposition visuelle est importante	L’architecture stable et le Markdown sont importants

Le modèle détermine la capacité de l’agent à raisonner à partir des preuves. La couche de recherche détermine quelles preuves sont initialement disponibles.

À mesure que les capacités des modèles augmentent, l’importance de la qualité de la récupération ne fait que croître. Les modèles puissants peuvent générer des réponses très convaincantes même à partir d’un contexte faible. Cela fait de la sélection des sources, de l’actualité et de la traçabilité une partie du système de sécurité et de fiabilité des agents.

Comment évaluer AnySearch dans votre propre flux de travail

Les développeurs ne devraient pas choisir un fournisseur de recherche uniquement sur la base d’un benchmark public ou d’une démonstration impressionnante.

Ils devraient plutôt construire un ensemble d’évaluation basé sur des scénarios réels.

Les tâches que votre agent exécute.

Première étape : Définir des requêtes représentatives

Couvrir des cas simples et difficiles :

• Actualités récentes
• Code de dépôt
• Dossiers d’entreprises locales
• Articles académiques
• Informations réglementaires
• Données multi-pays
• Questions avec sources contradictoires
• Requêtes nécessitant plusieurs sous-domaines

Deuxième étape : Maintenir le modèle constant

Utiliser le même modèle, les mêmes invites, la même stratégie d’outils et le même schéma de sortie pour chaque fournisseur.

Troisième étape : Capturer les preuves brutes

Stocker les sources renvoyées avant que le modèle ne les résume. Sinon, vous ne pouvez pas déterminer si l’erreur provient du processus de récupération ou de raisonnement.

Quatrième étape : Évaluer plus de dimensions que la seule précision

Mesurer la latence, le nombre total de tokens, le nombre d’appels de recherche répétés, la couverture, le support des citations, l’actualité et le taux d’échec.

Cinquième étape : Examiner manuellement les résultats à haut risque

Les tâches financières, juridiques, de sécurité, médicales et de conformité nécessitent une validation par des experts. Les API de recherche peuvent améliorer la collecte de preuves, mais ne peuvent assumer la responsabilité professionnelle.

Étape 6 : Tester les comportements en cas de défaillance

Désactivez une source, ralentissez une route, retournez un contenu au format erroné, injectez des résultats en double. La fiabilité en production dépend des performances du système lorsque la récupération est imparfaite.

Questions fréquentes

Qu'est-ce qu'AnySearch ?

AnySearch est un service d'infrastructure de recherche en temps réel conçu pour les agents IA et les développeurs. Il propose une recherche web, une recherche par domaine vertical, une recherche par lots et une extraction de texte intégral avec sortie structurée.

AnySearch est-il un moteur de recherche destiné aux consommateurs ?

Il dispose d'un site web permettant aux utilisateurs d'essayer la recherche, mais son positionnement principal est celui d'une infrastructure pour agents. Les modes d'intégration principaux incluent l'API, le MCP et une Skill installable.

AnySearch fonctionne-t-il sans clé API ?

La documentation officielle de la Skill et du MCP indique que l'accès anonyme est soumis à des limites de débit et des quotas plus faibles. La clé API est facultative, mais recommandée pour une utilisation plus régulière.

Quels domaines verticaux AnySearch prend-il en charge ?

La documentation publique mentionne la finance, la recherche académique, la sécurité, les informations juridiques, le code, ainsi que d'autres catégories. Les agents doivent consulter le répertoire des domaines pris en charge avant d'utiliser un paramètre de domaine spécifique.

Comment AnySearch réduit-il l'utilisation de tokens ?

Il tente de router les requêtes avant la récupération, de réduire les sources en double, de privilégier les résultats à haute densité d'information, de supprimer le bruit des pages et de retourner un format Markdown structuré. Les économies réelles de tokens dépendent du contenu de la requête et du flux de travail plus large de l'agent.

Le benchmark de 76,4 % a-t-il été vérifié de manière indépendante ?

Ce score a été rapporté par AnySearch et reproduit dans l'article original. Aucun ensemble d'évaluation publique complet n'a été trouvé lors de la vérification, ce résultat doit donc être considéré comme une donnée comparative rapportée par le fournisseur.

AnySearch peut-il remplacer une due diligence professionnelle ?

Non. Il peut aider à collecter des informations sur les entreprises, juridiques, financières et les risques publics, mais les professionnels doivent vérifier l'identité, l'autorité de la source, l'exhaustivité, la juridiction et l'interprétation.

AnySearch est-il open source ?

Les bases de code de la Skill AnySearch et du serveur MCP sont publiées sous licence Apache-2.0. Le backend de l'API hébergée est un service distinct, non couvert par la licence de ces bases de code.

Outils connexes

• AnySearch : Infrastructure de recherche en temps réel et structurée pour les agents IA.
• AnySearch Skill : Une compétence d'agent installable prenant en charge la recherche web, verticale, par lots et par contenu d'URL.
• Serveur MCP AnySearch : Une solution d'intégration MCP exposant les outils AnySearch aux agents compatibles.
• Exa : API de recherche, de scraping, de crawling et de recherche conçue pour les applications IA.
• Tavily : API de recherche et d'extraction en temps réel pour les agents et les flux de travail RAG.
• Brave Search API : API de recherche web indépendante pour les applications et les systèmes IA.
• Model Context Protocol : Un protocole ouvert pour connecter les applications IA à des outils et données externes.

Liens connexes

• AnySearch sur Product Hunt : Description du produit, informations de lancement, retours de la communauté et récompenses.
• Classement Product Hunt de la semaine du 6 juillet 2026 : Classement montrant AnySearch en première position de la semaine de lancement.
• Guide d'installation de la Skill AnySearch : Instructions officielles de configuration, clé API, répertoire et exécution.
• Documentation du MCP AnySearch : Fonctionnalités, paramètres, authentification et définitions d'outils officiels du MCP.
• Dépôt FreshQA : Données et code pour évaluer les questions nécessitant des connaissances mondiales actualisées.
• Article FreshLLMs : Article de recherche présentant FreshQA et l'évaluation augmentée par la recherche.
• Article WebWalkerQA : Benchmark pour le parcours de pages web et la récupération de preuves à travers des sites structurés.

Résumé

AnySearch considère la recherche comme une couche d'entrée pour les agents, et non comme une liste de pages à parcourir pour les humains. Il achemine les requêtes à travers des sources générales et verticales, recherche sur plusieurs chemins, trie et déduplique les preuves, supprime le bruit des pages et retourne un contenu structuré via une API, un MCP ou une intégration Skill.

Les exemples dans le code source montrent pourquoi cette conception est cruciale pour la découverte de code en production, la due diligence locale d'entreprise et les données multi-marchés actuelles. Dans chaque cas, l'agent a besoin de preuves complètes, opportunes et traçables – et pas seulement de liens pertinents.

Son classement Product Hunt et les résultats de benchmark rapportés par le fournisseur font d'AnySearch un outil à tester, mais les équipes devraient reproduire les comparaisons avec leurs propres requêtes, modèles, comptabilité de tokens et critères de qualité avant de remplacer leur pile de recherche en production.

Dans les flux de travail des agents, le modèle décide comment traiter les preuves ; la couche de recherche détermine si les bonnes preuves parviennent au modèle.