AnySearch per Agenti AI: Ricerca strutturata, riduzione dello spreco di token e contesto in tempo reale migliorato

Introduzione

La ricerca è diventata una delle capacità esterne più importanti a disposizione degli agenti AI. I modelli potenti sono in grado di ragionare bene, ma non possono recuperare fatti mai consultati, distinguere informazioni attuali da resoconti superati basandosi su prove, né dedurre in modo affidabile documenti aziendali mancanti.

AnySearch affronta questo problema come un'infrastruttura orientata agli agenti, non come una pagina di ricerca rivolta agli utenti. Invece di restituire semplicemente link, titoli e brevi estratti, instrada le query verso fonti web o verticali pertinenti, rimuove duplicati e contenuti di scarso valore, estrae informazioni utili e fornisce risposte strutturate pronte per essere inserite nel contesto di ragionamento del modello.

Il prodotto è stato primo su Product Hunt sia il giorno stesso che la settimana del 6 luglio 2026. La presentazione del lancio sottolinea come offra informazioni in tempo reale, filtrate, deduplicate e strutturate tramite API, server MCP o abilità di agenti installabili.

Questo articolo spiega le differenze tra questo flusso di lavoro di ricerca orientato agli agenti e le API di ricerca tradizionali, analizza in dettaglio gli esempi mostrati nel rapporto originale e fornisce guide pratiche per l'installazione e la valutazione.

Nota sul benchmark: I dati di precisione e latenza qui sotto provengono dai risultati comparativi di AnySearch riprodotti nell'articolo originale. I materiali pubblici revisionati per questa versione non includono il codice di valutazione completo, gli output grezzi, i prompt di giudizio o le analisi statistiche. Si prega di considerare questi dati come risultati riportati dal fornitore, non come benchmark riprodotti in modo indipendente.

Perché i Risultati di Ricerca Normali sono Costosi per gli Agenti

Gli umani possono sfogliare la pagina dei risultati, ignorare le pubblicità, identificare articoli duplicati e giudicare quali link meritano attenzione.

Gli agenti, invece, spesso ricevono ogni risultato come input, generando costi multipli:

• Articoli duplicati occupano spazio nel contesto.
• Le pagine lunghe contengono navigazione, pubblicità e testo irrilevante.
• Risultati deboli possono innescare ulteriori round di ricerca.
• Informazioni obsolete possono essere scambiate per fatti attuali.
• I riepiloghi di ricerca potrebbero omettere le prove necessarie per conclusioni affidabili.
• Il modello deve spendere token per pulire i dati prima di ragionare.

Il problema non è solo l'accuratezza del recupero, ma la forma e la densità delle informazioni restituite.

Pertanto, un sistema di ricerca pratico per agenti dovrebbe rispondere a tre domande prima di passare le informazioni al modello:

1. Quale tipo di fonte è più adatto per questa query?
2. Quali risultati forniscono prove uniche e credibili?
3. Come fornire i risultati senza il rumore della pagina web?

AnySearch è progettato attorno a questi passaggi.

Lancio su Product Hunt e Risultati dei Benchmark Pubblici

AnySearch ha raggiunto il primo posto su Product Hunt il 6 luglio 2026, sia per il giorno che per la settimana. Product Hunt lo descrive come

ricerca strutturata in tempo reale, affidabile per agenti e sviluppatori, che ottiene informazioni filtrate e deduplicate da fonti di ricerca parallele.

L'articolo originale introduce anche un sistema di valutazione composto da 300 domande basate su tre gruppi di benchmark:

• FRAMES
• FreshQA
• WebWalkerQA

L'articolo indica che AnySearch, Brave Search e Parallel hanno utilizzato lo stesso modello linguistico, quindi il livello di ricerca (non la scelta del modello) è la variabile principale.

Precisione Segnalata

Sistema di Ricerca	Precisione Complessiva	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 valuta domande che dipendono da informazioni attuali o mutevoli. WebWalkerQA si concentra invece sulla navigazione di siti web su più pagine e sulla localizzazione delle prove. La loro combinazione è molto rilevante per agenti che non necessitano solo di un elenco superficiale di link.

FRAMES è stato incluso nella valutazione complessiva dell'articolo originale, ma il grafico suddiviso per benchmark mostra solo FreshQA e WebWalkerQA oltre al punteggio complessivo.

Latenza Segnalata

Il grafico della latenza mostra che AnySearch ha valori inferiori sia nella media complessiva che nel sottoinsieme WebWalkerQA.

Sistema di Ricerca	Valore Medio di Latenza	Valore di Latenza WebWalkerQA
AnySearch	48,0	76,5
Brave Search	68,9	133,0
Parallel	77,4	145,6

L'immagine originale non specifica le unità, quindi la tabella mantiene intenzionalmente i valori riportati, senza convertirli in secondi o millisecondi.

Collegare AnySearch all'Agente

AnySearch attualmente supporta tre principali modalità di integrazione:

• API
• MCP
• Abilità dell'Agente (Agent Skill)

Il repository ufficiale su GitHub fornisce un'abilità e un server MCP con licenza Apache-2.0. Entrambi supportano la ricerca web generale, la ricerca verticale, la ricerca batch parallela e l'estrazione di URL di pagine intere.

Questa immagine è correlata al contenuto introduttivo di AnySearch nel documento e fornisce una rappresentazione visiva delle funzionalità e delle caratteristiche di AnySearch, aiutando i lettori a comprendere più chiaramente i tipi di ricerca supportati e altre informazioni.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/80912d0a-73aa-4f80-bbab-eb6f0779cd63-e96fb0d4-000e-4288-ae1b-bf3c078c578f.png)

Installazione della skill AnySearch

Il repository ufficiale consiglia di scaricare una versione fissa (pinned release), anziché ottenere modifiche non ancora rilasciate direttamente dal ramo principale.

Ramo.

# Scarica una release specifica di AnySearch Skill.
# Consulta la pagina delle release e sostituisci v2.1.0 quando è disponibile una versione stabile più recente.
curl -L -o anysearch-skill.zip \
  https://github.com/anysearch-ai/anysearch-skill/archive/refs/tags/v2.1.0.zip

# Estrai la release.
unzip anysearch-skill.zip

Sposta la directory estratta nella posizione appropriata utilizzata dal tuo agente:

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

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

# Progetto Cursor o Windsurf
mv anysearch-skill-2.1.0 <project>/.skills/anysearch

# Posizione condivisa dell'agente
mv anysearch-skill-2.1.0 ~/.agents/skills/anysearch

La directory esatta dipende dalla piattaforma dell'agente e dalle sue attuali regole di discovery delle skill.

Chiave API e accesso anonimo

La documentazione ufficiale delle skill e di MCP indica che l'accesso anonimo ha limiti di frequenza inferiori. La chiave API è facoltativa, ma consigliata per un utilizzo più stabile o con volumi maggiori.

Non inviare la chiave API a repository pubblici. Conservala in variabili d'ambiente, gestori di chiavi o file di configurazione locali ignorati.

Test 1: Ricerca di codice Go di livello produttivo

Il primo test nell'articolo originale richiede all'agente di trovare un'implementazione reale e orientata alla produzione di un rate limiter API in Go, non un tutorial introduttivo.

Il prompt è:

Sto costruendo un progetto che richiede l'implementazione di un rate limiter API in Go. Non ho bisogno di tutorial. Trova codice di livello produttivo da progetti open source reali.

Senza un flusso di lavoro di ricerca dedicato, l'agente avrebbe restituito link comuni e frammenti di codice isolati. Sebbene questi risultati possano spiegare i concetti, sono di aiuto limitato quando uno sviluppatore necessita del contesto completo dell'implementazione.

L'esecuzione assistita da AnySearch ha restituito risultati più strutturati e orientati al codice, con catene di chiamate più chiare e materiali provenienti da codebase reali.

Questa differenza è cruciale, perché il codice di produzione non è solo algoritmo. I risultati di ricerca utili dovrebbero aiutare l'agente a esaminare:

• Struttura dei pacchetti
• Inizializzazione
• Configurazione
• Dipendenze di archiviazione o stato distribuito
• Integrazione middleware
• Gestione degli errori
• Test
• Licenza
• Attività del progetto
• Relazione del codice con il resto del repository

Una ricerca di codice che estrae una bella funzione ma ignora le ipotesi contestuali potrebbe fuorviare l'agente di implementazione.

Richiesta di ricerca di codice produttivo migliorata

Indipendentemente dal fornitore di ricerca, query più esplicite possono migliorare i risultati:

Cerca progetti Go open source mantenuti che implementano il rate limiting API in codice di produzione.

Requisiti:
- Restituisci repository e percorsi di file esatti.
- Dai priorità al codice utilizzato in server o gateway reali.
- Includi contesto di inizializzazione e flusso delle richieste.
- Indica algoritmo, backend di archiviazione, test e licenza.
- Escludi codebase di tutorial e frammenti di codice copiati.
- Segnala la data dei commit recenti pertinenti.

Il sistema di ricerca dovrebbe fornire prove. L'agente di codifica dovrebbe comunque verificare repository, licenza, test, presupposti di sicurezza e stato di manutenzione corrente prima di adattare il codice.

Test 2: Due diligence aziendale

Secondo test

Ha confrontato AnySearch e Exa sullo stesso requisito di ricerca aziendale.

Entrambi i report hanno performato bene sulle informazioni pubbliche di base dell'azienda. Le differenze principali riguardano la sezione dei rischi.

AnySearch avrebbe trovato registri di conformità pubblicati localmente e annunci su piattaforme, assenti nel report generato da Exa. La fonte attribuisce questa differenza all'accesso a fonti di dati verticali cinesi, non al modello linguistico stesso.

Questo esempio evidenzia un limite comune nella ricerca aziendale: un indice web globale può coprire bene i siti web ufficiali delle organizzazioni, la stampa internazionale e i database in inglese, ma potrebbe perdere registri locali di regolamentazione, tribunali, reclami o piattaforme.

Un agente di due diligence dovrebbe cercare esplicitamente in diverse categorie:

1. Registrazione aziendale e titolarità effettiva
2. Finanziamenti e modifiche all'azionariato
3. Contenzioso e registri di esecuzione
4. Annunci normativi
5. Reclami sui prodotti e sanzioni della piattaforma
6. Brevetti e marchi
7. Eventi di sicurezza informatica e dati
8. Cambiamenti nella direzione
9. Segnali di allarme finanziari e operativi
10. Notizie recenti dal mercato nazionale dell'azienda

Importante: La due diligence assistita dalla ricerca non sostituisce la revisione legale, finanziaria o di conformità professionale. I registri potrebbero essere incompleti, i nomi potrebbero causare confusione e i riassunti automatici potrebbero interpretare erroneamente le prove.

Test 3: Un report energetico globale in tempo reale

Il terzo test ha richiesto ad AnySearch di generare un report sul mercato energetico globale, coprendo:

• Variazioni delle scorte di gas naturale negli Stati Uniti
• Prezzi elettrici day-ahead per paese in Europa
• Intensità di carbonio della rete elettrica in Australia

L'output della fonte mostrava dettagli sulle scorte regionali, confronti dei prezzi elettrici europei e dati sulle emissioni. Il report citava informazioni recenti, inclusi i dati dell'EIA statunitense del 9 luglio e i prezzi elettrici day-ahead europei del 12 luglio.

Questa figura è correlata al contenuto del terzo test nel documento e presenta i dati sui prezzi elettrici day-ahead in più paesi europei, parte del report sul mercato energetico globale generato da 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)

Questo è un tipico esempio di query multi-dominio, che richiede al sistema di riconoscere che una singola richiesta contiene più percorsi di dati indipendenti, e non una semplice ricerca web generica.

Un’implementazione affidabile deve:

1. Suddividere la richiesta in sotto-query.
2. Instradare ogni sotto-query verso la fonte dati appropriata.
3. Registrare le date di pubblicazione e osservazione.
4. Mantenere le unità di misura e le definizioni geografiche.
5. Distinguere tra valori previsti e valori misurati.
6. Restituire URL o identificatori delle fonti.
7. Normalizzare l’output finale senza nascondere le contraddizioni tra i dati.

I dati correnti devono sempre includere un timestamp. Se il report non specifica la data di pubblicazione della misurazione sottostante e il suo periodo di copertura, il termine "aggiornato" perde ogni significato.

Come AnySearch instrada le query

La tesi centrale del progetto è che AnySearch ricostruisce il processo di recupero attorno al comportamento degli agenti.

Il flusso mostrato nel codice sorgente comprende cinque fasi:

1. Ricezione della query
2. Comprensione dell’intento
3. Orchestrazione del routing
4. Recupero parallelo
5. Aggregazione dei risultati e consegna all’agente

1. Comprensione dell’intento

Il sistema identifica innanzitutto il tipo di prove necessarie per la query.

Le query relative al contesto aziendale potrebbero richiedere registri, brevetti, database legali e piattaforme di reclami. I problemi legati al codice dovrebbero essere instradati verso repository di codice e documentazione. Le query sul mercato energetico potrebbero necessitare di dati ufficiali su scorte e mercati elettrici.

Questo approccio è radicalmente diverso dal trattare tutte le richieste attraverso un indice generico.

2. Routing per dominio e fonte

AnySearch dichiara di supportare, oltre alla ricerca generica, oltre 20 categorie verticali, tra cui:

• Codice
• Finanza
• Ricerca accademica
• Sicurezza
• Informazioni legali
• Dati aziendali e commerciali
• Contenuti web generici

L’interfaccia MCP pubblica include un metodo per l’elenco dei domini. L’agente dovrebbe richiedere i domini validi e gli schemi dei parametri, piuttosto che creare filtri non supportati.

3. Recupero parallelo

Una domanda che abbraccia più domini può avviare ricerche multiple e indipendenti. Il server MCP supporta l’esecuzione batch da 1 a 5 oggetti di query, e il fallimento di un ramo non blocca l’esecuzione degli altri.

Il recupero parallelo riduce il tempo di attesa totale, ma solo se il livello di aggregazione impedisce che i risultati di bassa qualità, che emergono rapidamente, sovrastino quelli autorevoli ma più lenti.

Prove.

4. Ordinamento prima del modello

Il testo originale propone tre idee di ordinamento:

• Decadimento per fonte: riduce il peso dei risultati duplicati provenienti dallo stesso sito.
• Arbitrato sulla densità informativa: privilegia i risultati che forniscono più prove uniche e utili.
• Ordinamento misto: combina pertinenza semantica e tempestività.

L’obiettivo previsto è filtrare maggiormente i contenuti prima che entrino nel modello linguistico.

Questo è diverso da un processo che restituisce un set di risultati ampio e lascia che sia il modello a deduplicare. Il pre-filtraggio può far risparmiare token, ma introduce un’altra responsabilità: il sistema di ordinamento non deve rimuovere silenziosamente fonti minoritarie o registrazioni critiche contraddittorie.

5. Consegna strutturata

Dopo l’ordinamento, AnySearch estrae il contenuto principale, rimuove il rumore della pagina e converte i risultati in formato Markdown.

Il server MCP ufficiale offre anche un’operazione di estrazione URL, che restituisce il contenuto della pagina in Markdown, con un limite di troncamento esplicito di 50.000 caratteri.

L’output strutturato può ridurre il lavoro richiesto al modello, specialmente quando i risultati includono:

• Titoli chiari
• Metadati delle fonti
• Date
• Blocchi di prove distinti
• Tabelle
• Codice con percorsi file
• Unità di misura normalizzate
• URL per la verifica

Perché la deduplicazione riduce lo spreco di token

Supponiamo che un agente riceva dieci risultati relativi allo stesso evento. Se sette di questi sono riscritture dello stesso rapporto originale, il contesto conterrà affermazioni duplicate, non sette conferme indipendenti.

Ciò comporta tre problemi:

1. Il materiale duplicato consuma spazio nel contesto.
2. Il modello potrebbe interpretare erroneamente la duplicazione come una corroborazione indipendente.
3. Le prove meno popolari ma più autorevoli potrebbero essere escluse.

La deduplicazione basata sulla fonte mira a preservare prove uniche, non semplicemente a mantenere le pagine con il punteggio più alto.

Una risposta di ricerca pratica per un agente dovrebbe rendere visibili le informazioni sulla fonte. Gli sviluppatori devono sapere se cinque risultati rappresentano cinque fonti originali, cinque pubblicazioni congiunte della stessa fonte o un mix di prove primarie e secondarie.

Il risparmio di token è un risultato del flusso di lavoro, non una percentuale fissa

Il testo originale descrive un minor consumo di token come vantaggio di AnySearch, ma non fornisce una percentuale generica di riduzione.

Ciò è ragionevole, poiché il risparmio dipende da:

• Numero di risultati originali
• Lunghezza della pagina
• Tasso di duplicazione
• Qualità dell'estrazione
• Tokenizer del modello
• Dimensione massima del contesto
• Se l'agente effettuerà ulteriori ricerche
• Profondità delle citazioni richieste
• Quantità di metadati strutturati conservati

Una valutazione equa dovrebbe misurare l'intera attività, non solo la risposta alla prima ricerca.

Le metriche utili includono:

Metrica	Cosa misura
Token di input della ricerca	Contesto consumato dal materiale recuperato
Token totali dell'agente	Ricerca, ragionamento, azioni successive,

│ generazione finale │
│ Numero di chiamate di ricerca per ciclo │ Se una ricerca debole porta a ricerche ripetute │
│ Numero di fonti distinte │ Diversità delle prove dopo la deduplicazione │
│ Precisione delle citazioni │ Se la fonte citata supporta l'affermazione pertinente │
│ Completezza della risposta │ Se la risposta copre le dimensioni richieste │
│ Latenza end-to-end │ Tempo necessario per completare l'attività │
│ Tasso di successo dell'attività │ Se l'agente raggiunge l'obiettivo previsto │

Una risposta breve che omette prove chiave non è una strategia di ottimizzazione. La riduzione del numero di token ha valore solo se vengono mantenuti la qualità e la tracciabilità della risposta.

Caratteristiche ingegneristiche native per gli agenti

I componenti di ricerca utilizzati in ambienti di produzione reali devono gestire problemi di malfunzionamento che raramente si verificano nelle demo di prodotto.

Le risorse evidenziano le seguenti caratteristiche:

• Gestione dei timeout
• Fallback automatico
• Instradamento multi-fonte
• Accesso API
• Supporto MCP
• Supporto per competenze
• Output Markdown strutturato

La documentazione pubblica di MCP supporta anche le seguenti funzionalità:

• Ricerca web generica
• Ricerca verticale
• Ricerca batch parallela
• Estrazione di pagine intere
• Accesso anonimo
• Autenticazione tramite chiave API opzionale

I team di produzione dovrebbero comunque aggiungere i propri controlli:

• Budget di timeout per ogni fonte
• Meccanismi di retry con backoff
• Tracciamento delle richieste e dei costi
• Whitelist e blacklist delle fonti
• Scansione per injection di prompt
• Filtraggio di PII e dati sensibili
• Limiti sulla dimensione dei risultati
• Strategie di caching
• Log di audit
• Revisione umana per decisioni ad alto rischio

L'output di ricerca è un input esterno non fidato. Anche il testo Markdown ripulito può contenere istruzioni dannose, dichiarazioni false o contenuti compromessi.

La ricerca sta diventando un'infrastruttura per agenti

La ricerca tradizionale aiuta gli utenti a trovare pagine. La ricerca per agenti ha un obiettivo diverso: fornire prove utilizzabili dalle macchine per ragionare ed eseguire azioni.

Ciò cambia le priorità di progettazione.

Ricerca per umani	Ricerca per agenti
Ottimizzata per una rapida consultazione	Ottimizzata per l'ingestione da parte di macchine
Collegamenti e riassunti	Prove strutturate
Gli utenti deduplicano autonomamente	Il sistema dovrebbe ridurre i contenuti duplicati
Gli utenti controllano le date di scadenza	Le date dovrebbero essere chiaramente indicate
Gli utenti decidono di chi fidarsi	Sono necessari segnali di provenienza e qualità
La navigazione può essere esplorativa	Le ricerche ripetute consumano tempo e token
Il layout visivo è importante	L'architettura stabile e Markdown sono importanti

Il modello determina la capacità dell'agente di utilizzare le prove per ragionare. Il livello di ricerca determina quali prove sono inizialmente disponibili.

Con il miglioramento dei modelli, l'importanza della qualità del recupero non potrà che aumentare. I modelli potenti possono generare risposte molto convincenti anche con un contesto debole. Ciò rende la selezione delle fonti, la tempestività e la tracciabilità parte del sistema di sicurezza e affidabilità dell'agente.

Come valutare AnySearch nel proprio flusso di lavoro

Gli sviluppatori non dovrebbero scegliere un fornitore di ricerca basandosi esclusivamente su un benchmark pubblico o su un case study impressionante.

Dovrebbero invece creare un set di valutazione basato su scenari reali.

I compiti eseguiti dal vostro agente.

Primo passo: Definire query rappresentative

Coprire casi semplici e complessi:

• Notizie attuali
• Codice di repository
• Documenti di aziende locali
• Articoli accademici
• Informazioni normative
• Dati multinazionali
• Domande con fonti in conflitto
• Query che richiedono più sotto-domini

Secondo passo: Mantenere il modello invariato

Utilizzare lo stesso modello, prompt, strategia di strumenti e schema di output per ogni fornitore.

Terzo passo: Acquisire le prove originali

Memorizzare le fonti restituite prima che il modello le riassuma. Altrimenti, non è possibile determinare se l'errore proviene dal recupero o dal ragionamento.

Quarto passo: Valutare più dimensioni, non solo la precisione

Misurare latenza, token totali, numero di chiamate di ricerca ripetute, copertura, supporto delle citazioni, tempestività e tasso di fallimento.

Quinto passo: Revisione manuale dei risultati ad alto rischio

I compiti nei settori finanziario, legale, della sicurezza, sanitario e di conformità richiedono una revisione da parte di esperti. L'API di ricerca può migliorare la raccolta delle prove, ma non può assumersi la responsabilità professionale.

Sesto passo: testare i comportamenti di errore

Disabilitare una fonte, rallentare una rotta, restituire contenuti in formato errato, iniettare risultati duplicati. L'affidabilità in produzione dipende da come il sistema si comporta quando il recupero non è perfetto.

Domande frequenti

Cosa è AnySearch?

AnySearch è un servizio di infrastruttura di ricerca in tempo reale progettato per agenti AI e sviluppatori. Offre ricerca web, ricerca verticale, ricerca batch ed estrazione full-text con output strutturato.

AnySearch è un motore di ricerca per consumatori?

Dispone di un sito web per provare la ricerca, ma il suo posizionamento principale è come infrastruttura per agenti. Le modalità di integrazione principali includono API, MCP e Skill installabili.

AnySearch funziona anche senza chiave API?

La documentazione ufficiale di Skill e MCP indica che l'accesso anonimo ha limiti di velocità e quote ridotti. La chiave API è opzionale, ma consigliata per un uso più regolare.

Quali settori verticali supporta AnySearch?

La documentazione pubblica menziona finanza, ricerca accademica, sicurezza, informazioni legali, codice e altre categorie. Prima di utilizzare parametri specifici del dominio, l'agente dovrebbe consultare il catalogo dei settori supportati.

Come fa AnySearch a ridurre l'uso di token?

Cerca di instradare le query prima del recupero, ridurre le fonti duplicate, dare priorità ai risultati ad alta densità informativa, rimuovere il rumore dalla pagina e restituire un formato Markdown strutturato. Il risparmio effettivo di token dipende dal contenuto della query e dal più ampio flusso di lavoro dell'agente.

Il benchmark del 76,4% è stato verificato in modo indipendente?

Il punteggio è stato riportato da AnySearch e riprodotto nell'articolo originale. Durante la verifica non è stato trovato un pacchetto di valutazione pubblico completo, pertanto il risultato deve essere considerato come dato comparativo fornito dal fornitore.

AnySearch può sostituire la due diligence professionale?

No. Può aiutare a raccogliere informazioni su aziende, aspetti legali, finanziari e rischi pubblici, ma i professionisti devono verificare identità, autorevolezza delle fonti, completezza, giurisdizione e interpretazione.

AnySearch è open source?

I repository del codice per AnySearch Skill e MCP Server sono pubblicati con licenza Apache-2.0. Il backend API ospitato è un servizio separato e non rientra nella licenza di questi repository.

Strumenti correlati

• AnySearch: Infrastruttura di ricerca strutturata in tempo reale per agenti AI.
• AnySearch Skill: Una skill installabile per agenti che supporta ricerca web, verticale, batch e contenuti URL.
• AnySearch MCP Server: Un'integrazione MCP che espone gli strumenti AnySearch ad agenti compatibili.
• Exa: API di ricerca, scraping, crawling e ricerca costruita per applicazioni AI.
• Tavily: API di ricerca ed estrazione in tempo reale per flussi di lavoro di agenti e RAG.
• Brave Search API: API di ricerca web indipendente per applicazioni e sistemi AI.
• Model Context Protocol: Un protocollo aperto per collegare applicazioni AI a strumenti e dati esterni.

Link correlati

• AnySearch su Product Hunt: Descrizione del prodotto, informazioni sul lancio, feedback della community e premi.
• Classifica Product Hunt della settimana del 6 luglio 2026: Classifica che mostra AnySearch al primo posto nella settimana del lancio.
• Guida all'installazione di AnySearch Skill: Istruzioni ufficiali su configurazione, chiave API, catalogo e runtime.
• Documentazione MCP di AnySearch: Documentazione ufficiale sulle funzionalità MCP, parametri, autenticazione e definizioni degli strumenti.
• Repository FreshQA: Dati e codice per valutare domande che richiedono conoscenze mondiali aggiornate.
• Articolo FreshLLMs: Articolo di ricerca che introduce FreshQA e la valutazione potenziata dalla ricerca.
• Articolo WebWalkerQA: Benchmark per l'attraversamento di pagine web e il recupero di prove attraverso siti strutturati.

Riepilogo

AnySearch tratta la ricerca come il livello di input per gli agenti, non come un elenco di pagine da navigare. Instrada le query attraverso fonti generiche e verticali, ricerca più percorsi, ordina e deduplica le prove, rimuove il rumore della pagina e restituisce contenuti strutturati tramite API, MCP o Skill.

Gli esempi nel codice sorgente mostrano perché questa progettazione è cruciale per la scoperta di codice in produzione, la due diligence di aziende locali e i dati multimercato correnti. In ogni caso, l'agente necessita di prove complete, tempestive e tracciabili, non solo di link pertinenti.

La classifica su Product Hunt e i risultati dei benchmark riportati dal fornitore rendono AnySearch degno di essere testato, ma i team, prima di sostituire il proprio stack di recupero in produzione, dovrebbero riprodurre i risultati comparativi utilizzando le proprie query, modelli, conteggio token e standard di qualità.

Nei flussi di lavoro basati su agenti, il modello decide come elaborare le prove; il livello di ricerca determina se le prove corrette arrivano al modello.