AnySearch para Agentes de IA: Pesquisa Estruturada, Menos Desperdício de Tokens e Contexto em Tempo Real Mais Eficiente

Introdução

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.

Por que os resultados de pesquisa comuns são dispendiosos para os agentes

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:

• Artigos duplicados ocupam espaço no contexto.
• Páginas longas incluem navegação, anúncios e texto irrelevante.
• Resultados fracos podem desencadear rondas adicionais de pesquisa.
• Informações desatualizadas podem ser confundidas com factos atuais.
• Resumos de pesquisa podem omitir evidências necessárias para conclusões fiáveis.
• O modelo precisa gastar tokens a limpar antes de raciocinar.

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:

1. Que tipo de fonte é mais adequado para esta consulta?
2. Que resultados fornecem evidências únicas e credíveis?
3. Como entregar resultados sem ruído das páginas web?

A AnySearch foi concebida em torno destes passos.

Lançamento no Product Hunt e resultados de referência públicos

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:

• FRAMES
• FreshQA
• WebWalkerQA

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.

Precisão reportada

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.

Latência reportada

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.

Conectando a AnySearch a agentes

A AnySearch atualmente suporta três principais formas de integração:

• API
• MCP
• Habilidade para agente (Agent Skill)

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)

Instalação da Skill AnySearch

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 <projeto>/.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.

Chave de API e Acesso Anônimo

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.

Teste 1: Encontrando Código Go de Nível de Produção

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:

• Estrutura de pacotes
• Inicialização
• Configuração
• Dependências de armazenamento ou estado distribuído
• Integração com middleware
• Tratamento de erros
• Testes
• Licença
• Atividade do projeto
• Relação do código com o restante do repositório

Uma pesquisa de código que extrai uma função bonita, mas ignora seu contexto de suposições, pode enganar o agente de implementação.

Solicitação de Pesquisa de Código de Produção Melhor

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.

Teste 2: Due Diligence Corporativa

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:

1. Registro da empresa e propriedade beneficiária
2. Financiamento e mudanças acionárias
3. Registros de litígios e execuções
4. Comunicados regulatórios
5. Reclamações de produtos e penalidades da plataforma
6. Patentes e marcas registradas
7. Incidentes de segurança cibernética e dados
8. Mudanças na gestão
9. Sinais de alerta financeiros e operacionais
10. Notícias recentes do mercado doméstico da empresa

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.

Teste 3: Um Relatório de Energia Global em Tempo Real

O terceiro teste exigiu que o AnySearch gerasse um relatório do mercado global de energia, cobrindo:

• Mudanças nos estoques de gás natural dos EUA
• Preços de eletricidade do dia seguinte em países europeus
• Intensidade de carbono da rede elétrica australiana

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:

1. Dividir a solicitação em subconsultas.
2. Roteando cada subconsulta para a fonte de dados apropriada.
3. Registre as datas de publicação e observação.
4. Preserve as unidades e as definições geográficas.
5. Distinguir entre valores previstos e valores medidos.
6. Retornar URLs ou identificadores de origem.
7. Normalizar a saída final sem ocultar contradições entre os dados.

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.

Como o AnySearch roteia consultas

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:

1. Recebimento da consulta
2. Compreensão da intenção
3. Orquestração de roteamento
4. Recuperação paralela
5. Agregação de resultados e entrega ao agente

1. Compreensão da intenção

O sistema primeiro identifica que tipo de evidência a consulta requer.

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.

2. Roteamento de domínio e fonte

O AnySearch afirma que, além da pesquisa geral, também suporta mais de 20 categorias verticais, abrangendo as seguintes áreas:

• Código
• Finanças
• Pesquisa acadêmica
• Segurança
• Informações legais
• Dados comerciais e empresariais
• Conteúdo geral da web

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.

3. Recuperação paralela

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.

4. Classificação antes do modelo

O texto original propõe três ideias de classificação:

• Atenuação por mesma fonte: Reduz o peso de resultados repetidos do mesmo site.
• Arbitragem por densidade de informação: Prioriza resultados que fornecem evidências mais únicas e úteis.
• Classificação híbrida: combina relevância semântica com atualidade.

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.

5. Entrega estruturada

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:

• Títulos claros
• Metadados de origem
• Datas
• Blocos de evidência distintos
• Tabelas
• Código com caminhos de arquivo
• Unidades padronizadas
• URLs para verificação

Por que a desduplicação reduz o desperdício de tokens

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:

1. Material repetido consome espaço no contexto.
2. O modelo pode interpretar erroneamente a repetição como evidência independente.
3. Evidências menos populares, porém mais autoritativas, podem ser excluídas.

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.

A economia de tokens é um resultado do fluxo, não uma porcentagem fixa

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:

• Número de resultados originais
• Extensão das páginas
• Taxa de duplicação
• Qualidade da extração
• Tokenizador do modelo
• Tamanho máximo do contexto
• Se o agente realizará novas buscas
• Profundidade de citação necessária
• Quantidade de metadados estruturados preservados

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.

Características de engenharia nativas para agentes

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:

• Tratamento de timeout
• Fallback automático
• Roteamento de múltiplas fontes
• Acesso a API
• Suporte a MCP
• Suporte a habilidades
• Saída Markdown estruturada

A documentação pública do MCP também suporta:

• Busca geral na web
• Busca vertical
• Busca paralela em lote
• Extração de página inteira
• Acesso anônimo
• Autenticação opcional por chave de API

Equipes de produção ainda devem adicionar seus próprios controles:

• Orçamento de timeout por fonte
• Mecanismo de repetição com backoff
• Rastreamento de requisições e custos
• Lista de permissão e bloqueio de fontes
• Varredura de injeção de prompt
• Filtragem de PII e segredos
• Limite de tamanho dos resultados
• Estratégias de cache
• Logs de auditoria
• Revisão humana para decisões de alto risco

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 está se tornando infraestrutura para agentes

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.

Como avaliar o AnySearch em seu próprio fluxo de trabalho

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.

Passo 1: Defina consultas representativas

Cubra casos simples e difíceis:

• Notícias atuais
• Código de repositório
• Registros de empresas locais
• Artigos acadêmicos
• Informações regulatórias
• Dados de vários países
• Perguntas com fontes conflitantes
• Consultas que exigem várias subáreas

Passo 2: Mantenha o modelo constante

Use o mesmo modelo, prompt, estratégia de ferramenta e padrão de saída para cada provedor.

Passo 3: Capture a evidência bruta

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.

Passo 4: Avalie mais dimensões do que apenas precisão

Meça latência, tokens totais, número de chamadas de busca repetidas, cobertura, suporte a citações, atualidade e taxa de falhas.

Passo 5: Revise manualmente resultados de alto risco

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.

Sexto passo: Testar comportamentos de falha

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.

Perguntas frequentes

O que é o AnySearch?

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.

O AnySearch é um mecanismo de busca voltado para consumidores?

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.

O AnySearch funciona sem chave de API?

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.

Quais domínios verticais o AnySearch suporta?

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.

Como o AnySearch reduz o uso de tokens?

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.

O benchmark de 76,4% foi verificado de forma independente?

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.

O AnySearch pode substituir a due diligence profissional?

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.

O AnySearch é de código aberto?

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.

Ferramentas relacionadas

• AnySearch: Infraestrutura de busca em tempo real e estruturada para agentes de IA.
• AnySearch Skill: Uma skill instalável para agentes que suporta busca na web, vertical, em lote e por URL.
• Servidor MCP AnySearch: Uma integração MCP que expõe ferramentas do AnySearch a agentes compatíveis.
• Exa: API de busca, raspagem, crawling e pesquisa construída para aplicações de IA.
• Tavily: API de busca e extração em tempo real para agentes e fluxos RAG.
• Brave Search API: API de busca independente na web para aplicativos e sistemas de IA.
• Model Context Protocol: Um protocolo aberto para conectar aplicações de IA a ferramentas e dados externos.

Links relacionados

• AnySearch no Product Hunt: Descrição do produto, informações de lançamento, feedback da comunidade e prêmios.
• Ranking do Product Hunt da semana de 6 de julho de 2026: Ranking mostrando AnySearch em primeiro lugar na semana de lançamento.
• Guia de instalação da AnySearch Skill: Instruções oficiais de configuração, chave de API, catálogo e execução.
• Documentação MCP do AnySearch: Definições oficiais de funcionalidades, parâmetros, autenticação e ferramentas MCP.
• Repositório FreshQA: Dados e código para avaliar perguntas que exigem conhecimento mundial atualizado.
• Artigo FreshLLMs: Trabalho de pesquisa apresentando FreshQA e avaliação aumentada por busca.
• Artigo WebWalkerQA: Benchmark para navegação em sites e recuperação de evidências em estruturas entre sites.

Resumo

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.