（先做个必要的澄清："ASearch" 这个名字指向好几个不同产品——有做学术搜索的、有做企业内搜的，还有一个是浏览器扩展。而最近在开源圈被讨论的，是那个给 AI Agent 用的搜索聚合层：一次调用并行打多个搜索引擎，做结果融合、去重、重排，最后把带溯源的结构化结果交给 Agent。这篇讲的是后者，别搜错。）
做 Agent 的人都踩过同一个坑：让 AI 去查个东西，它要么凭训练记忆编一个，要么只搜一个源、抓到什么算什么。你问"2026 年 8 月 Cursor 被 SpaceX 收购后的最新进展"，它给你一段听起来很合理、实则过期三个月的内容。
问题不在模型笨，而在检索这一层太薄。单引擎、无溯源、结果不可验证——这是 Agent 幻觉的第一大来源。
ASearch 想补的就是这一层。
一、它解决的是"单一信源"的原罪
单个搜索引擎有天然的偏见和盲区：索引覆盖不同、排序算法不同、对同一事件的收录时效也不同。你只查一个源，等于把判断权交给了那一家公司的排序逻辑。
ASearch 的做法是并行打多个引擎（十几到十几+ 个，取决于配置），然后把结果做融合：
- 去重：同一个 URL 或高度相似的内容，只保留一份
- 排名融合：不同引擎给同一结果的排名做加权综合
- 重排：用轻量模型或规则对融合后的结果再排一次序
最终交给 Agent 的不是"一条搜索结果"，而是一份经过多路交叉验证的候选集。
这一步的价值，在于把"检索"从"碰运气"变成了"可工程化"——多源一致的结果可信度高，单源独有的结果天然要打问号。
二、最值钱的设计：溯源到字节
如果只是"多搜几个源再合并"，它还不够特别。真正让它对 Agent 有意义的是结果带溯源。
每条结果不只是标题和链接，而是带：
- 原文摘录：命中查询的那一段具体文字
- 位置定位：这段摘录取自原文的哪个位置（可精确到偏移）
- 可解释评分：为什么排这个位置——语义相关度多少、关键词匹配多少、几个引擎共同收录
这意味着 Agent 引用一条信息时，能精确指出它来自哪篇文档的哪一段。幻觉被物理钉死了：不是"AI 说"，而是"第 3 个来源第 2 段原文写着"。
这比"给个链接你自己去看"强得多——链接会失效、内容会改，但带位置锚定的摘录是可验证的证据链。
三、它在 Agent 架构里的位置
很多人搞不清搜索聚合层和 RAG、MCP 的关系，厘清一下：
- MCP 是"手"——让 Agent 能调用外部工具
- RAG 是"本地记忆的检索"——在你自己的文档里找
- ASearch 这层是"外部世界的检索"——在公开互联网上找，并且负责找得全、找得准、可验证
它是 Agent 感知外部世界的入口层。没有这一层，Agent 再强的推理能力也只能建立在训练记忆上——而训练记忆是会过期的。
顺带一提，这个定位和之前写过的 wigolo 是同一层的技术路径：都是给 Agent 补"查资料"的能力，区别在部署形态——一个偏本地自托管、一个偏聚合服务。
四、三层抓取：从省到重，按需升级
抓网页这件事，成本差异巨大。ASearch 类的设计通常分三层：
第一层：纯 HTTP 请求。最快最省，能拿静态页面就直接拿。
第二层：模拟真实浏览器指纹。只在检测到反爬时启用，绕过基础的风控。
第三层：无头浏览器渲染。遇到 SPA（单页应用，内容靠 JS 动态生成）才上，最重最慢。
关键原则是"能省则省"——不预设所有页面都难抓，而是失败了再升级。这对成本控制至关重要，因为 Agent 高频调用下，全部走无头浏览器会让账单爆炸。
五、四条边界，跳之前先看
第一，它聚合搜索，但不替你判断真假。 多源一致 ≠ 事实正确——如果几个源都转载了同一条错误信息，融合算法只会让错误"看起来更可信"。交叉验证能防偏见，防不了系统性的错误源。
第二，反爬的硬骨头依然啃不动。 严格按 IP 信誉封禁的站点、需要登录才能看的内容，聚合层也无解。承认边界，比假装全能更重要。
第三，成本要算清楚。 并行十八个引擎听起来很爽，但每次查询的 API 调用、渲染开销、重排开销都是钱。高频调用必须配缓存——同样的查询别重复付钱。
第四，合规是底线。 抓取要守 robots.txt、控制频率、别碰登录后可见的隐私内容。技术能做不等于该做。
换个结尾
Agent 的能力上限，不只由模型决定，更由"它能看到什么"决定。
一个只有训练记忆的 Agent，本质是在用过去的知识回答现在的问题；而接了可靠检索层的 Agent，才开始真正"活在当下"。ASearch 这类聚合层的意义，就是把"查资料"这件事从玄学变成工程——多路验证、结果可溯源、成本可控制、失败可感知。
但请记住：检索再强，也只是把材料摆上桌。真正的判断——哪条可信、哪条是噪音、这些材料拼起来说明什么——依然在你手里。
AI 负责把世界搬到你面前，你负责决定相信其中的哪一部分。
热门跟贴