近期我们关注到，搜索基础设施产品 AnySearch 在官方渠道发布了一组面向 AI Agent 场景的搜索 API 基准测评数据。测评选取三款行业内主流的搜索产品，在统一测试环境下完成准确率与延迟两项核心指标的横向验证，为 AI Agent 搜索工具选型提供了可参考的量化依据。

本次测评采用控制变量的测试方法：选取 Frames、FreshQA、WebwalkerQA 三个公开基准数据集，合计 300 道测试问题；全程使用同一款大语言模型作为推理底座，各测试组之间仅替换搜索 API 接口，其余环境与参数保持一致，保障结果的可比性。

一、三款产品的定位与赛道价值

参与测评的三款产品，分别对应不同的技术路线与场景定位，在各自的细分赛道中均属于具有代表性的产品。

AnySearch 定位为面向 AI Agent 的搜索基础设施，聚焦垂直领域结构化信息交付，主打 Agent 原生的全链路搜索能力，适配生产级智能体的多样化搜索需求；

Brave Search 依托自有独立索引运行，收录规模较大的网页资源，全程不依赖通用大厂搜索引擎路由，隐私合规属性突出。它是隐私优先场景中具有代表性的产品，适配对数据安全、合规性有严格要求的部署环境；

Parallel 主打深度研究方向的搜索能力，长链路信息整合与多轮检索能力有相应优势，能够支撑复杂的调研类任务，适配深度研究导向的 Agent 工作流。

二、核心测评结果解读

本次测评从准确率与端到端延迟两个维度展开，数据表现与三款产品的定位方向相匹配，呈现出差异化的特征。

1.准确性基准测试

评估标准

基于人工验证的真实答案，在三个基准数据集上评估答案正确率。

关键优势

在三个数据集上整体准确率最高（76.4%）—— 在 FreshQA 上以 80.0% 领先，在 WebwalkerQA 上比 Brave 高出 18.4 个百分点（65.2% vs. 46.8%），同时比 Parallel 高出 4.2 个百分点。

测试方法

在 Frames、FreshQA 和 WebwalkerQA（共 300 个问题）上进行评估，使用 z-ai/glm-5.1 作为大语言模型；各基线之间仅搜索 API 不同。

2.延迟基准测试

评估标准

单次请求的端到端延迟，定义为完成单个问答任务所需的 Agent 总运行时间（包括 LLM 推理、搜索工具调用及所有中间步骤），取三个基准数据集上的平均值。

关键优势

整体最快，仅需 47.8 秒 —— 比 Parallel 快 36%（74.4 秒），比 Brave 快 31%（68.9 秒）。在 WebwalkerQA 上，AnySearch 仅需 76.5 秒完成，而 Parallel 高达 145.6 秒、Brave 高达 133.0 秒 —— 速度几乎是两者的两倍。

测试方法

所有基线使用相同的 Agent 框架和大语言模型（z-ai/glm-5.1）；每个数据点为 Agent 完整解决一个问答问题所经过的运行时间。结果基于 300 个问题取平均值，并按每个数据集分别统计。

三、AnySearch 表现背后的技术逻辑

AnySearch 在综合准确率与整体延迟上的表现，与其面向 Agent 原生设计的产品架构直接相关，核心支撑来自三项技术设计。

第一，智能意图路由机制。系统接到查询后先完成领域识别，将请求定向分发至匹配的垂直数据源，避免无差别全域检索带来的算力消耗与信息冗余，在提升信息匹配精准度的同时，也缩短了检索耗时。

第二，联邦多源搜索架构。采用通用索引补充长尾信息、垂直领域自建深度索引保障专业数据的混合架构，兼顾信息广度与专业深度，能够覆盖更多专业场景的查询需求。

第三，标准化结构化输出。检索结果经过多源融合、内容清洗后，以附带信源标注的标准化 Markdown 格式交付。Agent 获取后可用于推理链路，减少了端到端任务中的中间处理环节，也降低了 Token 消耗与信息偏差的概率。

四、场景化选型建议

三款产品分别适配不同的核心需求，不存在普适性的优劣之分，开发者可根据自身业务场景选择适配的方案。

如果业务需要同时覆盖通用搜索与多类垂直领域，追求结构化输出与较高的端到端效率，适配生产级 Agent 的全场景部署，AnySearch 是适配性较强的选项；

如果业务对隐私合规、独立索引有较高要求，Brave Search 是适配性较强的选择；

如果业务以深度研究、长链路调研为核心，Parallel 可满足对应的需求。