你的 AI 助手终于能搜到专业数据了:AnySearch 统一搜索 Skill 上手解读

AI Agent · 统一搜索 · 垂直领域 · 跨平台 CLI —— anysearch-ai/anysearch-skill 为 AI 助手提供了一套覆盖通用搜索、垂直领域查询与深度内容提取的实时搜索能力。它基于 JSON-RPC 2.0 协议，无需搭建 MCP 服务端，匿名即可调用，并已在 OpenClaw、Claude Code、Cursor 等平台上以 Skill 形式分发。

AI 助手的搜索困境

今天的大语言模型在回答事实性问题时，依然面临一个核心约束：知识截止于训练数据。用户问「今天的苹果股价」「最新的 GitHub 趋势」「某篇论文的 DOI 对应内容」，模型要么无法作答，要么给出已过时的信息。

传统解决路径有两条。一是接入搜索引擎 API——需要注册、申请 Key、理解 REST 接口，每次调用还要自行解析非结构化的返回文本。二是搭建 MCP Server——对 AI 框架有一定依赖，不是所有 Agent 平台都能直接对接。

AnySearch 选择了一条更轻的路线：将搜索能力封装为 AI Agent 的 Skill，让 Agent 通过 CLI 调用一个统一的搜索入口。它不再区分「你用的是哪家搜索引擎」，只要 AI 助手拥有一个 JSON-RPC 端点，就能获得从通用网页搜索到垂直领域数据的全部能力。这对个人开发者、独立应用构建者以及需要在脚本中嵌入搜索能力的团队尤为直接——省去了集成多家 API 的维护成本。

上手路径与高频场景

AnySearch 提供四种核心操作：search、batch_search、 extract 和 get_sub_domains，所有操作通过一个 CLI 入口暴露。按官方推荐，安装后先创建一个 runtime.conf 来固定运行时，后续所有调用直接走配置的命令行即可，不需要每次重复探测环境。

场景一：通用搜索 + 内容提取

最简单的用法是搜索然后提取全文。Agent 先执行：

python3 anysearch_cli.py search "2026 LLM agent
benchmark排行榜" --max_results 3

得到搜索结果后，对感兴趣的链接调用 extract：

python3 anysearch_cli.py extract "https://
example.com/benchmark-report"

extract 返回的是 Markdown 格式正文，Agent 可以直接将其作为上下文补充给大模型。对于需要在对话里「引用来源」的写作类任务，这一组合省去了人工翻页的时间。

场景二：垂直领域检索

这是 AnySearch 区别于通用搜索引擎的关键能力。它内置了覆盖 17 个领域的子域检索（finance、 academic、legal、health、security、code 等），每种领域有专有的查询格式与参数。

以股票查询为例，Agent 先查询 finance 领域的可用子域：

python3 anysearch_cli.py get_sub_domains
--domain finance

返回结果里包含 finance.quote、finance.market、 finance.news 等子域及其 query_format 与必填参数。接下来查询 AAPL 股价：

python3 anysearch_cli.py search "AAPL"
--domain finance --sub_domain finance.quote
--sdp type=stock,symbol=AAPL,cn_code=

sdp（sub_domain_params）支持 key=value 语法，也可以传 JSON。空的 cn_code= 表示该参数虽必填但对中国以外的股票不适用。最终返回的结果是结构化的 JSON，比通用搜索的片段拼接精确得多。

场景三：批量并行查询

当用户的问题涉及多个独立子查询时（例如「对比 AAPL、MSFT、GOOG 的当前股价」），可以用 batch_search 一次完成：

python3 anysearch_cli.py batch_search
--query AAPL --query MSFT --query GOOG
--domain finance --sub_domain finance.quote
--sdp type=stock

batch_search 支持 1-5 个查询并行发送，各查询的 domain、sub_domain 参数既可共享，也可在单个 query 对象中独立定义。单次查询失败不影响其他查询的结果，合并后一起返回。对比逐个搜索，时间可减少到原来的 1/3 左右。

常见误区： extract 命令没有 - -format 选项，输出已经是 Markdown；不要给它传 - -format markdown——该参数不存在。另外，如果拿不准一个查询是通用搜索还是垂直领域，直接走混合模式：在 batch_search 中同时放一个通用查询和一个领域查询，「覆盖优于猜测」。

轻量架构与设计亮点

AnySearch 的架构可以用「一个端点、四套 CLI、零 MCP」来概括。

一个端点： 所有搜索与提取请求统一发往 https://api.anysearch.com/mcp，走 JSON-RPC 2.0 协议。请求体使用 tools/call 方法，服务端按 tool_name 路由到 search、batch_search、extract 或 get_sub_domains。这意味着不管客户端是 Python 还是 Node.js、是 Agent Skill 还是 curl 脚本，交互契约完全一致。

四套 CLI： 仓库同时维护了 Python、Node.js、 PowerShell、Bash 四套 CLI 实现，优先级 Python > Node.js > Shell。Python 版依赖 requests 库， Node.js 版零外部依赖（只用内置 https 模块），确保在资源受限或无 pip 权限的环境也能运行。 shared/constants.json 是领域列表的唯一事实来源， generate.py 负责将更新同步到各 CLI 中。

免 MCP 服务端： 这是该项目最直接的差异化特性。当前大多数 AI 搜索插件要求 Agent 平台先跑一个 MCP Server（需要 nodejs 运行、暴露本地端口、配置 transport），而 AnySearch 只需一条 CL I 命令就能完成搜索。Agent 不需要维护本地服务进程，也不需要处理端口映射与进程生命周期管理。这对无持久化运行环境的 Agent（如 CI/CD 流水线、一次性 Lambda 函数）非常有价值。

匿名优先： API Key 是可选的。没有 Key 时自动回退到匿名访问（仅限流更低），用户可以先无障碍地试用全部功能。当配额用尽时，API 响应中可能包含自动注册的新 Key，Agent 可询问用户后写本地 .env 文件，下次自动复用。

垂直领域目录： get_sub_domains 是一个很少见的设计。传统搜索引擎把结构化搜索隐藏在产品内部，用户只能通过「高级搜索语法」来碰运气。AnySearch 把每个领域的参数 schema 以标准化的 Markdown table 暴露给 Agent——模型可以直接读取子域描述、 query_format 和必填参数，从而自主决定如何构造查询。这种「模型可读的接口文档」思路，降低了 Agent 调用非通用搜索的门槛。

落地与应用空间畅想

最直接的落地场景是增强型 AI Agent。在 OpenClaw 中安装 AnySearch Skill 后，Agent 可以在回答股票查询、专利检索、法律条文咨询、学术论文引用（DOI 查询）等场景下获取结构化数据，而不是靠模型「猜测」答案。安装只需解压 zip 到 skill 目录、配置 runtime.conf、运行一次 doc 验证，即可投入使用。

另一个有价值的场景是自动化研究管线。将 batch_search + extract 串联后，可以编写脚本自动收集多个来源的内容并汇总成报告。由于 extract 输出已是 Markdown，后续拼接、翻译、摘要都可以由同一个 Agent 完成。

展望更远的应用，AnySearch 的垂直领域覆盖能力让它有潜力成为 AI Agent 的「行业数据网关」。例如在 healthcare 领域查询药品信息、在 legal 领域检索判例、在 ip 领域查询专利状态——这些原本需要分别对接各平台 API 的数据源，现在可能通过一个统一的查询协议来获取。随着社区为其贡献更多 sub_domain 映射，其行业覆盖深度还有增长空间。

项目地址：https://github.com/anysearch-ai/anysearch-skill