原创 一木 2025-05-18 20:00 北京
预测未来的最好方式，是去创造它。
Agent与搜索的边界在消失。
👦🏻 作者: 一木
🥷 编辑: 镜山、Koji
🧑🎨 排版: NCon
"永立潮头"——周鸿祎是少数配得上这个成语的企业家。
隔三差五，周鸿祎就会出现在我们的视野中，他不仅是企业家 IP 的排头兵，更是 AI 时代的超级积极行动者。
在最新发布的 4 月全球「AI 产品榜」中，「十字路口」发现 360 旗下的「纳米 AI 搜索」已然超越了 AI 搜索领域的诸多老牌产品。
这让我们既惊讶又惊喜，但更多的是佩服：你永远可以相信红衣大叔的产品能力和营销实力。
在这份榜单的 Web 访问量总榜上，纳米 AI 搜索跃居全球第六名，成为国内访问量最高的 AI 搜索引擎。在搜索类应用中，它仅次于 New Bing，超越了 Perplexity，位列全球第二。
「为什么是纳米 AI 搜索？」
在我们习惯了用 ChatGPT 当万能问答工具、用 Perplexity 代替 Google 搜索论文和冷门知识点，以及使用以 Open AI 为代表的一众 AI 大模型厂商不断推出的类 Deep Research 功能的当下，看到一个国产搜索产品能杀入这样的榜单，确实令人振奋。
因此，这两天「十字路口」的内部微信群一直在热议「为什么是纳米 AI 搜索」。是否仅仅源于 360 这座大厂的独有光环？还是纳米的产品与体验存在什么被我们忽略的过人之处？
带着这个问题，我们翻看了它近几个月的功能更新节奏，发现节奏密集。平均每两三周就会上线新能力，而且不少功能都是低调上线，尚未大张旗鼓地宣传。
从 3 月起，我们梳理如下：
3 月 24 日，纳米 AI 正式支持AI视频创作，接入豆包、可灵、混元等多个大模型，能够进行文生视频、图生视频以及AI特效视频创作。
3 月 26 日，纳米 AI 接入 DeepSeek-V3 最新版——DeepSeek-V3-0324
4 月 23 日，纳米 AI 宣布推出面向个人用户的「MCP 万能工具箱」
5 月 18 日，纳米 AI 产品首页上线「超级搜索」
Wait！什么是「超级搜索」？
没错，就在今天，我们发现纳米首页又上线一个新功能入口，而且命名就很霸气：
🚦
「超级搜索」
我们体验之后，发现这是一个不容忽视的新动作。
它既跨了传统的数据高墙（小红书、大众点评、地图、B站、腾讯视频、PDF、doc、图片，全都能搜），又融合了 MCP 和多模态的能力，很像是一个今天语境下的 AI Agent。
可以这么说，这是「十字路口」在AI搜索领域观察到的第一个将Agent 典型能力、跨数据高墙全域搜索、MCP、多模态能力封装在一起的 AI 搜索产品。
接下来，分享我们的深度一手体验。
下一代搜索：不是给「答案」，而是给「结果」
纳米 AI 搜索，前段时间就凭借上线 MCP 工具系统，刷屏了一段时间。这回的超级搜索功能，将这些 MCP 深度融合进了 Agent 的工作流之中。
从整体任务流程上看，纳米 AI 超级搜索有点像是个“搜索能力加强版的 DeepResearch”。
来看一个具体示例。我们用 koji 最爱的「观鸟」活动来测试。
我给出一个简单的指令："我计划在上海组织观鸟活动，让它做一份研究报告"。
它随机开始尝试摸清我真实意图：
Agent 能力被封装进纳米 AI 超级搜索的最主要表现就是：它可以精准地根据原问题进行拆解，与用户意图对齐。
当它得知用户给出的大概需求后，先给自己制定任务列表：
然后，再根据用户意图进行关键词拆解，之后才会调用 MCP-search：
如果仅仅到这一步，超级搜索开始根据子任务进行常规搜索，我可能并不会觉得惊艳，毕竟这已经算是当下 AI Agent 的基本功。
但是，我发现它在孜孜不倦地创立新的主任务、再进行拆解，并且在每一个任务中都搜索到了“我原本以为它无法搜索到的来源和信息载体”。
它大概都越过了哪些“数据高墙”呢？两点：数据来源限制、多模态信息限制。
突破数据「高墙」与强化多模态能力
从用户在传统引擎上的体验来讲，我们在试图获取垂类领域的专业性知识时，总是能碰见各种“文库”，以及无法判断是否准确、内容质量是否较差的信息来源。
纳米 AI 超级搜索则跨越式地飞过了这些障碍，虽然我也有些好奇它调用的 MCP-research 为何这么强大，但它真的实实在在地为我展现了它的能力。
在实际搜索中，我发现它除了在传统搜索引擎中可以较为轻松接触到的信息之外，还会大量地进入各种文库学习，像是人人文库，360doc 个人图书馆等等，甚至还有知网平台。
最让我有点惊讶的是超级搜索还能深入到一些付费文库中：
除了在各种存在数据高墙的文字中打转之外，超级搜索还拥有强大的多模态信息获取能力，比如它能直达诸如大众点评、小红书、携程攻略等图文平台。
当它搜索到上面大众点评和小红书等图文平台时，会遇上大量图片内容，但这并不阻碍超级搜索将其作为一个信息来源。
除此之外，PDF 和 PPT 也并未阻挡超级搜索。
比如各种 pdf 文件格式的科学考察报告，以及 ppt 格式的鸟类物种病期档案等等。
超级搜索几乎查到了近 200 个信息源，我很有兴致地在里面翻它拿到的各种类型的信息。
很意外地发现超级搜索还会将视频平台作为信息来源，像是在这份观鸟活动研究报告里，它就在西瓜视频里打开了一个叫“崇明东滩湿地公园”的项目。
除此之外，B 站视频、抖音短视频、新浪视频全部都是纳米 AI 超级搜索的信息来源。
至此，纳米 AI 超级搜索几乎跨越了大多数的数据高墙。
上百个分布在不同文件类型的信息源，成了它下一步组装结果，展现生成能力的基础。
当它搜索完毕时，会开始调用 MCP-cloud-sandbox，开始编程，自主制作可视化数据图表：
这些生成内容得到确定后，纳米 AI 开始正式生成研究报告了，它会先给一份万字长文的图文版：
然后，纳米 AI 超级搜索会觉得这样的形式并不够直观，继续调用代码编辑器，做了一套可视化甚至可交互的网站出来：
我录了一段屏，你可以直观地感受下“一个超级搜索能做出什么样的可视化网页”。
在这个项目的最后，还提供了本次研究报告所有的 PDF 和 DOC 文件，以及一堆子文件。
跑完上面这个项目，大概花了我 20 分钟左右。
不难看出，纳米 AI 超级搜索给出的答案，已经不只是「答案」，而是「结果」 ——这与在搜索引擎上得到的体验完全不同了。
很像一个 AI Agent，对不对？
确实，Agent 和搜索之间的界限越来越模糊。
我们先继续往下看。
科研助理不是说说而已
由于纳米 AI 超级搜索在研究方向的表现实在是很好，我又拿它试了试学术方向的搜索。
我本来想用 Perplexity 翻翻论文摘要，结果只找到了几篇美英背景下的学术文章，而且格式杂乱、无可引用资料。
后来我试了下纳米，直接一句话：“中国、欧美、新加坡对数据要素确权的法律逻辑有何差异？”
它整个处理过程不到 20 分钟，但其实背后做了很多事，只不过你不需要自己操心。
它先是调用了搜索类的 MCP 工具，把问题自动拆成多个关键词，比如“中国数据确权法律框架”“德国企业区块链确权实践”“法国个人数据保护制度”“美国数据确权实施机制”等等，然后分别检索了几十个网页，总数有快 300 个页面。
在这庞大的信息源里覆盖了政府官网、研究论文、法规数据库、行业报告，甚至包括了知网、百度文库、法信、OECD 文件、欧盟 GDPR 细则、Github 上挂的法规草案解读等。
之后，它又调用了结构整理的 MCP 模块，做了内容去重、逻辑归类，然后开始生成文档草稿。
你能看到它在撰写引言、小节标题、结尾总结的时候，其实已经内置了你研究这个问题时常见的框架，比如“立法路径”、“实施机制”、“本土技术实践”、“数据资产化的趋势差异”等几个维度。
最后一步，它直接把整合后的内容生成了一份网页报告，用我们常见的那种政策解读网页形式呈现。
在这份报告里面还有图表，比如法国、德国、新加坡在确权路径上的制度分布雷达图、各国使用区块链做数据确权的技术路线对比表。
这套流程我们没干预任何一步，就是一句自然语言问题，后面全靠系统自动跑完。
跟传统那种“AI 帮你总结点东西”完全不是一回事，它不是在回答问题，而是在模拟你要做这件事，从头到尾会怎么查、怎么整、怎么写的整个过程。
实话说，就算是一个行业研究员从零开始做，跑这套信息整理也得两三天，而它二十分钟就把这几步都跑了一遍。
有了「研究」的轮廓，接下来就顺理成章了
官方还试了一个偏行业分析类的问题：“以 2025 年下半年全球 AI 芯片技术突破为背景，预测未来 12 个月生成式AI在医疗影像诊断领域的应用场景，结合英伟达最新发布的 DGX GH200 性能参数分析。”
听起来像是那种要查好几个地方、对着芯片规格和行业新闻慢慢拼起来的问题。
结果纳米的处理方式还挺省事的，它先把 GH200 芯片的大致技术点提了一下，比如运算速度、存储架构、适配的 AI 场景，然后直接列了几个可能的落地方向，比如罕见病影像补全、术前模拟、下沉医院的 CT 辅助诊断之类的，每一个都配了出处和代表性项目，最后还总结了几个“短期可落地”的趋势点。
不是那种非要给你一个结论，而是能先把你问题的范围和背景整理得比较清楚，再把关键点拎出来。
用完之后就很明确：这个功能适合那种你脑子里有个方向，但还没时间做研究的场景。
它不一定给出什么很有创见的东西，但能帮你把起手的那几步跑掉，信息质量也比较好。
选显卡，不再开 10 个浏览器标签页，它直接帮你排好队
让我们再来跑个更具挑战性的 case。
当我们想玩黑神话悟空这种 3A 大作，最头疼的就是电脑配置不够，于是官方输入提示词：“我是游戏主播，现在需要换显卡，请帮我推荐能流畅运行最新的3A游戏，并且在直播中能保持高帧率和画面质量的显卡。
纳米 AI 搜索处理得很干脆。
不是先扔一堆显卡测评让你自己翻，而是直接把选型逻辑梳理好了。
它先从游戏性能、推流兼容性、电源功耗、预算区间几个维度拆了需求，然后一边查参数，一边抓用户口碑，还自动给出推荐方案，比如 RTX5070Ti 适合中高配主播，帧率稳定、散热好、推流也不卡，价格控制在五千出头。
要是预算更高，RT5090D 可以带动 AI 建模和多机位推流，但电源要求就高了；反过来，如果你只是玩玩《永劫无间》这种轻量级游戏，RX7800XT 也够用，功耗低，还便宜点。
它还顺手提醒了兼容性的问题，说某些三风扇卡太长，有些主播的机箱装不进去。这种细节，不是参数对比能看出来的，但它自己去评论区抓用户反馈，再补一行备注。就这一点还挺贴心的。
我们没觉得它给了什么神推荐，但它确实省了很多试错时间，尤其是那种你开着十几个标签页比来比去的过程——现在只用输一句话，它把逻辑理完了。
我们实测下来，它能搜的范围明显比大多数 AI 搜索要广。地图、B站、腾讯视频、小红书、PDF、DOC、文库、图片、大众点评、喜马拉雅……
这些以前你默认 AI 抓不到的平台，它现在都能直接读内容、提信息，有些甚至能提炼出图片里的文字或音频里的关键信息。
真正打通了以前那些你以为 AI 碰不到的数据高墙。
「预测未来的最好方式，是去创造它。」
最初，我们认为搜索引擎应该是一个巨大索引库，它要变强大，就要增加覆盖范围、增强排序算法。
前两年，AI 搜索来了，我们认为好的 AI 搜索应该体现在“能不能给出充分全面、深思熟虑的好答案”、“能不能消灭一切幻觉”。
纳米「超级搜索」的更新又带来了一次潜在的范式变化：它不再停留在做出更像人的回答，而是直接去干更像人的事情。
搜索和 Agent 的边界，在融合。
为什么这么说？
总结一下纳米「超级搜索」，越看越像一个 Agent:
【1】它接入了 MCP 系统，接受模型是有限的，把搜索从“一个大模型答所有问题”变成“多个专精工具接力干活”。在搜索之后引入了任务链调度，根据你的输入，判断你背后真正想做的事，然后一步步拆解、执行。
【2】它集成了多模态能力，不仅能读文本，也能调图、识图、生成图，把以前只能看文字的搜索结果变得“图文并茂，结果导向”。甚至，它在尝试用户意图补全。
【3】你的问题提得不清楚也没关系，它猜你真正想要什么，然后默认替你走一步——这其实是 AI 产品从被动变主动的标志。
【4】噢，别忘了，还有跨越数据高墙的「穿墙术」：小红书、大众点评、地图、B站、腾讯视频、各种文库、PDF、doc、图片，全都能搜。
事实上，当我们放下 Agent / Search Engine 这样的定义，回归用户、回归场景，不难发现，用户不论使用 Agent 或搜索，其实都是在做同一件事情：提出一个问题或一次需求。
不管白猫黑猫，抓到老鼠就是好猫。
从这个意义来说，纳米 AI 超级搜索，是只挺好的猫🐱。
你可以把这称作 Agent，也可以不去定义它叫什么。
但你能感觉到，搜索跟你之间的关系变了：不再是“问与答”，而是“事与做”。
它不是变聪明了，而是变能干了。
不是更会说话，而是更会干活。
未来呢？
我想起计算机科学家 Alan Kay 的一句话：
The best way to predict the future is to invent it. 预测未来的最好方式，是去创造它。
