跳到正文
世界时间EU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

关于人工智能与技术的门户事件 · 分析 · 访谈 · 技术背景

搜索
直播
›

搜索流量在萎缩,网络正围绕智能体重建

发布商正在失去搜索推荐流量。两篇新论文和一批智能体基础设施,把赌注押在一个答案而非点击才是产品的网络上。IEEE Spectrum 9月29日出版的最新计算专刊,以一位诗人的界面观开篇。围绕它的商业逻辑却越来越难讲。

媒体与互联网分析王雅琴发布: 2026年9月29日6 分钟阅读资料来源 15
搜索流量在萎缩,网络正围绕智能体重建

9月29日,IEEE Spectrum 的 Computing 栏目刊登了 Ralph Earle 的一首诗。他曾是 IBM 的高级软件工程师。诗写的是如何把“枯燥而不留情的代码”转译成用户界面。这首诗是一场大变化的小小注脚。钱现在在界面这一层流动,而界面越来越多地直接给答案,而不是把人引出去。

支撑这场变化的数字在同一周出现。美国国家经济研究局在 2026 年 9 月发布的一份工作论文,估算了 2022 年 11 月至 2025 年 12 月之间的效应。论文发现,AI 让市场对软件工程生产率的预期现值提高了相当于永久性 32.6% 的增益。对应的 GDP 效应在基准情形下为 3.6%,若软件工程生产率的提升同时带动研发生产率,则为 6.5%。作者 Alex Blumenfeld、Jonathon Hazell、Chen Lian 和 Andreas Schaab 补充说,到 2026 年年中,在编码智能体快速进步的背景下,这一效应相对 2025 年底已经翻了一倍以上。这是宏观数字,不是媒体行业的数字。但它描述的是涌入那些如今横在用户与内容之间的系统的资本。

全文检索依然管用,但已经收不了尾

Manticore Search 在其博客上发了一篇长文。文章解释了关键词搜索为什么没有坏掉,以及为什么这还不够。公司引用了谷歌自己在 2026 年 5 月的披露:AI Mode 月活用户突破十亿。文章认为,像“我需要一双黑色防水跑鞋,用于湿滑路面的日常跑步”这样的查询,里面装着好几件事。要提取约束条件,要理解意图,要核对价格和库存,还要解释各选项之间的差别。Manticore 给出的答案是混合方案:全文检索与向量检索通过结果排序结合,再由语言模型在上面生成回答。他们用 ConvApparel 做了测试,这是一个对话数据集,清理后包含 82524 件商品,覆盖鞋类、裤子、上衣和外衣。他们还做了一个叫 Manticore Apparel Shop 的演示。文章把风险说得很直白:如果系统说某款适合雨天,用户应该能打开商品页,去核实这句话的出处。这最后一句,是基础设施厂商替发布商说出的难题。

Meta 的购物智能体如何决定给你看什么

9月28日,一位署名 Kalan 的研究者在 caeliai.com 上发表了对 Meta 新 AI 智能体 Muse 的逆向工程研究。Muse 于 2026 年 9 月初上线。文章引用 Apptopia 的统计说,它在头 12 天里全球安装量突破 280万。在美国约有 642000 名日活用户,比 ChatGPT 早期移动端上线时增长更快。这项研究在检索层上写得异常具体。Kalan 称他找到了位于 /opt/hatch/bin/meta-catalog-search 的商品目录程序,位于 /run/hatch/privsep/meta-catalog-search.sock 的受保护工作进程套接字,名为 shopping-SKILL.md 的购物指令文件,以及每个商品附带的 ranking_score。在他描述的购物任务中,Muse 返回了 40 到 71 件带评分的商品。它通过浏览器到零售商自己的网站上核对,最后向用户呈现两到三张卡片。

Kalan 还指出,原始目录结果里包含指向 Meta 内部网络的调试链接。9月28日打开的那一个链接,只显示 Meta 的内部登录页。

我没有 Meta 的登录账号,所以我手上只有这些地址,看不到地址背后的东西。

文章明确交代,这个反编译器是为了在不运行程序的情况下读取一个 11.7 MB 的 Rust 编译程序而写的。实验每次只改一个变量,并重复三次。请把它当作一位研究者的个人记述,而不是 Meta 的官方披露。文章引用了 Meta 自己在 2026 年 9 月 8 日发布的说明:每个用户的 Muse 都运行在一台专用虚拟机中各自隔离的区域里。这个区域里有浏览器、工作文件夹、命令行工具、技能和辅助智能体。内置的连接器运行在另外的受保护工作进程中。

商业上的含义很直接。如果一个购物智能体返回 40 到 71 个候选,只展示两三个,那么排序函数就决定了谁能被看见。发布商和商家都控制不了它。

搜索评估仍然很难,而这影响下游所有人

Doug Turnbull 那篇关于 LLM 作为评判者的文章被广泛阅读,9月28日在他的博客上重新发布。对那些以为这类排序问题已经解决的人来说,它是一剂有用的清醒药。他在 WANDS 家具数据集上测试成对相关性。强制在左、右之间二选一,在 1000 对样本上、100% 召回时精确率为 75.08%。允许模型回答“都不选”,精确率升到 85.38%,但召回率掉到 17.10%。他的修正办法简单,值得重复:把两个商品对调后再问同一个问题,只有模型两次判断一致时才接受结论。这种方法论上的细节,很少能活过一场产品发布会。

差不多同一时间,MongoDB 在 9月29日发布了 MongoDB 9.0、Atlas Infinite 和 Atlas Agent Engine。公司博客当天还刊登了一则临时 CEO 的说明。厂商称 Atlas Agent Engine 为生产环境中的智能体提供记忆、运行时和治理。它对任何模型或框架开放。它建立在若干标准之上,包括用于工具的 Model Context Protocol、用于智能体之间委派的 A2A,以及用于追踪的 OpenTelemetry。公司表示,定价针对公开预览,可能变动。

还有两篇 9月29日的文章补上了管道细节。Unblocked 公布了一个自适应路由器的细节,它在 Baseten、Fireworks 和 CoreWeave 之间调度 LLM 流量,三家都提供 GLM 5.2。公司写道,在轮询模式下,Fireworks 承担了 51% 的任务,Baseten 承担 49%,尽管 Fireworks 的价格高出 25%,而 Baseten 更快。在固定顺序模式下,Baseten 承担了 98.5%。CoreWeave 的标价大约比 Baseten 低 45%。Loro 则发文论证,仅靠 CRDT 不足以支撑本地优先同步。文章描述了一个案例:会话索引同步了,消息正文却没有,用户盯着一条通知,点开后面什么都没有。

读者到底该从哪里来

这些都不能证明搜索推荐流量会崩塌。它确实显示了投资流向哪里。NBER 那篇论文是市场隐含的度量,不是对产出的实测,作者自己也是这么定位的。Manticore 和 MongoDB 的文章是厂商的论证。Muse 的研究是一位独立研究者的个人记述。他明确说明自己无法接触 Meta 的内部系统。

对发布商来说,实际的解读要窄一些。答案层正由一些公司搭建,它们的动机是解决查询,而不是把读者导流出去。购物智能体给商品打分、筛选,最后渲染成两三张卡片。过去从搜索结果页来的流量不会一下子消失。它是一次一个查询地被吸收掉的。

评论 0

资料来源

15
  1. 01Poetry for Engineers: User Interface DesignEN
  2. 02The Macroeconomic Effect of AI: Sizing the Software Engineering ChannelEN
  3. 03Full-Text Search Still Works. It Just Doesn't Get You to an AnswerEN
  4. 04Reverse Engineering How Meta's Muse ShopsEN
  5. 05Check twice, cut once with LLM search relevance evalEN
  6. 06The Intelligent Data Platform for the AI EraEN
  7. 07The MongoDB Agent Platform | Atlas Agent EngineEN
  8. 08Routing LLM traffic across inference providers by cost, speed and reliabilityEN
  9. 09CRDTs are not enough: From CRDTs to a local-first sync engineEN
  10. 10OpenJev: An open-source, Jev-compatible System One decision engineEN
  11. 11Branch Target Reuse: Spectre-v2 Attacks in JIT EnginesEN
  12. 12Agencies publish resolution plan feedback letters for 15 banking organizationsEN
  13. 13VDE Figures: Electrical Engineering Programs Are Popular InternationallyEN
  14. 14We Are Hiring Engineers Because of AI, Not Despite It: Inside Picnic's AI TransformationEN
  15. 15What makes software development engineeringEN

本文所有数字与引语均来自下列来源,未添加来源之外的内容。

本内容由编辑部在人工智能辅助下制作完成。

王雅琴

王雅琴

人工智能、模型与技术

王雅琴负责FLASH24的人工智能、模型与技术报道,覆盖科技、人工智能与模型、媒体与互联网领域。她习惯直接查阅技术文档、模型卡与官方博客,而非依赖新闻稿,对未经核实的参数和跑分数据一概不放行。每篇报道前,她会逐项核对基准测试结果,对照论文原文与开源代码,确认版本号、数据集和评测条件是否一致。她常联系开发者与研究人员求证细节,也盯着各大厂商的发布会和论文截稿日期,横向比较同类模型的实际表现。私下她自建服务、折腾家庭网络,这让她对部署成本和真实算力需求有直观判断。她的原则是:没有可复现来源的数字,不写进稿子。

编辑部 →

评论

0
  1. 还没有评论——来说两句吧。

写评论

评论公开展示。我们不发布辱骂、垃圾信息和广告内容。