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。

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。
资料来源
15- 01Poetry for Engineers: User Interface DesignEN
- 02The Macroeconomic Effect of AI: Sizing the Software Engineering ChannelEN
- 03Full-Text Search Still Works. It Just Doesn't Get You to an AnswerEN
- 04Reverse Engineering How Meta's Muse ShopsEN
- 05Check twice, cut once with LLM search relevance evalEN
- 06The Intelligent Data Platform for the AI EraEN
- 07The MongoDB Agent Platform | Atlas Agent EngineEN
- 08Routing LLM traffic across inference providers by cost, speed and reliabilityEN
- 09CRDTs are not enough: From CRDTs to a local-first sync engineEN
- 10OpenJev: An open-source, Jev-compatible System One decision engineEN
- 11Branch Target Reuse: Spectre-v2 Attacks in JIT EnginesEN
- 12Agencies publish resolution plan feedback letters for 15 banking organizationsEN
- 13VDE Figures: Electrical Engineering Programs Are Popular InternationallyEN
- 14We Are Hiring Engineers Because of AI, Not Despite It: Inside Picnic's AI TransformationEN
- 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。
评论
0- 还没有评论——来说两句吧。