Nimble 推出领域专业化网络搜索智能体，检索准确率提升21%，Token消耗降低51%

Nimble 一家总部位于纽约市的科技初创公司 Nimble 致力于通过使用多个 AI 智能体来提升准确性和深度，从而为企业重新构想网络搜索；如今，该公司正朝着其愿景迈出另一步——在该愿景中，智能体将承担大部分网络搜索工作，而不再由我们手动输入查询并人工审阅结果。

Nimble 今日推出了 Web Search Agents（网络搜索智能体），这是一种新型检索系统，旨在帮助 AI 智能体执行网络研究时准确率提升 21%，同时显著减少 token 使用量——据该公司称，与主流 AI 搜索替代方案在同等任务上的表现相比，token 使用量减少了 51%。

尽管 Nimble 并未披露其具体的基准测试方法或所评估的竞争对手，但这些结果凸显了企业级 AI 领域的一个日益显著的趋势：优化检索已变得与改进底层语言模型本身同等重要。

Nimble 的管理层表示，该产品融合了自学习检索策略、专有网络索引以及实时网络访问能力，从而提供面向特定领域的搜索功能，使其在企业级工作负载场景下表现优于通用网络搜索服务。

“我们的研究团队构建了自学习检索算法，能够学习客户的领域知识，”Nimble 首席执行官兼联合创始人 Uri Knorovich 在接受 VentureBeat 采访时表示，“它们能更高效地定位精确信息，减少多跳推理所需步骤，降低 token 使用量，同时提升准确性。”

Nimble 并未将自身定位为另一款通用搜索引擎，而是专注于服务那些正在构建自主智能体的开发者——这些智能体需要持续从公共网络获取最新信息，以支持研究、潜在客户开发、竞争情报、合规性及其他关键业务流程。

该产品还被设计为可无缝集成至企业现有系统和工作流中。

“您可通过 Nimble API 直接运行该智能体，且无需任何基础设施，”Knorovich 表示，“对于大型企业，我们正与微软（Microsoft）、甲骨文（Oracle）、Snowflake 等公司合作，使客户能够将这些智能体系统部署于其自有基础设施内部。”

从通用 AI 网络搜索迈向契合企业需求的专业化搜索智能体

当今大多数 AI 应用依赖通用搜索应用程序编程接口（API），这些接口来自搜索引擎及公共知识库，返回的是大量宽泛的文件集合，而语言模型则需自行判断哪些来源相关。

该过程通常需要多次检索步骤、额外推理以及大量 token 消耗，之后智能体才能生成答案。这显然效率低下，并推高了 AI 搜索在无关来源上耗费的成本。

Nimble 认为，不久之后 每一家 企业都将需要属于自身的外部信息搜索、检索与验证方法，因为每家企业都依赖其自身独特偏好的信息源、信号及可信度标准。

因此，Nimble 的 Web Search Agents 并非对所有工作负载采用 同一种 搜索策略，而是旨在学习特定领域的特征，并调整信息检索方式，向智能体提供结构化、相关的上下文，而非迫使其在大量通用搜索结果中进行筛选。

“我们不采用单一通用检索模型，而是为每位客户的领域构建专用检索模型，使其更快、更便宜、更准确，”Knorovich 解释道，“一家企业可运行数百种不同的智能体，每种智能体均具备其专属的领域专业知识、防护机制、目标及搜索算法。优化始于第二次搜索，且无需客户进行任何设置。”

其目标不仅是减少冗余检索，还要缩短多步骤研究路径，并避免反复将原始网页发送至语言模型进行解析，从而实现该公司所引用的 token 减少 51% 的数据。

这一区别对于长时间运行的企业级智能体尤为关键——这类智能体执行的研究任务可能持续数小时乃至数天，而非仅回答简单的消费者问题。在此类场景中，减少不必要的工具调用可显著降低运营成本，同时提升答案一致性。

这种侧重反映了整个 AI 工具生态系统正在发生的更广泛转变：随着基础模型能力日益增强，基础设施供应商的竞争焦点正转向模型周边的一切要素——包括检索、编排、记忆、可观测性及治理。

面向生产环境 AI 的检索优化

此次发布延续了 Nimble 更宏大的战略，即成为企业级网络智能平台，而不仅是一家网络爬虫服务提供商。今年早些时候， 该公司在完成 4700 万美元 B 轮融资后，推出了其更广泛的 Agentic Search Platform（智能体搜索平台），将其自身定位为一种基础设施，可将实时网络转化为供 AI 系统使用的结构化、机器可读数据。

该公司最新发布的版本进一步拓展了这一愿景，引入了一种名为“Harness as a Tool（作为工具的 Harness）”的概念，为其新型领域专业化 Web Search Agents 提供支持。该方案无需工程团队分别组装独立的搜索 API、浏览器自动化工具、提取管道、验证逻辑、记忆系统及编排代码，而是将上述能力封装于一个托管接口之后。

该 Harness 可确定搜索内容，在传统索引不足时导航网页，提取相关信息，验证结果，并以专为下游智能体设计的形式返回最终上下文。

Nimble 还表示，该系统保留领域特定记忆，并构建专有索引，随着客户执行更多搜索，这些索引将持续优化。

“最大的研究突破在于为智能体增加了语义记忆与缓存层，”Knorovich 告诉 VentureBeat，“智能体随时间推移学习使用模式与领域专业知识，因此每次后续搜索都会变得更加快速与高效。”

至于 Nimble 能够应对哪些领域，该公司表示其几乎可覆盖任何知识型工作领域。

“我们已看到客户构建了投资银行分析师智能体、面向产品经理的竞争情报智能体、市场进入研究智能体、新闻编辑室监控智能体、保险应用智能体、生命科学研究智能体以及供应链优化智能体，”Knorovich 表示，“客户每天都在为我们带来全新的智能体应用场景。”

然而，针对关注数据隐私与留存的企业，Knorovich 向 VentureBeat 保证：“Nimble 从设计上即采用零数据留存原则。客户查询绝不会存储于我方环境中；当客户部署语义记忆与自学习模型时，相关知识将保留在其自有租户内，而非我方租户。”

客户部署案例指向实际运营收益

Nimble 通过 AI 原生软件供应商及企业用户的早期客户实例，为本次发布提供了支持。

AI 原生 CRM 公司 Rox 报告称，在采用 Nimble 的检索基础设施后，其 token 成本降低了 20 倍，同时提升了提供给 AI 智能体的信息质量与完整性。

尽管该公司未披露详细的工作负载测量数据或可复现的基准线，但该示例说明了检索优化可为高吞吐量智能体部署带来的运营成本节约。

Nimble 表示，其基础设施目前每天支持超过 9000 万次搜索，服务对象包括《财富》500 强企业及依赖关键任务工作流运行的 AI 原生公司，这些场景对准确性、完整性及企业级管控能力具有刚性要求。

API、SDK 和 MCP 支持面向 AI 构建者

该平台现已通过 API、SDK 及模型上下文协议（Model Context Protocol, MCP）集成方式即时可用，使开发者能够将 Nimble 直接接入 AI 智能体，无论其使用的编排框架为何。

开发者可将该平台用于以下几类网络智能场景：

• 低延迟实时网络搜索

• 深度多步骤网络研究

• 网络爬取

• 结构化数据集生成

• 领域特定信息检索

该公司还为常见网络提取任务提供文档及预构建智能体，同时允许开发者使用自然语言描述而非手动维护爬取逻辑来构建自定义检索智能体。

Nimble 提供两种显著不同的消费模式：开发者可从按需付费的智能体 API 入手，其 Web Search Agent 请求定价自每请求 0.025 美元起（按所列低工作量设置）；希望 Nimble 配置并管理定制数据交付的企业，则可选择按年订购托管服务方案，起价为每月 2500 美元。

Nimble 在新兴智能体驱动型搜索技术栈中的定位

Nimble 进入的市场已迅速超越传统网络搜索范畴，扩展至具备规划、浏览、推理与信息综合能力的自主研究智能体。此类产品包括 ChatGPT Deep Research， Google Gemini Deep Research， 阿里巴巴通义 DeepResearch， Perplexity，以及 Sakana Marlin ，均致力于自动化此前需耗费数小时——在 Marlin 案例中甚至可能长达数周——的人工研究工作。

然而，Nimble 并未将自身定位为另一款面向终端用户的研究助手而直接参与正面竞争，而是将其置于 AI 技术栈更低一层——作为支撑上述智能体或基于主流基础模型构建的定制化企业应用的网络智能基础设施。

这一区分反映了企业级 AI 领域日益重要的架构演进趋势。大多数“深度研究”系统聚焦于整体研究工作流的优化，包括生成搜索计划、迭代式信息采集及生成综合报告。

Nimble 则主张，检索层 本身已成为企业级 AI 部署的主要瓶颈。若智能体检索过多无关网页或执行不必要的搜索迭代，则在模型启动核心推理流程之前，token 消耗量、延迟及运营成本均已上升。

克诺罗维奇（Knorovich）表示：“生命科学、保险、医疗健康、制药、零售及数字原生企业的客户均向我们传递同一信息：我们需要为智能体提供更准确的上下文，并需降低每项任务所消耗的 token 数量。”

该 发布博客 通过描述团队频繁自行重建相同检索栈的现象，使上述论点更具说服力。一个生产环境智能体可能始于一个搜索 API，随后逐步累积浏览器控制模块、解析器、提取组件、验证步骤、记忆机制、缓存、评估模块及定制化工作流逻辑。Nimble 将其平台定位为应对这一日益增长工程负担的托管替代方案。

在 Nimble 看来，在推理开始前提升检索性能，其价值远高于单纯向语言模型提供更多待分析文档。因此，其 Web Search Agents 会针对特定工作负载动态调整检索策略，结合专有索引、实时网络检索及任务专属搜索策略，而非在所有领域统一应用同一搜索算法。

这使得 Nimble 与 OpenAI 或 Google 的研究助手之间并非直接竞争关系，而更接近于面向开发者的检索基础设施提供商，例如 Exa 和 Tavily。这些平台同样提供 AI 原生搜索 API 及研究能力，但 Nimble 通过强调自学习检索策略、专有索引、企业治理、托管交付以及面向生产环境智能体的 token 效率实现差异化。

对于正在构建自有 AI 系统的组织而言，这一区分可能愈发重要。基础模型正全行业范围内持续增强能力，竞争焦点正转向围绕模型的基础设施——包括检索、编排、记忆、可观测性及治理。Nimble 的战略正契合这一更广泛趋势，押注于更优的网络智能所能带来的运营收益，将远超仅对模型推理能力进行渐进式改进所能达成的效果。

企业级基础设施 vs. AI 研究助手

不同定位亦体现在定价策略上。面向消费者市场的 AI 研究助手通常以面向个人用户或团队的生产力订阅形式销售；而 Nimble 则将其托管服务定价为企业级基础设施，旨在驱动生产级应用。不过，其按需付费 API 为开发者提供了低成本路径，可在承诺托管部署前先行测试底层智能体技术。

该对比揭示了三个日益分明的市场。

1. ChatGPT Deep Research、Gemini Deep Research 和 Perplexity 主要作为面向用户的调研助手运行。

2. Exa 和 Tavily 则面向开发者提供检索与研究 API。

3. Nimble 和 Sakana Marlin 占据更偏向企业的领域，但处于不同层级：Nimble 提供检索基础设施，而 Marlin 执行长期战略分析。

Sakana Marlin 作为对照尤为有用。其定位为“虚拟首席战略官（Virtual CSO）”，而非搜索 API，可运行长达八小时的自主研究循环，并生成可供高管直接使用的报告、参考文献及配套材料。

相比之下，Nimble 的设计目标是嵌入此类系统底层，为面向企业的智能体提供专业化检索、网页浏览、信息抽取、验证及编排能力，使其在开始推理前即可获取可靠外部信息。

因此，该对比不应被解读为直接的价格对价格评估。每月20美元的 ChatGPT Plus 或每月19.99美元的 Google AI Pro 订阅服务，购买的是一个具备 Deep Research 功能的个人 AI 工作空间。

Nimble 每月2500美元的托管计划则支持并发生产的智能体、托管式 ETL、MCP 集成、网页抓取容量、存储以及免人工的数据交付服务。

Sakana Marlin 约每月936美元（每月15万日元）的 Pro 计划，用于支付延时、计算密集型的战略研究工作流。

每项价格所反映的，本质上是产品边界与部署模式的根本差异，而不仅仅是人工智能能力水平的不同。

为何检索正成为下一代人工智能主战场

随着企业级人工智能系统日趋成熟，业界日益认识到，模型质量本身并不能决定应用性能。

大语言模型经常失效，并非因其无法推理，而是因其缺乏及时、可信的外部信息。这一现实已推动行业在检索增强生成（RAG）、原生 AI 搜索、网络智能平台、知识图谱、浏览器自动化及智能体基础设施等领域迅速加大投入。

Nimble 的发布正体现了这一演进趋势——其重心并非构建另一款前沿模型，而是提升流入现有模型的信息质量。

该公司宣称的答案质量提升21个百分点及令牌用量减少51%，是否能在广泛的企业部署场景中持续成立，仍有待独立验证。

更宏大的战略押注在于：随着前沿模型日趋同质化，企业将通过数据、检索策略、可信信源规则、记忆系统以及围绕这些模型的编排层实现差异化。Nimble 并非试图打造站在用户面前的研究者；它旨在成为决定研究者能发现什么、以何种效率发现、以及所得证据是否足以支撑生产决策的基础设施组成部分。

网络搜索智能体可通过 Nimble 的 API、SDK 及 MCP 集成获取，开发者评估该平台时可申请免费试用。