跨国深谈← 返回←Parag：为什么智能体搜索不该照搬人类那一套

Parag：为什么智能体搜索不该照搬人类那一套

关联

人物 Andrew · Sonia · Parag

公司 Parallel

概念 智能体 · 智能体搜索 · 搜索智能体 · 索引 · Shapley 值 · 推理 · 后台智能体 · 差异化定价 · 爬取

人类点击数据是一个 bug，智能体做搜索应该依赖智能体反馈，不是人类反馈 。这话出自 Parag，他在卖掉 Twitter 之后创办了 Parallel Web Systems，赌的就是一件事：智能体搜索网络的次数会比人类多一千倍，而现有的搜索技术栈从根上就不适合它们。

为什么人类搜索的整个技术栈对智能体是错的

传统搜索解决的是一个「千亿对千亿」的匹配问题——把数千亿网页缩小到五条十条结果。为了做到这一点，搜索引擎要爬取全网、建索引、做排序。

这套系统是围绕人类的特性设计的：人类懒，只愿意打两三个不完整的词加一个拼写错误，然后祈祷结果对了；人类没有耐心，PDF 加载要 3.5 秒就会烦躁 。这些人类特征直接塑造了今天互联网内容的形态——大量「前 AI 时代的人类垃圾内容」，比如把 300 页财报里的 20 条关键数字提到首屏的聚合页面，本质上是在迎合懒人同时做 SEO 。

智能体完全不一样。它们给的查询更完整、错别字更少、描述更精确 。

更重要的是，智能体不需要「被迎合」——它不需要你把信息放在首屏、不需要页面加载快，Parallel 可以直接从最权威的来源（比如 SEC 那份 PDF 的第 73 页）摘取片段，塞进智能体的上下文窗口 。这意味着智能体搜索可以绕开人类搜索被迫做出的那些奇怪权衡。

Parallel 怎么从零建起一个搜索引擎

三年前创业时，Parallel 面对一个现实：全网络规模的爬取和索引极其昂贵，历史上只有 Google 和 Bing 做到过。但 Parag 发现，竞争壁垒正在松动。

过去做搜索难，很大程度是因为你拿不到「这条结果比那条好」的优质反馈数据——人类评分太贵，点击数据被巨头垄断。现在大模型擅长压缩信息，可以用模型的研究成果来改进搜索索引和排名，评分数据也能用更便宜的方式生成 。

但关键是，Parallel 没有第一天就去建全网索引。他们先做的是搜索智能体——查询到了之后再去实时爬取。

深度研究场景下，用户能等一分钟甚至十分钟，这段时间足够爬大量页面，前提是你有一张足够好的「地图」来决定优先爬哪里 。索引本质上是一种延迟优化，如果你能放弃延迟这个维度，就可以用实时爬取来弥补索引的不足 。

第一批客户来自那些原本把「在网上找数据」外包给人类的工作流：保险承保、理赔处理、销售数据丰富化、金融建模前的数据整理 。这些场景里，搜索智能体替代的是人工策展，而不是替代 Google——竞争对象完全不同，门槛也低得多。通过这些真实用例，Parallel 一边赚钱一边逐步建索引，而不是先砸钱建基础设施再找客户 。

一条查询进来，里面发生了什么

查询进来后，Parallel 先用模型理解并丰富这个查询，然后分发到多个不同的索引系统——有的是大索引，有的是新鲜索引，有的类似知识图谱或结构化索引 。每个系统有自己的检索层和多层排序层，从数千亿 URL 缩到数万条结果，再缩到具体段落，最后选出信号最高的 1000 个 token 返回给 AI 。不同版本的 API 在这条管线的不同节点上投入不同量的计算，以匹配不同的延迟和成本约束 。

Parag 不把 Parallel 定义为「新实验室」（产出是模型），而是「模型的补充」——产出是在模型之上乘数放大的东西 。他们确实做研究，但不是预训练大模型，而是把东西压缩成微小的排序模型，在有限的计算和延迟预算内做最优的信息匹配 。

为什么要用智能体搜索而不是直接调 Google

最直接的证据：用 Parallel 的智能体搜索，大部分情况下能砍掉一半的 token 消耗，同时结果更准确、更快 。如果你的模型有上下文长度限制，省下一半 token 意味着能做更多任务，或者同样任务做得更便宜 。本质上这是一个质量、成本、延迟的三维优化问题 。

他们最近发布了 TurboNow，把响应时间从三秒压到了 200 毫秒 。前两年他们刻意忽略延迟，先在质量和成本上做到每个价格点的最优，因为「优化系统、蒸馏小模型」是已知工程问题，不像基础研究那么不确定 。

搜索量会爆炸到什么程度

一个典型搜索智能体，即使不做深度研究，回答一个问题也要搜 5 到 20 次 。Parag 自己估算，他现在所有智能体加起来的搜索量是他三年前每天 Google 搜索量的 100 到 1000 倍 。如果算上公司里没分配给人类的自动化任务，可能超过 1000 倍 。

但更大的倍增器来自「后台智能体」——那些不等人触发、自己持续运行的智能体。比如管理 1 万家小企业信贷组合的风控流程，以前每月人工跑一次，现在可以每周跑，每次都做大量搜索来生成仪表板和行动项 。

再比如 Parag 用 Notion 搭的会议准备智能体，写一次提示词之后，每个会议自动做数十到数百次网络搜索 。每次为 new 用例建新智能体，搜索量就再乘一层。

但他承认现在还是极早期——走出硅谷泡沫，很多人连「智能体」这个词都没听过 。智能体搜索量超过人类搜索量，那一天还没到，但他认为一定会来 。

互联网的商业模型正在断裂

这才是 Parag 创业的核心动力。广告是互联网最高效的变现方案，因为它极其擅长差别定价——Google 大多数查询是亏钱的，靠少数高价值查询赚回来 。

这套逻辑的前提是「有限的人类注意力」。但如果上网的不是人而是智能体，这个前提就塌了 。

内容方会怎么做？他们会继续花钱做 SEO 吸引人类流量，但同时切断智能体的访问——因为智能体来了他们无法变现 。即使智能体是代表人类行事的，但现有的订阅、广告等模型都没有办法从一次智能体访问中捕获价值 。

现在内容方的唯一选项是跟模型公司签固定费用的授权合同，但这只适用于头部内容，而且是一个「破碎的商业模式」——AI 推理量今年涨 7 倍、明年再涨 7 倍就是 50 倍，但合同金额不会跟着涨 50 倍，续约时份额必然大幅缩水 。

Shapley 值：怎么给每个内容来源算钱

Parallel 的方案是从广告时代的差别定价逻辑出发，结合博弈论里的 Shapley 值（一种在协作中分配超额价值的数学方法）。直觉很简单：从语料库中拿掉某个内容源，看智能体输出质量下降多少；如果多花一分钱的算力就能弥补这个质量损失，那这个来源就值大约一分钱 。

但直接算 Shapley 值太贵了——为了算出给内容方一块钱，计算成本可能要好几块 。所以实际做法是跑大量模拟场景收集数据，然后训练模型来估算。Parag 相信，一旦市场反馈回路建立起来——就像广告行业从手动出价演进到全自动竞价——这套基于激励一致的分配机制能让内容方和内容寻求方都愿意参与 。

关键设计是双向差别定价：独特的高质量数据拿更多钱，同样的数据被用于高价值工作（比如银行家分析 vs 退休老人阅读）也拿更多钱 。宏观数学上也说得通：如果把 LLM 知识工作推理支出的 2% 到 10% 分配给网络数据，总量已经远超今天除围墙花园之外的所有网络数据商业模式 。Parag 估算，随着智能体搜索量每年一个数量级地增长，12 到 24 个月内这套数学就能为非常广泛的内容方提供有意义的收入 。

公司最初注册的名字其实就叫 Shapley Inc.，但显然这对 B2B 产品来说是个糟糕的名字 。后来改叫 Parallel，因为他开始想象一个为 AI 构建的「并行网络」——发布内容时要同时考虑两个受众：人类看什么样子，智能体怎么读取 。财报电话会议记录就是一个已经翻转的例子：通过智能体消费它的人已经超过直接阅读的人 。

三层未来：从工具到推送

Parag 把智能体使用网络的演进分三层。第一层是现在的主流：智能体把网络搜索当工具用，和人类用的一样 。

第二层正在出现：更复杂的多智能体系统，子智能体之间互相唤醒、编排，向困难问题投入大量计算和数据 。第三层是他最兴奋的——网络从「拉」变成「推」。

不再是智能体主动说「现在去给我找这个」，而是智能体注册一个条件：「如果网络上发生了这种变化，就通知我，我要在上面跑任务」 。驱动明天工作的不是日历，而是几个信息流——卫星图像变化、客户评论出现、另一个智能体完成了计算、以及网络上发生的一切变化 。到那时候，Parallel 要做的是在整个网络上、一直、代表所有客户分配计算 。

本集带走

• 人类点击数据是 bug：为智能体做搜索，反馈信号应该来自智能体自身判断结果有没有用，不是模拟人类点击行为。
• 先做搜索智能体，后建索引：放弃延迟维度，用实时爬取替代预建索引，从替代「人工在网上找数据」的工作流切入，边赚钱边建索引。
• 智能体搜索省一半 token：因为查询更精确、不需要「迎合人类」的中间页面，可以直接从权威源摘取片段，结果更准、消耗更少。
• 搜索量倍增来自后台智能体：不是每个人多搜几次，而是「写一次提示词，每个会议自动搜数百次」这类模式让搜索量膨胀 100 到 1000 倍。
• 固定费用授权是死路：AI 推理量指数增长，但合同金额不跟着涨，内容方在续约时必然被稀释。需要的是按使用量、按价值差别定价的 scalable 模式。
• 用 Shapley 值的逻辑做内容定价：拿掉一个来源看质量掉多少、补多少算力能挽回，差值就是这个来源的价值——实际用模型估算而非精确计算。

我们在 Parallel 的观点是，人类点击数据是一个缺陷，进行搜索工作的智能体应该依赖智能体反馈，而不是人类反馈。
Our view at Parallel is that human click data is a bug and agent doing work with search should rely on agent feedback, not human feedback.
—— Parag · [00:00]

我们创立 Parallels 时打赌智能体这样做的次数会比人类多一千倍。
We started Parallels with the bet that agents would do it a thousand times more than humans ever have.
—— Parag · [01:50]

所以我们说，与搜索引擎在第一天相比，坐在搜索引擎上的人类似乎更容易竞争。
So we said, it seems like humans sitting on search engines are far way easier to compete with than a search engine on day zero.
—— Parag · [08:43]

所以一切对我来说，当你对信息和各种工作的相关信息有无限的需求时，其核心是一个围绕质量、成本和延迟的优化问题。
So everything, to me, when you have an infinite appetite for information and relevant information for all kinds of work, it’s at its core an optimization problem around quality, cost, and latency.
—— Parag · [14:22]

所以你可以称之为前 AI 时代的人类垃圾内容。
And so you can call it pre-AI human slop.
—— Parag · [18:42]

因为我有一个针对人类的商业模式，所以我实际上想去付钱给某人做 SEO，优化我自己，以便更多人类出现。但如果他们的智能体出现了，我就要切断它。
Because I have a business model for humans, so I actually want to go pay someone to SEO, optimize myself so more humans show up. But then if their agent shows up, I’m going to cut it off.
—— Parag · [36:50]

即使对于头部内容，这也是一个破碎的商业模式，因为当 AI 或推理增长时，假设今年增长 7 倍，明年再增长 7 倍。在这 50 倍上，他们的交易规模并没有增长 50 倍。
And even for the head, it is a broken business model because when AIs or inference grows, let’s say 7x this year and another 7x the next year. On this 50x, their deal size is not growing 50x.
—— Parag · [38:25]

所以为了计算内容拥有者，为了计算内容拥有者得到一美元，如果我决定进行完整的 Shapley 值计算，那可能要花费好几美元。
So to compute a content owner, to compute that a content owner gets a dollar, if I decide to do the full Shapley value computation, that might take several dollars.
—— Parag · [44:22]

我非常有信心，更多的人通过智能体消费财报记录，而不是真正地听音频，老实说可能也比阅读文字记录本身的人多。
I feel very confident that more people are consuming earnings transcripts through agents than are actually certainly listening to the audio and honestly probably been reading the transcript itself.
—— Andrew · [49:41]