👦🏻 作者: 一木
🥷 編輯: 鏡山、Koji
🧑🎨 排版: NCon
"永立潮頭"——周鴻禕是少數配得上這個成語的企業家。
隔三差五，周鴻禕就會出現在我們的視野中，他不僅是企業家 IP 的排頭兵，更是 AI 時代的超級積極行動者。
在最新發布的 4 月全球「AI 產品榜」中，「十字路口」發現 360 旗下的「奈米 AI 搜尋」已然超越了 AI 搜尋領域的諸多老牌產品。
這讓我們既驚訝又驚喜，但更多的是佩服：你永遠可以相信紅衣大叔的產品能力和營銷實力。
在這份榜單的 Web 訪問量總榜上，奈米 AI 搜尋躍居全球第六名，成為國內訪問量最高的 AI 搜尋引擎。在搜尋類應用中，它僅次於 New Bing，超越了 Perplexity，位列全球第二。
「為什麼是奈米 AI 搜尋？」
在我們習慣了用 ChatGPT 當萬能問答工具、用 Perplexity 代替 Google 搜尋論文和冷門知識點，以及使用以 Open AI 為代表的一眾 AI 大模型廠商不斷推出的類 Deep Research 功能的當下，看到一個國產搜尋產品能殺入這樣的榜單，確實令人振奮。
因此，這兩天「十字路口」的內部微信群一直在熱議「為什麼是奈米 AI 搜尋」。是否僅僅源於 360 這座大廠的獨有光環？還是奈米的產品與體驗存在什麼被我們忽略的過人之處？
帶著這個問題，我們翻看了它近幾個月的功能更新節奏，發現節奏密集。平均每兩三週就會上線新能力，而且不少功能都是低調上線，尚未大張旗鼓地宣傳。
從 3 月起，我們梳理如下：
-
3 月 24 日，奈米 AI 正式支援AI影片創作，接入豆包、可靈、混元等多個大模型，能夠進行文生影片、圖生影片以及AI特效影片創作。
-
3 月 26 日，奈米 AI 接入 DeepSeek-V3 最新版——DeepSeek-V3-0324
-
4 月 23 日，奈米 AI 宣佈推出面向個人使用者的「MCP 萬能工具箱」
-
5 月 18 日，奈米 AI 產品首頁上線「超級搜尋」
Wait！什麼是「超級搜尋」？
沒錯，就在今天，我們發現奈米首頁又上線一個新功能入口，而且命名就很霸氣：
🚦
「超級搜尋」
我們體驗之後，發現這是一個不容忽視的新動作。
它既跨了傳統的資料高牆（小紅書、大眾點評、地圖、B站、騰訊影片、PDF、doc、圖片，全都能搜），又融合了 MCP 和多模態的能力，很像是一個今天語境下的 AI Agent。
可以這麼說，這是「十字路口」在AI搜尋領域觀察到的第一個將Agent 典型能力、跨資料高牆全域搜尋、MCP、多模態能力封裝在一起的 AI 搜尋產品。
接下來，分享我們的深度一手體驗。
下一代搜尋：不是給「答案」，而是給「結果」
奈米 AI 搜尋，前段時間就憑藉上線 MCP 工具系統，刷屏了一段時間。這回的超級搜尋功能，將這些 MCP 深度融合進了 Agent 的工作流之中。
從整體任務流程上看，奈米 AI 超級搜尋有點像是個“搜尋能力加強版的 DeepResearch”。
來看一個具體示例。我們用 koji 最愛的「觀鳥」活動來測試。
我給出一個簡單的指令："我計劃在上海組織觀鳥活動，讓它做一份研究報告"。
它隨機開始嘗試摸清我真實意圖：
Agent 能力被封裝進奈米 AI 超級搜尋的最主要表現就是：它可以精準地根據原問題進行拆解，與使用者意圖對齊。
當它得知使用者給出的大概需求後，先給自己制定任務列表：
然後，再根據使用者意圖進行關鍵詞拆解，之後才會呼叫 MCP-search：
如果僅僅到這一步，超級搜尋開始根據子任務進行常規搜尋，我可能並不會覺得驚豔，畢竟這已經算是當下 AI Agent 的基本功。
但是，我發現它在孜孜不倦地創立新的主任務、再進行拆解，並且在每一個任務中都搜尋到了“我原本以為它無法搜尋到的來源和資訊載體”。
它大概都越過了哪些“資料高牆”呢？兩點：資料來源限制、多模態資訊限制。
突破資料「高牆」與強化多模態能力
從使用者在傳統引擎上的體驗來講，我們在試圖獲取垂類領域的專業性知識時，總是能碰見各種“文庫”，以及無法判斷是否準確、內容質量是否較差的資訊來源。
奈米 AI 超級搜尋則跨越式地飛過了這些障礙，雖然我也有些好奇它呼叫的 MCP-research 為何這麼強大，但它真的實實在在地為我展現了它的能力。
在實際搜尋中，我發現它除了在傳統搜尋引擎中可以較為輕鬆接觸到的資訊之外，還會大量地進入各種文庫學習，像是人人文庫，360doc 個人圖書館等等，甚至還有知網平臺。
最讓我有點驚訝的是超級搜尋還能深入到一些付費文庫中：
除了在各種存在資料高牆的文字中打轉之外，超級搜尋還擁有強大的多模態資訊獲取能力，比如它能直達諸如大眾點評、小紅書、攜程攻略等圖文平臺。
當它搜尋到上面大眾點評和小紅書等圖文平臺時，會遇上大量圖片內容，但這並不阻礙超級搜尋將其作為一個資訊來源。
除此之外，PDF 和 PPT 也並未阻擋超級搜尋。
比如各種 pdf 檔案格式的科學考察報告，以及 ppt 格式的鳥類物種病期檔案等等。
超級搜尋幾乎查到了近 200 個資訊源，我很有興致地在裡面翻它拿到的各種型別的資訊。
很意外地發現超級搜尋還會將影片平臺作為資訊來源，像是在這份觀鳥活動研究報告裡，它就在西瓜影片裡打開了一個叫“崇明東灘溼地公園”的專案。
除此之外，B 站影片、抖音短影片、新浪影片全部都是奈米 AI 超級搜尋的資訊來源。
至此，奈米 AI 超級搜尋幾乎跨越了大多數的資料高牆。
上百個分佈在不同檔案型別的資訊源，成了它下一步組裝結果，展現生成能力的基礎。
當它搜尋完畢時，會開始呼叫 MCP-cloud-sandbox，開始程式設計，自主製作視覺化資料圖表：
這些生成內容得到確定後，奈米 AI 開始正式生成研究報告了，它會先給一份萬字長文的圖文版：
然後，奈米 AI 超級搜尋會覺得這樣的形式並不夠直觀，繼續呼叫程式碼編輯器，做了一套視覺化甚至可互動的網站出來：
我錄了一段屏，你可以直觀地感受下“一個超級搜尋能做出什麼樣的視覺化網頁”。
在這個專案的最後，還提供了本次研究報告所有的 PDF 和 DOC 檔案，以及一堆子檔案。
跑完上面這個專案，大概花了我 20 分鐘左右。
不難看出，奈米 AI 超級搜尋給出的答案，已經不只是「答案」，而是「結果」 ——這與在搜尋引擎上得到的體驗完全不同了。
很像一個 AI Agent，對不對？
確實，Agent 和搜尋之間的界限越來越模糊。
我們先繼續往下看。
科研助理不是說說而已
由於奈米 AI 超級搜尋在研究方向的表現實在是很好，我又拿它試了試學術方向的搜尋。
我本來想用 Perplexity 翻翻論文摘要，結果只找到了幾篇美英背景下的學術文章，而且格式雜亂、無可引用資料。
後來我試了下奈米，直接一句話：“中國、歐美、新加坡對資料要素確權的法律邏輯有何差異？”
它整個處理過程不到 20 分鐘，但其實背後做了很多事，只不過你不需要自己操心。
它先是呼叫了搜尋類的 MCP 工具，把問題自動拆成多個關鍵詞，比如“中國資料確權法律框架”“德國企業區塊鏈確權實踐”“法國個人資料保護制度”“美國資料確權實施機制”等等，然後分別檢索了幾十個網頁，總數有快 300 個頁面。
在這龐大的資訊源裡覆蓋了政府官網、研究論文、法規資料庫、行業報告，甚至包括了知網、百度文庫、法信、OECD 檔案、歐盟 GDPR 細則、Github 上掛的法規草案解讀等。
之後，它又呼叫了結構整理的 MCP 模組，做了內容去重、邏輯歸類，然後開始生成文件草稿。
你能看到它在撰寫引言、小節標題、結尾總結的時候，其實已經內建了你研究這個問題時常見的框架，比如“立法路徑”、“實施機制”、“本土技術實踐”、“資料資產化的趨勢差異”等幾個維度。
最後一步，它直接把整合後的內容生成了一份網頁報告，用我們常見的那種政策解讀網頁形式呈現。
在這份報告裡面還有圖表，比如法國、德國、新加坡在確權路徑上的制度分佈雷達圖、各國使用區塊鏈做資料確權的技術路線對比表。
這套流程我們沒幹預任何一步，就是一句自然語言問題，後面全靠系統自動跑完。
跟傳統那種“AI 幫你總結點東西”完全不是一回事，它不是在回答問題，而是在模擬你要做這件事，從頭到尾會怎麼查、怎麼整、怎麼寫的整個過程。
實話說，就算是一個行業研究員從零開始做，跑這套資訊整理也得兩三天，而它二十分鐘就把這幾步都跑了一遍。
有了「研究」的輪廓，接下來就順理成章了
官方還試了一個偏行業分析類的問題：“以 2025 年下半年全球 AI 晶片技術突破為背景，預測未來 12 個月生成式AI在醫療影像診斷領域的應用場景，結合英偉達最新發布的 DGX GH200 效能引數分析。”
聽起來像是那種要查好幾個地方、對著晶片規格和行業新聞慢慢拼起來的問題。
結果奈米的處理方式還挺省事的，它先把 GH200 晶片的大致技術點提了一下，比如運算速度、儲存架構、適配的 AI 場景，然後直接列了幾個可能的落地方向，比如罕見病影像補全、術前模擬、下沉醫院的 CT 輔助診斷之類的，每一個都配了出處和代表性專案，最後還總結了幾個“短期可落地”的趨勢點。
不是那種非要給你一個結論，而是能先把你問題的範圍和背景整理得比較清楚，再把關鍵點拎出來。
用完之後就很明確：這個功能適合那種你腦子裡有個方向，但還沒時間做研究的場景。
它不一定給出什麼很有創見的東西，但能幫你把起手的那幾步跑掉，資訊質量也比較好。
選顯示卡，不再開 10 個瀏覽器標籤頁，它直接幫你排好隊
讓我們再來跑個更具挑戰性的 case。
當我們想玩黑神話悟空這種 3A 大作，最頭疼的就是電腦配置不夠，於是官方輸入提示詞：“我是遊戲主播，現在需要換顯示卡，請幫我推薦能流暢執行最新的3A遊戲，並且在直播中能保持高幀率和畫面質量的顯示卡。
奈米 AI 搜尋處理得很乾脆。
不是先扔一堆顯示卡測評讓你自己翻，而是直接把選型邏輯梳理好了。
它先從遊戲效能、推流相容性、電源功耗、預算區間幾個維度拆了需求，然後一邊查引數，一邊抓使用者口碑，還自動給出推薦方案，比如 RTX5070Ti 適合中高配主播，幀率穩定、散熱好、推流也不卡，價格控制在五千出頭。
要是預算更高，RT5090D 可以帶動 AI 建模和多機位推流，但電源要求就高了；反過來，如果你只是玩玩《永劫無間》這種輕量級遊戲，RX7800XT 也夠用，功耗低，還便宜點。
它還順手提醒了相容性的問題，說某些三風扇卡太長，有些主播的機箱裝不進去。這種細節，不是引數對比能看出來的，但它自己去評論區抓使用者反饋，再補一行備註。就這一點還挺貼心的。
我們沒覺得它給了什麼神推薦，但它確實省了很多試錯時間，尤其是那種你開著十幾個標籤頁比來比去的過程——現在只用輸一句話，它把邏輯理完了。
我們實測下來，它能搜的範圍明顯比大多數 AI 搜尋要廣。地圖、B站、騰訊影片、小紅書、PDF、DOC、文庫、圖片、大眾點評、喜馬拉雅……
這些以前你預設 AI 抓不到的平臺，它現在都能直接讀內容、提資訊，有些甚至能提煉出圖片裡的文字或音訊裡的關鍵資訊。
真正打通了以前那些你以為 AI 碰不到的資料高牆。
「預測未來的最好方式，是去創造它。」
最初，我們認為搜尋引擎應該是一個巨大索引庫，它要變強大，就要增加覆蓋範圍、增強排序演算法。
前兩年，AI 搜尋來了，我們認為好的 AI 搜尋應該體現在“能不能給出充分全面、深思熟慮的好答案”、“能不能消滅一切幻覺”。
奈米「超級搜尋」的更新又帶來了一次潛在的正規化變化：它不再停留在做出更像人的回答，而是直接去幹更像人的事情。
搜尋和 Agent 的邊界，在融合。
為什麼這麼說？
總結一下奈米「超級搜尋」，越看越像一個 Agent:
【1】它接入了 MCP 系統，接受模型是有限的，把搜尋從“一個大模型答所有問題”變成“多個專精工具接力幹活”。在搜尋之後引入了任務鏈排程，根據你的輸入，判斷你背後真正想做的事，然後一步步拆解、執行。
【2】它集成了多模態能力，不僅能讀文字，也能調圖、識圖、生成圖，把以前只能看文字的搜尋結果變得“圖文並茂，結果導向”。甚至，它在嘗試使用者意圖補全。
【3】你的問題提得不清楚也沒關係，它猜你真正想要什麼，然後預設替你走一步——這其實是 AI 產品從被動變主動的標誌。
【4】噢，別忘了，還有跨越資料高牆的「穿牆術」：小紅書、大眾點評、地圖、B站、騰訊影片、各種文庫、PDF、doc、圖片，全都能搜。
事實上，當我們放下 Agent / Search Engine 這樣的定義，迴歸使用者、迴歸場景，不難發現，使用者不論使用 Agent 或搜尋，其實都是在做同一件事情：提出一個問題或一次需求。
從這個意義來說，奈米 AI 超級搜尋，是隻挺好的貓🐱。
你可以把這稱作 Agent，也可以不去定義它叫什麼。
但你能感覺到，搜尋跟你之間的關係變了：不再是“問與答”，而是“事與做”。
它不是變聰明瞭，而是變能幹了。
不是更會說話，而是更會幹活。
未來呢？
我想起計算機科學家 Alan Kay 的一句話：