🛡️Cloudflare Blog•最新收集於 22m
讓 AI Agents 搜尋你的資料
💡把你的檔案與網站轉化為 AI agents 可搜尋的資料層。
⚡ 30-Second TL;DR
有什麼變化
可針對客戶自有檔案與網站建立搜尋引擎
為什麼重要
AI Search 可能縮短現有知識庫轉化為 agent-ready 搜尋體驗的流程。對評估大規模 agent 搜尋成本的團隊而言，其定價模式將相當重要。
下一步行動
使用具代表性的檔案與網站內容子集測試 Cloudflare AI Search，並依預覽定價模式估算正式環境成本。
誰應關注：Developers & AI Engineers
關鍵要點
- •可針對客戶自有檔案與網站建立搜尋引擎
- •專為讓 AI agents 直接存取相關私有資料而設計
- •減少串接多個 Cloudflare primitives 的需求
- •同步預告 Cloudflare 全新的定價模式
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •Cloudflare AI Search 整合了 Workers AI 與 Vectorize 資料庫，實現了從資料攝取到檢索的端到端自動化流程。
- •該服務支援自動化爬蟲（Crawler）功能，能定期掃描並索引客戶的公開網站內容，無需手動更新資料庫。
- •透過與 Cloudflare Access 的整合，該搜尋功能具備企業級的權限控管，確保 AI agents 僅能存取授權範圍內的私有資料。
- •新定價模式採用基於儲存容量與查詢次數的混合計費，旨在降低開發者建構 RAG（檢索增強生成）應用的門檻。
- •系統內建了針對 AI 應用優化的語意搜尋（Semantic Search）演算法，能有效提升 AI agents 在處理非結構化文件時的回答準確度。
📊 競品分析▸ Show
| 特色 | Cloudflare AI Search | Pinecone | AWS Kendra |
|---|---|---|---|
| 核心定位 | 邊緣運算整合與低延遲 | 專用向量資料庫 | 企業級搜尋與檢索 |
| 定價模式 | 整合式計費 (Workers AI/Vectorize) | 基於 Pods/Serverless 使用量 | 基於索引量與查詢量 |
| 技術優勢 | 邊緣部署、無伺服器架構 | 高擴展性、豐富的索引演算法 | 與 AWS 生態系深度整合 |
🛠️ 技術深入
- 採用向量嵌入（Vector Embeddings）技術，將非結構化文字轉換為高維度向量儲存於 Vectorize。
- 支援多種主流嵌入模型（Embedding Models），開發者可透過 Workers AI 選擇適合的預訓練模型。
- 具備自動化分塊（Chunking）機制，能將長文件拆解為適合 AI 模型處理的片段，並保留上下文關聯。
- 透過 Cloudflare 全球邊緣網路進行查詢處理，顯著降低了 AI agents 存取資料的延遲（Latency）。
- 提供 API 介面，允許開發者直接將搜尋結果注入至 LLM 的 Prompt 中，實現標準化的 RAG 工作流。
🔮 前景展望AI analysis grounded in cited sources
企業將加速從傳統搜尋引擎轉向 AI Agent 驅動的知識檢索系統。
Cloudflare 降低了建構私有資料檢索系統的技術門檻，將促使更多企業將內部知識庫直接對接 AI 代理。
邊緣 AI 搜尋將成為雲端服務供應商的標準配置。
隨著 AI agents 的普及，資料處理與檢索的延遲將成為關鍵競爭指標，迫使供應商將搜尋功能推向邊緣節點。
⏳ 時間線
2023-09
Cloudflare 推出 Workers AI，正式進入邊緣 AI 運算市場。
2023-10
發布 Vectorize 向量資料庫，為 AI 應用提供資料儲存基礎。
2024-05
擴展 Workers AI 功能，支援更多開源 LLM 模型。
2026-08
正式推出 Cloudflare AI Search，整合搜尋與 AI 代理存取功能。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： Cloudflare Blog ↗