search

Aimnis

面向 Agent 的协作式搜索

搜索一次，人人受益。 一个开源、缓存优先的 Web 搜索网关，专为编码 Agent 打造：提出问题，即可从共享且持续更新的知识池中即时获得经过提炼、附有来源引用的答案——每次搜索都会让知识池变得更智能，让所有人的搜索成本更低。就像 RAG，但使用的是共享的实时 Web 知识池，而不是过时的个人文档。

状态：公开预览。 托管服务已上线——在 aimnis.com 获取免费评估密钥，并在一分钟内将 Agent 接入服务 （按 Agent 配置）。我们正在公开验证一件事——随着知识池不断扩大，缓存命中率会不断提升（飞轮效应，实时仪表板）。欢迎关注。

为什么

每个模型都有训练数据截止日期。模型一经发布，世界就会继续变化——新的库版本、新的 API、新的错误——如果不针对每个问题搜索实时 Web，模型就无法跟上。这种方式既慢又昂贵，而且因服务提供商而异。

Aimnis 是位于前端的共享、持续更新层：Agent 检查的第一站。提出问题；如果这个问题（或语义相似的问题）以前有人问过，你就能以近乎零成本即时获得经过提炼、附有来源引用的答案。如果没人问过，Aimnis 就会实时获取答案、提炼内容并将其加入知识池——这样下一个提出相同问题的 Agent 就能免费获得答案。这个语料库记录了每个模型训练数据截止日期之后发生的事情，而静态训练集无法做到这一点。

工作原理

query
  └─ scrub secrets/PII (redacted before embed, search, distill, or storage)
       └─ local embed + normalize
            └─ semantic cache lookup (exact hash → vector nearest-neighbour)
                 ├─ HIT  → return the pooled, cited answer instantly (no upstream cost)
                 └─ MISS → live search → distill into a cited answer → quality-gate → pool it

• 缓存优先。 知识池本身就是语义缓存（pgvector）。改写后的问题也能命中同一条记录，因此知识池的增长速度比精确匹配更快。
• 有依据且带引用的答案。 未命中时，会将实时网络搜索结果提炼成简短答案，并附上指向来源的 [n] 引用，而不是原始链接。答案由模型提炼来源生成，属于 AI 生成内容，并会在工具输出中标明，让 Agent 始终知道自己读取的是机器撰写的摘要。
• 默认提供来源信息和时效性。 每个答案都附带模型、来源和缓存时间戳（答案生成或最近一次重新提炼的时间，而非最近一次提供的时间），以及相对时长，让 Agent（以及我们自己的排序系统）能够评估内容是否过时，并决定何时升级为实时搜索。
• 可为带引用的链接配置路由，以获取相关性信号（自愿启用，仅收集汇总数据）。 启用后，引用来源链接会指向带签名的 /r/… 重定向地址，记录是哪条池中答案促成了后续访问，然后转发到来源——点击率由此用于改进排序。来源的实际主机名会内联显示，因此 Agent 仍能看到链接的去向；日志仅记录条目 + 来源 + 主机名 + 时间——绝不记录 IP、user-agent 或任何用户／会话 ID。这是针对知识池的遥测，而非针对你的追踪。除非配置了签名密钥，否则该功能默认关闭；令牌使用 HMAC 签名（因此 /r 无法被滥用为开放重定向器）；自托管时，重定向会指向你自己的网关，因此点击记录留在你的设备上。
• 注重隐私的输入处理。 常见的机密格式（API 密钥、令牌、私钥、连接字符串）和电子邮件地址会在查询嵌入、发送给搜索／LLM 提供商或加入知识池之前进行脱敏；包含大量机密信息的查询仅进行实时处理，绝不存储。这是基于格式的高精度清理，并辅以熵检测——它能识别已知格式，但无法涵盖所有可能的机密信息或个人身份信息，因此应将其视为纵深防御，而非保证。处理流程开源，正是为了让你能够审查并扩展它。**运行位置：**自托管时，清理会在本地进行，因此原始文本永远不会离开你的设备。使用托管网关时，查询会通过 TLS 发送，并在入口处进行清理（在内存中、任何提供商调用或持久化之前）——如果你需要在查询离开设备前完成脱敏，请选择自托管，或以本地模式运行本地 MCP 服务。
• 质量门控的知识池。 提炼后的答案必须通过质量门槛，才能进入知识池；质量不佳的答案会降级为原始片段，而不会污染共享知识池。

飞轮效应

决定这套方案是否有效的唯一指标是：缓存命中率与语料库规模的关系。 如果知识池增长时命中率也随之上升，那么这一设想就成立。从第一天起，这项指标就会公开——让信任变得可衡量。

# run the live dashboard locally (see Quickstart)
aimnis-dashboard      # → http://127.0.0.1:8080   (hit-rate curve, corpus size, storage)

与编码 Agent 搭配使用

Aimnis 使用 MCP，因此任何支持 MCP 的 Agent 都可以将其用作网络搜索工具。托管端点意味着无需安装任何东西：

1. 在 aimnis.com/register 获取免费的评估密钥 （通过电子邮件发送；按使用量计费，可撤销，参见条款）。
2. 将远程 MCP 服务添加到你的 Agent：

URL:     https://aimnis.com/mcp          (MCP, streamable HTTP)
Header:  Authorization: Bearer aim_YOUR_KEY

Claude Code

claude mcp add --transport http aimnis https://aimnis.com/mcp \
    --header "Authorization: Bearer aim_YOUR_KEY"

然后，要让模型优先使用 Aimnis，而非内置工具，请在 .claude/settings.json 中禁用 WebSearch：

{ "permissions": { "deny": ["WebSearch"] } }

OpenCode、OpenClaw、Hermes、Pi、REST — 在 aimnis.com/setup 和 docs/mcp.md 中复制并粘贴配置片段， 并参阅 search / stats 工具参考。注册时使用你自己的 OpenRouter／搜索密钥，这样缓存未命中时就会使用你的配额——可获得高得多的限额。

想改为自托管？同一个 MCP 服务可以通过 stdio 在本地运行，并使用你自己的知识池——请参阅快速入门和 docs/mcp.md。

快速开始（开发）

cd server
docker compose up -d                    # Postgres+pgvector (:5432)
# want the keyless search path too? add SearXNG (:8888):
#   docker compose --profile keyless up -d
uv venv .venv && . .venv/bin/activate
uv pip install -e ".[dev]"              # editable install (required — see docs)
python -m aimnis.migrate                # apply migrations/*.sql
cp .env.example .env                    # then fill in keys if you have them
pytest                                  # full suite against the compose DB

没有 OpenRouter 密钥？没关系——Aimnis 可无密钥运行（通过 SearXNG），并返回带引用的原始片段，不消耗任何上游配额。添加 AIMNIS_OPENROUTER_API_KEY 即可启用提炼。实时搜索采用有序回退链——Brave → Tavily → Exa → SearXNG——因此设置 AIMNIS_BRAVE_API_KEY / AIMNIS_TAVILY_API_KEY / AIMNIS_EXA_API_KEY 中的任意一个，都能获得更可靠的结果；某个免费层额度用尽后，会自动切换到下一个。组件概览请参阅 server/README.md。

许可

代码是开源的。语料库是经过策划整理的汇编，按汇编作品授权。

部分	许可
服务端核心（server/）	AGPLv3 — 网络 copyleft；运行修改后的服务时，需分享你的更改
SDK 和 MCP 客户端（clients/）	Apache-2.0 — 可嵌入任何产品，包括商业产品
公开知识池页面	CC-BY-NC 4.0 适用于我们的汇编作品（策划、结构、呈现）

**坦诚说明知识池内容：**知识池中的答案由第三方模型根据第三方网页结果提炼而成。我们不主张拥有底层事实或上游模型输出的所有权——CC-BY-NC 适用于我们的汇编作品，任何再利用也仍须遵守原始来源和模型提供商的条款。凡提供商条款要求排除的输出，均不会用于再分发或未来的训练数据供稿；提供商要求的署名也会一并保留。训练数据供稿在飞轮得到验证之前不在范围内（见路线图）——本仓库不提供训练数据许可。

反滥用阈值（清理 / 去重 / 质量调优）随安全的示例默认值一同发布；生产环境中的值由部署时注入，不属于此代码库——因此，公开规则集不会让投毒者有机可乘。

状态与路线图

路线图分阶段设门槛，从 Gate 0 到 Gate 4。Gate 0 已完成（服务条款审计、细分领域、命名和许可均已敲定）。Gate 1 进行中——网关、语义缓存和公开飞轮仪表板均已构建并经过内部试用；通过 / 终止测试的标准是命中率曲线是否开始上扬。在飞轮得到验证之前，广告、计费、社区计算和训练数据供稿均明确不在范围内。