Parallel Web Systems stellt die Such-API vor: Die präziseste Websuche für KI-Agenten

Parallele Websysteme Das Startup, das sich auf die Entwicklung einer neuen, speziell für KI-Agenten konzipierten Webinfrastruktur spezialisiert hat, hat die Parallel Search API eingeführt. Dieses Websuchtool optimiert die Bereitstellung relevanter, tokeneffizienter Webdaten zu minimalen Kosten. Ziel dieser Innovation ist es, präzisere Suchergebnisse zu liefern, die Anzahl der Serveranfragen zu reduzieren und die Kosten für KI-Agenten zu senken.

Herkömmliche Suchmaschinen sind für menschliche Nutzer konzipiert. Sie bewerten URLs unter der Annahme, dass Nutzer auf eine Seite klicken, und optimieren dabei für Keyword-Suchen, Klickraten und Seitenlayouts, die zum Stöbern einladen. All dies geschieht in Millisekunden und mit minimalem Aufwand. Die erste Generation KI-basierter Such-APIs versuchte, dieses nutzerzentrierte Suchmodell für KI anzupassen, ging aber nicht vollständig auf die spezifischen Anforderungen von KI ein. AI-Agenten .

Im Gegensatz zu menschlichen Nutzern erfordert die KI-Suche einen anderen Ansatz: Anstatt URLs nach Klicks zu sortieren, liegt der Fokus darauf, die relevantesten Suchbegriffe für den Kontext des KI-Agenten zu ermitteln, damit dieser eine Aufgabe erledigen kann. Ziel ist nicht die Optimierung für menschliche Nutzer, sondern die Verbesserung des Denkvermögens und der Entscheidungsfindung innerhalb des KI-Modells.

Diese neue Sucharchitektur beinhaltet mehrere wichtige Neuerungen: Sie verwendet semantische Ziele, die über die Übereinstimmung von Schlüsselwörtern hinausgehen, um die Absicht des Nutzers zu erfassen, priorisiert die Token-Relevanz gegenüber nutzerzentrierten Seitenmetriken, liefert komprimierte und qualitativ hochwertige Informationen für Schlussfolgerungen und löst komplexe Anfragen mit einem einzigen Suchaufruf anstatt mit mehreren Schritten.

Durch die Nutzung dieses KI-gestützten Suchdesigns können Agenten auf informationsreichere Web-Token innerhalb ihres Kontextfensters zugreifen, was zu weniger Suchaufrufen, höherer Genauigkeit sowie geringeren Kosten und Latenzzeiten führt.

Weiterentwicklung komplexer, mehrquellenbasierter Web-Suche für KI-Agenten 

Während sich viele bestehende Suchsysteme auf die Beantwortung einfacher Fragen konzentrieren, wird der Bedarf an komplexeren, vielschichtigen Suchfunktionen voraussichtlich steigen. Sowohl Nutzer als auch KI-Systeme werden zunehmend Antworten benötigen, die die Synthese von Informationen aus verschiedenen Quellen, das Lösen komplexer Aufgaben und den Zugriff auf schwer zugängliche Webinhalte beinhalten.

Um dieser wachsenden Nachfrage gerecht zu werden, evaluierte Parallel die Leistungsfähigkeit seiner Such-API anhand verschiedener Benchmarks, von anspruchsvollen Multi-Hop-Aufgaben (z. B. BrowseComp) bis hin zu einfacheren Single-Hop-Abfragen (z. B. SimpleQA).

Parallel zeigte Vorteile bei komplexeren Anfragen – solchen, die mehrere Themenbereiche umfassen, ein tiefes Verständnis schwer zu crawlender Inhalte erfordern oder die Synthese von Informationen aus verstreuten Quellen beinhalten. In Benchmarks für mehrstufiges Reasoning, wie HLE, BrowseComp, WebWalker, FRAMES und Batched SimpleQA, lieferte Parallel nicht nur eine höhere Genauigkeit, sondern löste Anfragen auch effizienter mit weniger Reasoning-Schritten.

Herkömmliche Such-APIs erfordern häufig mehrere aufeinanderfolgende Suchvorgänge, was die Latenz erhöht, den Suchraum vergrößert, die Token-Kosten in die Höhe treibt und die Genauigkeit verringert. Im Gegensatz dazu ermöglicht der Ansatz von Parallel die Beantwortung komplexerer Anfragen mit einem einzigen Suchaufruf. Dies führt zu weniger aufeinanderfolgenden Anfragen, höherer Genauigkeit, geringeren Kosten und niedrigerer Latenz.

Bei Tests mit einfacheren Single-Hop-Benchmarks wie SimpleQA, bei denen es um unkomplizierte Faktenabfragen geht, schnitt Parallel weiterhin gut ab, allerdings ist das Potenzial für Genauigkeitsgewinne in diesen Szenarien aufgrund der Art der Abfragen begrenzter.

Parallels Fähigkeit, Spitzenergebnisse zu erzielen, basiert auf zweijähriger Entwicklung einer robusten Infrastruktur zur Optimierung jeder einzelnen Ebene des Suchprozesses und kontinuierlicher Leistungsverbesserung durch Feedbackschleifen. Das System konzentriert sich auf die Indexierung schwer zu crawlender Webinhalte wie multimodale, lange PDFs und JavaScript-intensive Websites und minimiert dabei die Auswirkungen auf Website-Betreiber. Der Webindex von Parallel gehört mit über einer Milliarde täglich aktualisierter Seiten zu den am schnellsten wachsenden.

Parallel verfolgt im Ranking einen anderen Ansatz als die traditionelle Suche. Anstatt URLs anhand der Klickrate von Nutzern zu bewerten, konzentriert sich Parallel darauf, die relevantesten und autoritativesten Token für die Analyse mithilfe großer Sprachmodelle (LLM) zu identifizieren. Die proprietären Modelle von Parallel bewerten die Token-Relevanz, die Seiten- und Domain-Autorität, die Effizienz im Kontextfenster sowie die Validierung über verschiedene Quellen hinweg und priorisieren dabei die Qualität gegenüber Engagement-Kennzahlen.

Parallel Search API: KI-Systeme mit hochwertigen Webdaten in Echtzeit ausstatten 

Heutzutage setzen führende Entwickler auf KI-Systeme, die auf der Suchtechnologie von Parallel basieren. Diese Unternehmen haben verschiedene Alternativen getestet und erkannt, dass die Qualität der Webdaten die Entscheidungen ihrer KI-Systeme maßgeblich beeinflusst. Ob Sourcegraph Amps Coding-Agent Fehler behebt, Claygent jede Markteinführungsentscheidung optimiert, Starbridge öffentliche Ausschreibungen aufspürt oder ein führender Versicherer Schadenfälle effektiver als menschliche Underwriter bearbeitet – die Leistungsfähigkeit dieser Systeme hängt von der Genauigkeit und Relevanz der verwendeten Webdaten ab.

Parallels eigene Such-API bildet die Kerninfrastruktur für die Web-Agenten. Beispielsweise basiert die Parallel Task API, die komplexe, mehrstufige Anreicherungs- und Rechercheabfragen verarbeitet, auf dieser Such-API. Jede Task-API-Abfrage, die in der Produktion ausgeführt wird, ist auf die einwandfreie Funktion der Such-API im Hintergrund angewiesen.

Dieser Architekturansatz setzt hohe Maßstäbe für Parallel, da jede Verbesserung der Suchleistung, Latenz oder Qualität sich direkt auf die Produktionssysteme auswirkt, die täglich Millionen von Anfragen verarbeiten. Jede Ineffizienz oder Ungenauigkeit in der Such-API macht sich unmittelbar in den darauf basierenden Produkten bemerkbar.

Daher wird die Infrastruktur von Parallel kontinuierlich optimiert und unter realen Bedingungen agentenbasierter Workloads erprobt. Der Schlüssel zur effektiven Aufgabenerledigung eines Agenten liegt darin, relevante Informationen zu maximieren und gleichzeitig Störungen im Kontextfenster zu minimieren. Die Parallel Search API stellt sicher, dass Agenten den relevantesten, komprimierten Kontext aus dem Web erhalten und somit ihre Fähigkeit zur präzisen und effizienten Aufgabenerledigung verbessern.