在大语言模型（LLM）的浪潮中，一个关键痛点逐渐浮出水面：模型的训练数据存在“知识截止点”，且无法动态更新。当用户需要获取实时信息或训练数据未覆盖的内容时，必须依赖外部工具（如Web搜索）。然而，现有的搜索工具要么成本高昂，要么效率低下。在这一背景下，由资深互联网产品经理李乐创立的WebSearch.Plus应运而生，试图通过技术创新破解这一行业难题。

WebSearch.Plus的研发动机来源于李乐对LLM生态链的深度观察。2024年，他在接触多家AI创业团队时发现，无论是构建行业Agent还是开发深度研究工具，Web搜索已成为LLM应用的标配能力。然而主流厂商的工具存在价格昂贵、接口封闭、搜索结果低效等问题：例如OpenAI按次计费（每次0.03美元），搜索结果常夹杂大量无关信息；第三方服务商如Tavily虽然费用更低，但信息过滤能力有限，导致LLM推理时上下文冗长、处理成本激增。

“Web搜索工具的搜索结果质量直接决定LLM的推理结果质量以及推理成本，过多过杂的搜索结果加大了LLM推理的上下文，推高了推理的成本，降低了推理的效率，最关键的是可能引起LLM的幻觉”。李乐带领团队打造出“智能过滤+按量计费”的差异化方案。

技术突破：混合搜索引擎驱动效率革命

项目的核心创新在于自研的HybridSearch引擎。与传统工具简单返回全文或粗糙过滤不同，这套系统通过四层处理实现精准降本：

1. 广告剔除：通过规则引擎自动识别并移除网页中的推广内容

2. 智能分块：支持多语言的智能分块技术可以将网页内容分割为语义连贯的段落

3. 动态加权：综合关键词匹配度、语义相关性、时效性等维度进行评分

4. 阈值过滤：仅保留高相关度段落（通常为原始内容的30%）

这种处理方式既保证了LLM获得高质量信息，又将上下文规模压缩至竞品的30%以下。测试数据显示，在使用GPT-4.1对相同的用户提示词进行推理时，分别调用OpenAI搜索工具、WebSearch.Plus以及Tavily，均得到了基本相同的最终推理结果，但WebSearch.Plus的搜索成本只有OpenAI搜索工具的1/10，LLM的推理上下文不到Tavily的1/2，且在大多数案例情况下，推理的综合成本（推理+搜索）为使用OpenAI搜索工具的1/6，使用Tavily的1/4。

在商业化层面，WebSearch.Plus打破行业按次收费惯例，采用按Token消耗量计费模式（每百万Token收费0.25美元）。对开发者而言，这种与LLM推理费同构的计费方式更易进行成本预测和优化。这对于占搜索需求大部分的”轻量级“搜索，如天气预报、股票价格等非常友好，可以在消耗很少token的前提上完成搜索。但如果调用OpenAI/Google等厂商的Web搜索工具，无论搜索内容是什么都需要每次支付$0.025-0.035。

市场前景：抓住AI Agent爆发期红利

根据Langchain发布的行业报告，调用外部工具的AI应用占比已从2023年的0.5%跃升至2024年的21.9%，其中Web搜索是最频繁被调用的功能。李乐预判，随着2025年AI Agent的规模化应用，面向金融、法律、医疗等场景的定制化搜索需求将迎来井喷。

团队已规划清晰的技术路线：2025年四季度将完成对金融、法律、医疗等需求量最强的几个行业的垂直搜索工具，为Agent规模化落地行业应用提供基础搜索组件，同时提供开发者将自有文档上传后与互联网信息混合搜索的能力。

目前，WebSearch.Plus主攻海外市场，已启动与Langchain等开发框架的生态合作，并通过开发者社区的精准运营积累种子用户。在商业化路径上，团队计划2025年四季度实现月收入4万美元，并在次年将付费用户规模扩大至500家企业。

创业者视角：以数据工程经验破局AI基建

作为曾在高德、腾讯负责数据系统的“老将”，李乐将地图领域处理海量动态数据的经验移植到搜索工具开发中。“自动驾驶需要实时处理TB级道路信息，这与LLM应用对时效性数据的需求异曲同工。”在他看来，WebSearch.Plus的终极目标是成为“LLM时代的信息管道”——通过持续优化信息获取效率，助力AI应用突破数据边界。随着产品正式上线，这个由技术老兵主导的项目，正在智能化浪潮中开辟属于工具层创新的新赛道。