Sequoia Capital的播客节目"Training Data"近期邀请到Parag Agrawal，他曾担任Twitter CEO，在将Twitter出售给马斯克之前离职，此后回归创业，创立了Parallel Web Systems。本期节目由Sequoia合伙人Sonya Huang和Andrew Reed主持，话题聚焦于Agrawal正在构建的"智能体搜索"基础设施，以及他对互联网商业模式即将发生的根本性变革的判断。
Agrawal的核心押注简单而激进：AI智能体使用搜索的频次，将是人类的一千倍。这不是一个渐进式的量变，而是需要从零重建整套技术栈和商业逻辑的量级跳跃。他用三年时间，带着这个判断，正在悄悄重造搜索引擎的底层。
1. "人类点击数据是个bug"
在Google统治搜索二十年的逻辑里，有一个核心假设：人类的点击行为是最好的相关性信号。哪个结果被点击最多，哪个结果就最好。整个搜索排名的优化，都围绕着这个反馈循环运转。
Agrawal把这个假设翻过来了。"我们在Parallel的观点是，人类点击数据是个bug。" 当搜索的使用者是AI智能体而不是人类时，人类点击产生的反馈信号不仅没用，还会让模型学坏。智能体做搜索，应该依赖智能体的反馈，而不是人类的反馈。
这个判断在三年前他创业时就确立了，但当时面临的最大障碍之一恰恰是：如何大规模获取高质量的评分数据来训练排名模型？传统做法是雇人工打标，成本高昂且难以规模化。大型语言模型的出现改变了这道题——专家级别的评分数据现在可以由模型生成，成本大幅下降。更重要的是，智能体作为一个独立的"客户群体"真正出现了，这让Parallel的整个商业逻辑变得可验证。
2. 先做智能体，后建索引
从零开始造搜索引擎，最让外界质疑的问题是：谷歌和必应花了二十年、几百亿美元才建起全量网络索引，你一家早期公司凭什么从头干起？
Agrawal的回答是，他从一开始就没打算"先建索引再找客户"。
Parallel第一个上线的产品不是搜索引擎，而是搜索智能体（search agent）。 这个区别很关键。当用户提交一个需要深度研究的查询，他们愿意等一分钟甚至十分钟。在这段等待时间里，智能体可以实时爬取网页，用推理时的计算量来弥补索引不完整的缺口。
这其实是一种资源置换：用推理时的算力换取对离线爬取索引的依赖。牺牲了延迟，换来了在索引尚不完整时就能开始服务真实客户。在客户使用过程中，Parallel不断积累真实的查询数据，逐步扩充索引范围——用业务增长来驱动基础设施建设，而不是反过来。
早期客户来自几个明显有"批量研究需求"的垂直领域：保险核保和理赔处理、销售数据增富、量化金融的数据采集。这些场景的共同特点是，之前都在花钱雇人在搜索引擎上做大量重复性信息采集工作。Parallel用智能体替代了这批人工，同时收集到了大量真实的"智能体搜索"评估数据——这才是他们最需要的东西。
3. 这家公司到底是什么
"你们是AI公司还是基础设施公司？按某些定义，这简直就是个新型实验室（neolab）。"Andrew Reed在访谈中直接发问。
Agrawal的回答明确而坚定：Parallel不是新型实验室。
他对"新型实验室"的定义是：输出物是一个模型。Parallel的输出物不是模型，而是模型的放大器。"别人发布了更好的模型，对我们来说是好事，因为这打开了更多我们能发挥价值的场景。" 而对于其他试图做通用基础模型的公司，更强的竞争模型意味着要爬更高的山。
Parallel的核心技术问题，Agrawal用一个极其简洁的框架描述：每一次搜索查询，本质上是"从一万亿个网页里，给我找对的一千个token"。为了在极短时间内完成这件事，他们需要把信息跨存储层级高效组织，训练专门的小型排名模型，并在极有限的计算/延迟预算内最大化输出质量。
这里涉及大量研究性工作——如何拿一个预训练基础模型，改造它的架构来适配这个新问题，如何在固定的延迟窗口内分配算力。但这与训练超大规模基础模型是完全不同的方向：Parallel的目标是把信息压缩进极小的排名模型，而不是把模型做大。
4. 200毫秒：把搜索速度压进智能体的节奏
访谈中有一个数字值得单独拿出来说。Agrawal提到，就在录制前一周，Parallel刚刚发布了新产品Turbo——将智能体搜索的响应时间从此前的3秒压缩到了200毫秒。
3秒和200毫秒的差距，对人类用户来说可能感受不大。但对智能体来说，这个差距决定了整个系统的架构能否成立。当一个AI智能体在完成任务的过程中需要反复调用搜索，每次查询耗时3秒意味着整个任务流程的速度瓶颈卡死在搜索这一环；200毫秒意味着搜索可以被当作一个接近实时的工具来调用，智能体的工作节奏不会被打断。
在技术上，这意味着必须放弃"读时堆算力"的策略，转而在离线阶段把更多的信息压缩进内存层级，训练出能在极短时间内做出高质量排序决策的专用模型。这是一个系统层面的重新设计，而不是单纯的工程优化。
Agrawal的表述里有一个细节："到上周为止，我们还给自己3秒钟来投入算力做实时处理。这周开始，只有200毫秒了。" 这意味着整个技术取舍框架需要重新校准，在同样的延迟预算里，离线的信息组织工作必须做到更高的完整性，才能让实时的排序模型不需要太多实时算力就能找到正确答案。
这次对话止步于搜索的技术层面，商业模式和内容出版生态的部分尚未在字幕中展开。但从Agrawal的技术判断来看，他在押注的，是搜索基础设施的一次完整换代：不只是把旧引擎接上AI接口，而是从反馈数据、索引策略到延迟预算，每一层都重新设计，以匹配智能体而非人类的使用方式。在他看来，人类搜索时代积累的那套基础设施，对智能体来说是历史包袱，不是财富。