Gemini Enterprise Agent Platform 新增 Parallel Web Search，挑战封闭式 grounding 模式

Gemini Enterprise Agent Platform 于 7 月 16 日新增 Parallel Web Search，在 Google Cloud 内部引入了第二条获取实时网络信息的原生途径。在此之前，选择内置 grounding 通常意味着必须将模型提供商的搜索基础设施、数据规则和输出限制作为一个整体接受。

这项新集成将这些层分离开来。开发者可以使用 Gemini 进行推理，同时由 Parallel Web Search 提供包含引用的结构化最新结果。他们还可以在 Gemini 即时响应之外提取、缓存和处理这些结果。

这种灵活性带来了真正的竞争压力。Google 并非只是增加了另一个搜索按钮，而是在承认企业智能体需要可互换的数据基础设施，尤其是在搜索结果被用于自动化决策而非人与智能体之间的对话时。

此举给 OpenAI 及其他 AI 供应商的封闭式、模型绑定型 grounding 系统带来了压力。它们的集成工具仍然便捷，但当企业需要数据保留控制、可复用证据或多个语言模型时，便捷性的重要程度便会下降。

Gemini Enterprise Agent Platform 通过 Parallel Web Search 增加了哪些功能

这项集成将网络 grounding 从一项固定的模型功能转变为可配置的基础设施选择。

Grounding 将模型输出与用户可检查的外部证据关联起来。它通过为模型提供训练数据之外的最新信息，帮助减少缺乏依据的回答。

根据合作公告，Parallel Web Systems 现已成为 Gemini Enterprise Agent Platform 的原生 grounding 提供商。开发者可以通过 Gemini API 访问它、在 Agent Studio 中选择它，或通过 Google Cloud Marketplace 订阅它。

该产品目前仍处于预览阶段。Google 的 Parallel 文档指出，预览功能受其正式发布前条款约束。这些服务可能仅提供有限支持，并且可能在更广泛发布之前发生变化。

该集成将 Gemini 模型连接到由 Parallel 搜索 API 提供的公开网络数据。Parallel 维护着一个专为智能体工作负载而非传统人类搜索会话设计的专有网络索引。

Gemini 仍然负责理解原始提示。它可以将复杂请求拆分成多个查询、评估返回的材料，并生成带有引用标注的响应。

Parallel 负责检索层。它查找相关网页，并以适合语言模型上下文窗口的格式返回信息。

Google 表示，该服务可以访问来自数十亿个网页的实时信息。这一数字描述的是索引覆盖范围，并不保证每个页面都可访问或具有同等的时效性。

首发支持的模型包括 Gemini 2.5 Flash、Gemini 2.5 Flash-Lite 和 Gemini 2.5 Pro。此外，还支持 Google 文档中列出的多款较新的 Gemini 3 系列模型。

客户有两种访问方式。他们可以通过 Google Cloud Marketplace 订阅，也可以使用现有的 Parallel API 密钥。

Marketplace 方式将服务使用情况统一计入客户的 Google Cloud 账户和账单。Google 必须将根据用户提示重写的查询发送给 Parallel 进行处理。

第二种方式允许开发者单独管理 Parallel 的访问权限。他们在向 Gemini Enterprise Agent Platform 发送请求时提供自己的 API 密钥。

无论采用哪种方式，部分源自提示的数据都会离开 Google 的模型层并到达检索提供商。对于处理机密研究、客户记录或受监管工作流的团队而言，这种数据流向至关重要。

敏感工作负载可以选择零数据保留。客户必须订阅相应的服务，并在 API 请求中启用对应设置。

Google 展示了几种初始使用场景，包括自动化“了解你的客户”审查、企业尽职调查、目录信息丰富化、新闻分析和合规监控。

这些并非普通的聊天机器人问题。它们通常需要多次搜索、可追溯的证据，以及模型训练期之后发生变化的信息。

以评估新供应商的供应商风险智能体为例。内部记录可以描述合同，而实时网络结果则可以揭示制裁、领导层变动、诉讼或近期披露的安全事件。

目录智能体则面临另一个问题。它可能需要为数千条记录补全缺失的产品属性，然后保留检索到的证据，以便审计或后续更新。

这两类工作流需要的不仅仅是流畅的回答。它们需要可检索的来源、可预测的数据处理方式，以及在单次模型响应结束后仍然有用的输出。

这一需求直接引出了该集成最重要的功能：开发者可以保留并重复使用检索到的网络数据。

提供商选择给封闭式网络 grounding 带来压力

Parallel Web Search 对“检索必须与生成最终答案的模型不可分割”这一假设提出了挑战。

大多数 AI 平台最初都将网络搜索视为一项模型功能。开发者启用某个工具、发送提示，然后收到一条结合推理与实时信息的回答。

这种设计减少了配置工作，但也将查询执行、来源选择、结果格式化、模型推理和引用全部置于由单一提供商控制的界面之后。

OpenAI 在 ChatGPT Search 中采用了这种集成模式。当响应使用网络信息时，其搜索界面可以提供行内引用和来源面板。

Google 也提供自己的原生检索选项。Grounding with Google Search 将 Gemini 连接到公开网络数据，而 Web Grounding for Enterprise 则增加了面向合规的控制功能。

新的 Parallel 选项并不会取代这些服务。相反，它将 Gemini Enterprise Agent Platform 转变为面向多种检索方式的选择层。

Google 的 grounding 概览目前列出了 Google Search、企业网络 grounding、Agent Search、Elasticsearch、自定义搜索 API 和 Parallel Web Search。

这份选项列表反映了企业 AI 领域更广泛的转变。企业越来越希望能够独立选择模型、检索提供商、私有数据源和编排系统。

其原因是运营需求，而非理念差异。不同的搜索具有不同的要求。

客户支持助手可能优先考虑速度和广泛覆盖。合规智能体则可能优先考虑数据保留控制、可复现性和精准引用。

研究智能体可能需要来自多个来源的密集段落。销售智能体可能只需要一项最新事实，例如新任高管或新获得的认证。

单一捆绑式搜索工具很难针对每一种工作负载进行优化。企业也不愿让一个模型提供商负责智能体信息管道的每一个阶段。

Google 的决定从三个方面给封闭式 grounding 系统带来了压力。

首先，它使检索质量可以被独立测试。团队可以使用相同的生产查询，对 Parallel、Google Search 或自有搜索服务进行测试。

他们可以比较来源相关性、引用准确性、延迟、覆盖范围和失败率。最终使用的模型不再决定由哪个检索系统接收所有查询。

其次，它为开发者提供了一条绕过模型锁定的路径。企业可以在某个工作流中使用 Gemini，同时将检索到的证据发送给另一个模型进行专业处理。

第三，它使搜索数据成为一种架构资产。结果可以输入数据库、分析系统、审计记录或后续智能体任务，而不是消失在一条生成式回答中。

Parallel 发布了一些支持这种方式的客户案例，但相关性能声明来自 Parallel 及其客户。AI 销售工作空间 Nooks 表示，它使用生产查询对 OpenAI 的内置网络搜索和 Parallel 进行了评估。

该公司称，切换后其网络 grounding 支出降低了 70.5%。它还声称，在时效性较强的账户信息方面，准确率有所提高。

这一结果并非独立基准测试，不应被泛化到所有工作负载。不过，它说明了企业为何需要不同的检索选择。

生产查询通常与公开评估集不同。某个在宽泛问题上表现良好的提供商，可能难以处理不常见的企业变动、地方性法规或近期文档更新。

只有当检索层保持可见时，企业才能测试这些差异。完全捆绑式的系统会增加这种比较的难度。

Google 的立场值得关注，因为它已经拥有全球最大的搜索基础设施之一。引入外部提供商表明，企业需求并不只关乎索引规模。

授权许可、数据保留选项、可复用结果、输出结构和模型可移植性，可能与原始搜索覆盖范围同等重要。

因此，竞争的分界线不只是 Google Search 与 Parallel 之间的较量，而是开放式提供商模式与固定的模型绑定型检索技术栈之间的竞争。

无论客户在其平台中选择哪种方案，Google 都能获益。推理模型、云环境、Marketplace 关系和智能体工具仍可保留在 Google Cloud 内。

这种方式类似于云平台战略。如果外部选择能够吸引更多生产工作负载，Google 并不需要让每个组件都成为专有产品。

开发者获得了灵活性，而 Google 则获得了一个更强大的控制节点。Gemini Enterprise Agent Platform 成为企业配置模型、搜索提供商、私有数据和治理策略的场所。

这使该平台变得更加实用，同时降低了因检索限制而导致整个智能体工作负载迁移到其他平台的风险。

可移植的网络数据为何会改变企业智能体架构

核心机制并不只是更好的搜索，而是能够跨系统移动、存储和重复使用经过 grounding 的证据。

传统的 grounded 响应遵循一条较短的路径。模型创建查询、接收搜索材料、撰写回答、附加引用，然后结束请求。

Parallel Web Search 支持更长的数据生命周期。开发者可以通过编程方式检索结果、提取网络信息、永久缓存数据，并丰富内部数据集。

他们还可以使用其他大型语言模型对这些结果进行后处理。这项能力将证据收集与最初发起请求的模型分离开来。

这种差异很重要，因为企业智能体很少只执行一项孤立任务。它们的输出通常会成为数据库、审批系统、报告和其他智能体的输入。

尽职调查工作流可能首先由 Gemini 将企业审查拆分为多项搜索。Parallel 可以返回有关所有权、诉讼、监管行动和近期新闻的证据。

随后，企业可以保留这些结果以及时间戳和来源链接。第二个模型可以对风险进行分类，而第三个模型则生成高管摘要。

人工审核者可以在批准建议之前检查原始证据。之后，监控智能体可以将新结果与缓存记录进行比较。

这种架构比聊天机器人更加复杂。它也更接近企业管理重要信息的方式。

Google 重点介绍了可移植性发挥作用的三个类别。

第一类是目录和数据库信息补充。智能体可以找到缺失的属性，通过网络来源进行核实，并将经过验证的值写入内部系统。

永久缓存在这里非常重要。为每个下游任务重复进行相同的搜索会浪费资源，而且随着页面变化，还可能产生不一致的结果。

第二类是自主合规工作。智能体可以将内部文档与公共登记册、监管通知或其他外部来源进行比较。

此类系统需要严格的审核控制。实时事实依据可以减少陈旧信息，但无法保证解读正确或覆盖完整。

第三类是多智能体编排。中央智能体可以将任务分配给不同的模型，同时在它们之间共享检索到的证据。

一个模型可能负责提取实体。另一个模型可能负责评估法律语言。较小的模型可以对常规案例进行分类，而较大的模型则处理模糊证据。

可移植检索让这些决策独立于搜索。团队可以更换推理模型，而无需重建整个证据管道。

这种设计还支持知识融合，即把组织的私有上下文与外部信息结合起来。一个实用的智能体必须既了解网络上的信息，也了解公司已有的知识。

Google 已经允许开发者通过 Agent Search、RAG Engine、Elasticsearch 和自定义端点将 Gemini 连接到私有信息。RAG 指检索增强生成，即模型在回答之前会接收经过选择的来源材料。

该公司的自定义搜索选项最多支持 10 个事实依据来源。它还可以将内部搜索与 Google Search 结合使用。

Parallel 为这种组合增加了另一个公共网络层。智能体可以在同一个更广泛的工作流中检索内部政策、最新的外部事实和专业数据库记录。

对于知识工作者而言，这一区别会影响 AI 回答能否转化为可复用的组织记忆。如果一个带引用的回答所依据的上下文无法进入后续工作流，其价值就十分有限。

团队在会议记录、研究文件、电子邮件和项目文档方面已经面临类似问题。如果系统无法保存并重新关联信息，信息就会一直处于碎片化状态。

知识融合工作流通过将个人来源组合成可用上下文来处理内部信息。可移植的网络事实依据则把同样的原则扩展到了外部证据。

该集成还改变了开发者管理上下文窗口的方式。将完整网页传入模型会消耗 token，并引入无关材料。

面向智能体设计的搜索提供商可以改为返回聚焦的段落。模型接收到的是围绕查询挑选的内容，而不是整个页面。

Parallel 称其结果采用结构化形式并针对语言模型进行了优化。这是该公司的一项主张，但其背后的设计目标十分明确。

面向人类的搜索引擎会针对浏览和点击优化结果。智能体搜索基础设施则必须针对机器处理、归因和重复的程序化调用进行优化。

智能体并不需要为人类排列的十个蓝色链接。它需要足够的来源上下文来评估某项主张，以及能够保留每条陈述出处的标识符。

它可能还需要置信度信息、时间戳或提取出的字段。这些要求使搜索从一个可视化目的地转变为一种基础设施服务。

Parallel 的专有基准测试报告显示，其在多项网络研究评估中具有竞争力的准确率。然而，这些测试使用了该公司选择的配置和自动化模型评分器。

它们提供了值得检验的证据，而不是中立的定论。企业买家应使用自己的查询和失败判定标准复现评估。

Google 集成让此类测试变得更加容易，因为开发者可以保持周边 Gemini 工作流不变。他们可以更换事实依据提供商，并衡量实际运行中的差异。

此类测试不应只包含回答准确率。团队还需要评估引用正确性、来源多样性、陈旧结果、延迟和缺乏依据的结论。

他们还应记录搜索未返回有用证据的频率。智能体处理信息缺失的方式，可能比它在成功请求上的表现更加重要。

提供可复用数据的检索提供商能让开发者更好地控制这些评估。原始结果可以与模型的解读分开检查。

这种分离机制建立了问责能力。团队可以判断错误回答究竟源于检索质量不佳、推理薄弱、来源不完整，还是工作流规则错误。

如果缺乏这种可见性，每次失败看起来都会像是普通的模型问题。调试会变慢，风险控制也会更难设计。

预览状态和数据流让承诺保持在合理范围内

更多的提供商选择带来了更多控制权，但也形成了企业必须治理的另一条供应商边界。

Google 的公告强调准确、可验证、实时的网络信息。这些表述不应被视为保证。

引用只能证明某个来源存在。它无法证明该来源正确、相关、最新，或得到了忠实解读。

网页可能包含错误、操纵性主张、转载报道、过时记录和刻意误导的内容。搜索事实依据可以减少缺乏支持的生成内容，但无法净化整个网络。

智能体带来了额外风险，因为它们可以根据检索到的信息采取行动。错误的聊天机器人回答会给用户带来不便，而错误的合规智能体则可能阻止客户或批准高风险交易。

因此，开发者必须测试从查询生成到采取行动的完整链路。他们不应假设带有引用的输出可以安全地用于自动化。

第一个不确定因素涉及引用精确度。模型可能会引用一个笼统讨论某个主题的页面，但该页面并不支持模型生成的具体句子。

团队应衡量每条引用是否能够推导出其所附的主张。他们还应测试来源是否仍然可以访问，以及是否仍然保留被引用的信息。

第二个不确定因素涉及时效性。Parallel 和 Google 将该服务描述为实时或即时，但没有任何网络索引能够立即更新所有来源。

页面可能会在检索和审核之间发生变化。缓存数据也可能变得陈旧，尤其是在开发者永久保留结果的情况下。

永久缓存是一项许可和架构优势，但也带来了维护义务。团队需要制定有关时间戳、刷新间隔、删除和冲突解决的政策。

缓存事实不应悄然覆盖更新的来源。智能体需要规则来判断现有证据何时仍然有效，以及何时需要再次搜索。

第三个不确定因素涉及数据共享。Google 的文档指出，从提示词派生出的查询会被发送给 Parallel 进行处理。

即使这些查询不包含原始提示词，也可能泄露组织的研究目标或运营关注点。有关秘密收购目标的查询本身就可能属于敏感信息。

零数据保留降低了一类暴露风险。但这并不能消除了解数据传输、访问控制、日志记录、法律条款和区域处理情况的必要性。

安全团队应审核哪些提示词可以触发外部网络事实依据。他们还应判断查询重写是否可能泄露内部名称或客户信息。

第四个不确定因素涉及服务成熟度。使用 Parallel Web Search 作为事实依据目前仍是一项预览功能。

预发布服务可能会更改接口、支持的模型、配额或运行行为。企业应避免让关键工作流依赖 Google 尚未承诺保留的假设。

第五个不确定因素涉及可移植性本身。在不同模型之间复用搜索数据听起来很开放，但每个模型可能会对相同证据做出不同解读。

多模型工作流会增加评估工作量。开发者必须跟踪每次转换由哪个模型完成，以及最终决策由哪些证据支持。

这种架构还可能分散问责。Google 控制模型平台，Parallel 控制公共信息检索，而企业控制编排。

当事故发生时，团队需要具备跨越这三个层级的可观测性。否则，每个提供商都可能把责任指向另一个组件。

Google 自有的搜索事实依据仍然是一个重要的对比对象。Google Search 选项提供广泛的公共网络访问能力，并要求开发者展示事实依据支持信息。

Google 表示，禁止 Google-Extended 的发布商将被排除在 Google Search 事实依据之外。这项政策表明，爬虫权限和发布商选择会如何影响智能体的证据池。

Parallel 拥有自己的索引、许可模式、收集方法和覆盖范围。企业应比较每个提供商可以访问哪些来源，以及访问需要遵循哪些条款。

提供商选择并不能解决网络发布领域的争议。AI 智能体可以以发布商在为人类访问者设计页面时从未预料到的规模消费信息。

Parallel 创始人兼首席执行官 Parag Agrawal 认为，AI 智能体对网络的使用量将超过人类。这一预测解释了该公司的战略，但也揭示了尚未解决的矛盾。

发布商希望获得归因、流量、明确的许可规则和控制权。智能体开发者则希望获得可复用的数据、低延迟，以及保留结果的权限。

Google 的集成为开发者提供了更多架构自由。但它并没有解决价值应如何回流到生产底层信息的网站这一问题。

企业还应避免只对顺利场景进行基准测试。搜索系统经常会在冷门实体、相互冲突的来源、区域性材料或快速变化的事件上失败。

一个实用的评估集应包含过时页面、含义模糊的公司名称、恶意内容、缺失记录和相互矛盾的来源。

团队应测试智能体是否会在证据薄弱时表达不确定性。他们还应确认，在所需事实仍未得到解决时，智能体会拒绝执行影响重大的操作。

对于高风险工作流，人工审核仍然必不可少。该集成可以改善审核者可获得的证据，但无法取代判断。

谨慎的结论很明确。Parallel Web Search 扩展了对事实依据的控制权，同时也将更多责任转移给了负责设计完整系统的开发者。

三个信号将表明 Parallel 事实依据是否真正重要

接下来的考验并不是开发者能否启用 Parallel Web Search，而是生产团队在评估后是否会继续启用它。

第一个信号是从预览阶段转向正式发布。这一转变将表明其在支持、稳定性和企业就绪度方面作出了更有力的承诺。

仅仅正式发布并不能证明产品质量。然而，预览阶段持续过久可能会减缓其在受监管或业务关键型工作流中的采用。

支持模型的变化也同样重要。企业会期望该事实依据选项继续支持 Google 当前的推理模型和低延迟模型。

如果支持范围随着稳定 API 一同扩展，Google 的提供商选择策略将更具可信度。如果兼容性仍然有限，Parallel 可能会沦为一种专用附加组件。

第二个信号是可衡量的生产环境采用情况。Google 和 Parallel 最终应披露客户案例，其中包括查询量、失败率或经验证的工作流成果。

供应商的客户证言可以帮助识别有用的场景，但很少会披露失败的查询。独立评估将更具分量。

开发者应关注基于真实企业任务的比较，而不是通用的问答数据集。合规检查、目录更新和尽职调查能够提供更有力的测试。

最有价值的报告会将检索性能与最终模型性能区分开来。报告应说明错误答案究竟源于薄弱的信息来源，还是有缺陷的推理。

多个行业的采用情况也将支持 Google 的论点。少数高度依赖搜索的初创公司并不足以证明该集成能在复杂的治理要求下正常运行。

第三个信号是其他 AI 平台如何回应。OpenAI、Anthropic、Microsoft 和企业级智能体供应商都面临相同的检索可移植性问题。

它们可以继续将网页搜索与自身模型紧密捆绑。这种方式更简单，也让每个提供商能够优化完整体验。

它们也可以支持将外部搜索提供商作为可互换的工具。这条路线给予开发者更多控制权，但会削弱提供商对检索环节的掌控。

混合式响应似乎最有可能出现。平台可以保留默认的原生搜索服务，同时允许经批准的第三方提供商处理专用工作负载。

Google 已经朝这个方向迈进。其平台支持 Google Search、面向合规的企业级知识支撑、私有搜索、自定义 API，以及现在的 Parallel。

如果竞争对手也提供类似的提供商菜单，网页知识支撑将开始类似于云存储或模型托管。客户将根据工作负载要求选择组件。

如果竞争对手继续封闭检索功能，却仍能留住客户，则说明便利性依然胜过可移植性。这一结果将削弱 Google 此举更广泛的重要性。

搜索基础设施公司也可能做出反应。Exa、Tavily、Brave 和其他提供商都有理由寻求与主流模型平台进行原生集成。

更多集成将为面向智能体的检索创造一个竞争市场。提供商将在来源质量、时效性、引用准确性、延迟、许可和数据控制方面展开竞争。

只有在切换仍然切实可行的情况下，这种竞争才能使开发者受益。专有响应格式和平台特定设置可能会在另一个层面重新造成供应商锁定。

标准化接口可能会变得重要。Model Context Protocol 已经为智能体提供了一种连接外部工具（包括搜索服务）的通用方式。

与通用连接相比，原生云集成仍具有优势。统一计费、身份控制、部署设置和支持关系对企业买家而言十分重要。

最强大的架构可能会结合这两种方式。团队可以使用原生集成进行托管式部署，同时保留标准接口以实现可移植性。

知识工作者应关注这些发展，因为检索选择决定了其日常工具中呈现的证据。模型的答案在很大程度上取决于它接收到哪些来源。

不同的搜索提供商可能会改变所选择的页面、所强调的段落，以及响应中呈现的不确定性。

随着智能体从总结信息转向更新记录或启动业务流程，这种影响将变得更加重要。

组织在采用任何基于知识支撑的智能体之前，都应提出一个简单的问题：我们能否检查、保留并质疑其行动背后的证据？

带有 Parallel Web Search 的 Gemini Enterprise Agent Platform 提供了比封闭式响应更有力的答案。它提供了另一种检索选择，并允许更广泛地重复利用网页数据。

然而，该平台仍需接受谨慎评估。预览状态、外部查询处理、不断变化的信息来源和引用错误仍然是重大风险。

最明智的下一步是使用具有代表性的生产查询开展受控测试。比较各提供商的来源质量、无依据声明、延迟和运营适配性。

保留返回的证据，然后使用多个模型进行测试。此过程能够揭示检索可移植性究竟创造了实际价值，还是只增加了架构复杂性。

对于需要同时组织网页研究和私有文档的团队，可搜索的知识库可以为该评估提供内部信息这一半。只有当智能体也能检索可信的组织内部上下文时，外部知识支撑才能发挥最佳效果。

更大的问题不再是 AI 模型能否搜索网页，而是搜索结束后，谁控制检索到的证据。

Google 和 Parallel 押注企业希望将这种控制权与模型分离。接下来的三个月应能表明开发者是否认同这一点。