A webhelyét meglátogató ügynök ismeri azt a személyt, aki küldte.
Ez az elmozdulás a Google Gemini Deep Research Max alatt, amely 2026. április 21-én indult a fizetős Gemini API-szint nyilvános előzeteseként. Maga a Deep Research Max egy szűk kiterjesztés. Az általa szállított minta egy előnézeti kép annak, hogy mivé válik az ügynöki web, amikor a többi nagyobb szállító követi, amit általában egy-két negyeden belül megtesznek az ehhez hasonló képességekkel. Amikor egy kevert lekérő ügynök fut, privát kontextussal érkezik: a felhasználó pénzügyi adatai, fájltárolói, csatlakoztatott professzionális adatfolyamai, mindez beolvasztva a lekérdezésbe, mielőtt az ügynök bármelyik oldalra eljutna.
A webes szakemberek számára ez az ügynöki webes történet következő fejezete. Az állítás, hogy az ügynökök egy új elsődleges látogatói osztály, hónapok óta fennáll. Az állítás azóta fejlődött. Az ügynökök egy új elsődleges látogatói osztály privát kontextussal. Az az érvelés, amely eldönti, hogy az oldal válaszol-e egy lekérdezésre, nagyobb bemeneti készleten fut, mint az Ön oldala. Az, hogy az ügynök milyen súlyt ad a tartalomnak, attól függ, hogy hozzáad-e valamit, amit a privát források még nem biztosítottak. Ez a kevert visszakeresés pillanata az ügynöki webes történetben, és az ügynökök letöltési módjának kínálati oldalára esik, nem pedig a felhasználó felé néző termékrétegre.
A régi mesterségesintelligencia-keresés optimalizálási pozíció (a kulcsszólekérdezésnek megfelelő tartalom írása) ezt megelőzően gyengült. Most tovább gyengül. Az új pozíció a strukturális kiszámíthatóság: tiszta entitáskapcsolatok, kanonikus identitás, élő adatok, függetlenség megjelenítése. A struktúra funkcionálisan számít az ügynöknek. Amikor az ügynök kontextussal érkezik, az általa kiválasztott tartalom az a tartalom, amelyet a modellje tisztán tud egyesíteni minden mással, amivel már rendelkezik.
Vegyes visszakeresési előnézetek Az Agentic Web következő rétege
A Google Gemini Deep Research Max április 21-től a fizetős API-szinten nyilvános előnézetben négy beviteli osztályból tud húzni egyetlen érvelési ciklusban: a nyilvános web, a fájlfeltöltések, a csatlakoztatott fájltárolók és tetszőleges távoli MCP-kiszolgálók. A Google saját bejelentése szerint az ügynök „keres az interneten, tetszőleges távoli MCP-kben, fájlfeltöltésekben és csatlakoztatott fájltárolókban, vagy ezek bármely részhalmazában”.
A két új osztály (fájltárolók és távoli MCP-k) egy tulajdonságon osztozik. Alapértelmezés szerint privátak. Az ügynök csak a felhasználó beleegyezésével olvassa el őket. A csatlakozást követően egy pénzügyi adatszolgáltató vagy egy vállalati CRM a Model Context Protocol, az Anthropic nyílt szabványán keresztül teszi közzé adatait a Gemini számára, több mint 97 millió telepítéssel 2026 márciusában. A Google ügynöke ugyanolyan megbízhatósággal keresi le ezeket a privát forrásokat, mint a nyílt weben, ugyanazon az érvelési passon belül.
Ez az a szerkezeti lépés, aki az ügynöki webet nézi, és arra várt, hogy egy nagy szállító szállítson: nyilvános web és privát kontextus, amelyet az ügynök egyesít egyetlen lekérdezésben. Ikrek az első.
A legtöbb operátornál még nincs itt a minta. A Deep Research Max egy nyilvános előnézet a fizetős API mögött, nem pedig a fogyasztói Gemini alkalmazás funkciója. Ebben a negyedévben a legtöbb webhelyet nem olvassa el a kevert lekérő ügynök. Amit a Google április 21-én bejelentett, az az irány, nem az érkezés. Kezelje vezető mutatóként: Ha ez az architektúra méreteződik, és a nagyobb gyártók általában egy-két negyeden belül másolják egymást az ehhez hasonló képességekkel, akkor az üzemeltetői munka a forgalom előtt válik valódivá.
A jelmegosztás összeomlik, ha az ügynöknek jobb alternatívái vannak
A kevert lekérdezésben minden csatlakoztatott forrás verseng a jelmegosztásért: a nyílt web, a felhasználó fájltárolói és bármely privát MCP-kiszolgáló. Az egyes források súlya arányos azzal, hogy az ágens milyen tisztán tudja kinyerni és összeolvasztani a jelét minden mással, amit az ágens tart.
Nyilvános webhelyek esetében ez kétféleképpen változtatja meg a verseny terepet.
Először is, a gép-első webhelyek nagyobb hivatkozási arányt nyernek. A tiszta strukturált adatokkal, egyértelmű entitáskapcsolatokkal és a tartalmat JavaScript mögé nem rejtő megjelenítéssel rendelkező oldalt az ügynök könnyen egyesítheti a felhasználó privát környezetével. Az összevont válasz a gép első oldalára hivatkozik, mert ez az oldal használható, összevonható anyagokat tartalmazott.
Másodszor, a rosszul felépített webhelyek elveszítik a korábban ingyen kapott jelrészesedést. A csak webes korszakban még egy zűrös oldal is megjelenhet az idézetben, mert nem volt jobb nyilvános webes alternatíva. A kevert visszakeresés korszakában az alternatíva lehet a felhasználó által feltöltött dokumentumok vagy egy csatlakoztatott MCP tisztább adatokkal. A rendetlen tartalmi oldal elveszíti a hivatkozási arányt, amelyet a tiszta forrásokkal való felosztáshoz használt.
Ez más verseny, mint a klasszikus SEO. A klasszikus SEO egymás ellen rangsorolt oldalak. A kevert visszakeresés a felhasználó saját környezetéhez viszonyítva rangsorolja az oldalakat. Nem láthatja a versengő forrásokat. Csak akkor győződhet meg arról, hogy amikor az ügynök eléri a nyilvános oldalát, az oldal valami kivonható és egyértelmű tartalommal járul hozzá.
A strukturált termék- és ajánlatsémát a rendszer gyakrabban idézi, mint a strukturálatlan leírásokat, amikor a felhasználó privát kontextusa bármit érint. A kanonikus identitás, a tiszta entitáskapcsolatok és a függetlenség megjelenítése mind nagyobb hatást fejt ki, amikor az ügynök jeleket egyesít a források között. Az Adobe Q1 2026 AI forgalom inverziója a kereslet oldali bizonyítéka volt, hogy a strukturált kereskedelem nyer az AI-keresésben; A kevert visszakeresés az a kínálati oldali mechanizmus, amely ugyanazt a hatást fejti ki a háló többi részére.
Az őszinte ellenolvasás: Néhány lekérdezés teljes egészében körbejárja webhelyét
Nem minden kevert lekérdezés esetén hivatkozik nyilvános webhelyre. Egyes lekérdezéseket teljes egészében a felhasználó csatlakoztatott forrásaiból lehet megválaszolni. Egy pénzügyi elemzőnek, aki a Deep Research Max-ot belső MCP-szerveren futtatja, valamint negyedévente feltöltött jelentéseket, előfordulhat, hogy soha nem lesz szüksége a nyilvános webre erre a válaszra. A lekérdezés forgalma nem folyik át sehova; a válasz a privát kontextus határain belül teljesül.
Ez egy igazi részhalmaz. A legtöbb lekérdezés továbbra is keveri a nyilvános és a magánforrásokat, mivel a legtöbb elemző kérdés mindkettőt érinti.
A vegyes visszakeresés nem jelenti azt, hogy minden webhely kevesebb forgalmat kap. Ez azt jelenti, hogy az ügynök válogatósabb abban, hogy mit használ. Emelkedik a léc az ügynök által kiválasztott források tekintetében. A Deep Research Max egy előnézeti kép annak, amit az ügynöki web követelni fog. A gépgyártó webhelyek akkor veszik fel a részesedést, amikor ez a méret megérkezik. A strukturálatlan tartalom továbbra is elveszíti azt. A Google április 21-én mutatta meg nekünk a mintát, de a következő léptékben kezdődik az igazi munka a webes szakemberek számára, és van idő elvégezni ezt a munkát, mielőtt a forgalom utoléri.
Ez a bejegyzés eredetileg a No Hacks oldalon jelent meg.
