以前拼五个零件，现在一条命令

要给自己的数据做一套能被 AI 调用的搜索，过去在 Cloudflare 上要动用五样东西：Workers AI 出模型、AI Gateway 管调用、Vectorize 存向量、R2 存文件、Browser Run 爬网页。你得自己把它们串起来，还得自己处理爬取、切块、算向量、检索这一整条链路。

顺带解释两个后面会反复出现的词：embedding 是把文字转成一串数字（向量），搜索时靠比对这串数字找意思相近的内容，而不是死抠字面；reranking 是先粗筛出一批结果、再用另一个模型把最相关的重新排到前面。这两件事在每次建索引、每次搜索时都要跑。

新增的六个能力

• 没有 sitemap 的网站也能整站收录：sitemap 是一份列出网站所有页面地址的清单文件，以前必须有它才能索引整站。现在选 Discover 模式，它顺着页面上的链接自己爬，底层用的是 Browser Run 的 /crawl。
• 一个公开地址搜遍所有数据：在 namespace（装多个搜索实例的盒子）上打开公开 URL，就得到 /search 和 /mcp 两个端点，一次查询横扫盒子里的全部实例，免认证，可以直接甩给客户。
• 能挂自己的域名：把端点变成 search.example.com/mcp 这样的地址。
• 要私有就前面加一道 Cloudflare Access：加上之后端点需要登录才能查，只有授权的人或 Agent 进得来。
• 混合搜索让结果更准：混合搜索（hybrid search）是指语义搜索和关键词搜索在同一次查询里一起跑，所以既答得了「这东西是干嘛的」这类开放问题，也精确找得到某个具体名字。
• EmDash 站点装插件即可：EmDash 是 Cloudflare 自家开源的内容管理系统，装上 AI Search 插件，站内内容就有了语义搜索。

Cloudflare 拿自家 10 个站点做了个 MCP

这一节是全文最能说明它能干什么的部分，因为它治的是一个每天都在发生的毛病。

AI 编码助手写 Cloudflare 相关的代码时，用的是训练数据里的旧知识，写出来的常常是过时的 API。现在的补救办法是让它去网页搜索、再抓整个页面回来读，官方对这条路的评价是：慢、费 token，而且经常落到错的或过期的源上。

他们的做法分三步。

第一步：每个站点建一个实例

他们给十个自家站点各建了一个搜索实例：开发者文档、博客、API 文档、社区论坛，以及 Astro、Vite、Vitest、Hono、Replicate、OpenNext 这几个框架的文档站（这些也都在 Cloudflare 名下）。建一个实例就是一条命令，遇到没有 sitemap 的站点加一个参数让它跟着链接爬：

npx wrangler ai-search instance create cloudflare-community \
  --namespace dev-stack \
  --source https://community.cloudflare.com \
  --type web-crawler \
  --parse-type discover

第二步：把十个实例合成一次搜索

两条路。写一个 Worker 把 namespace 绑进去，一次调用扇出到你点名的所有实例，他们自己走的这条，因为要把它做成 MCP 服务器里的一个工具。或者干脆不写代码，直接在 namespace 上打开公开端点，立刻得到能查遍全部实例的 /search 和 /mcp，免认证也不用部署。

第三步：挂域名、按需上锁

公开端点自带一个默认地址，可以换成自己的域名。要是这个搜索不该公开，前面加一道 Cloudflare Access，它就变成需要登录才能查的私有端点。

做完这三步，结果是一个地址：把它丢进你的 MCP 配置，编码 Agent 就能一次调用查遍这十个站点的当前文档，返回的内容带出处引用，还标着来自哪个实例。

{
  "mcpServers": {
    "dev-stack": { "url": "https://stack.mcp.cloudflare.com/mcp" }
  }
}

他们自己吃狗粮的范围不止这一处：博客的搜索早就跑在 AI Search 上，开发者文档和 Cloudflare.com 官网也在这次一并接上，全部用的是混合搜索。

定价把最难算的两项做成了免费

先说设计思路，这比价目表本身更值得看。

embedding 和 reranking 这两件事，在每次建索引和每次搜索时都要跑，用量最难提前估算，你没法预知用户会搜多少次、每次要重排多少结果。官方的做法是：用默认模型或 Workers AI 目录里指定的模型时，这两项不收钱。等于把账单里最不可控的那块直接抹平了。

至于答案生成和查询改写，那是可选步骤，跑在你自己选的模型上，按 Workers AI 用量计费，也可以用 AI Gateway 额度接任意模型。

† 每月一个 500 万 token 的池子，各种文件类型共用，图片也算在里面。‡ 每月一个 2000 次的池子，语义和全文两种查询共用。

官方给的示例账单

按 Workers 付费计划，一个 2 万篇文档（约 2000 万 token）的数据源，外加 1000 张图片，每月 3 万次语义搜索，用默认的 embedding 和 reranking 模型：

这个数字要连假设一起看：官方按每篇文档约 10 KB、每张图约 1 MB 估算，摄取时切块有约 10% 的重叠（所以账单里有个 ×1.1）。你的文档更大或图更多，数字就不是这个。

用之前要知道的三条边界

网站来源目前只能是你自己账号下的域名。要把一个网站作为数据源，它必须是挂在你 Cloudflare 账号下的 zone。以后还会加别的所有权验证方式，时间表未定。这条直接决定你能不能用，别等建到一半才发现。

爬取遵守站点的爬虫规则。底下靠 Browser Run 的 /crawl 干活，但它有自己独立的爬虫身份 Cloudflare-AI-Search：遵守 robots.txt、使用固定且公开的 User-Agent 标识、尊重站点已有的爬虫控制策略。

价格是预览版，计费还没开。现在整个 beta 期间免费，官方明确写了正式计费前会提前发邮件通知，而且预览价在开始收费前可能变动。

一条命令就能开一个试：

npx wrangler ai-search create my-search \
  --namespace my-namespace \
  --source https://my-website.com \
  --type web-crawler \
  --hybrid-search

AI 编码 Agent 写 Cloudflare 相关代码时，用的是训练时的旧知识，常吐出过期的 API。Cloudflare 的做法：把开发者文档、博客、API 文档、社区论坛，还有 Astro、Vite、Vitest、Hono 等框架文档各建一个搜索实例，合进一个 namespace，对外只开一个 MCP 地址。

embedding（把文字转成向量方便比对）和 reranking（把最相关的结果排到前面），每次建索引、每次搜索都要跑，用量最难提前估算。Cloudflare 用它指定的 Workers AI 模型时，这两项不收钱，账单里最难猜的那块被抹平了。

这笔账基于官方给的假设，每篇文档约 10KB、每张图约 1MB，实际用量不同，数字也会不同；现在的价格是预览价，正式收费前可能调整。