摘要： Cloudflare 於 2026 年 8 月 6 日更新 AI Search，把爬取、索引、嵌入、儲存與重排整理成 Agent 可用的代管搜尋服務。更新加入 /search 與 /mcp 端點、自訂網域、Cloudflare Access、EmDash 外掛、混合搜尋與定價預覽，精選 Workers AI 模型的 embedding 和 reranking 不另外收費。不過網站索引目前要求該網站是 Cloudflare 帳戶內的 zone。
2026 年 8 月 6 日，Cloudflare 為 AI Search 發布了一批開發者體驗更新。想達成的效果不複雜：讓 Agent 有台專屬的搜尋引擎，需要答案時直接在你的資料裡翻找，不必回頭吃訓練資料裡的過期資訊，抓網頁那類雜活也一併省下。
在這之前，想做出一套搜尋方案，等於要親手把 Workers AI、AI Gateway、Vectorize、R2 與 Browser Run 兜在一塊；如今底層這些事改由 AI Search 代勞，留給你的只剩資料和查詢。
索引到公開端點：這次更新有哪些重點
以下幾個新功能是這回的實用重點：
- 資料來源不限一種：不管結構化還是非結構化資料，都能整理成 Agent 查得到的搜尋索引，小至單一檔案、大至整個網站。網站目前仍得是 Cloudflare 帳號底下的 zone，官方說驗證所有權的其他做法之後會陸續開放。
- 沒有 sitemap 也能收：過去沒有 sitemap 的網站進不來，現在多了「Discover」解析選項，系統會循著連結自動把頁面挖出來（底層工作由 Browser Run 的 /crawl 負責）。
- 一個公開端點查全部：命名空間打開 public URLs 之後，會拿到 /search 與 /mcp 兩個端點；一次查詢就能掃過多個實例甚至多個網站，也不必處理認證，要分享給客戶相當省事。
- 網域與權限都自己決定：公開端點能套上你自己的網域（例如 search.example.com/mcp），也能在前方接上 Cloudflare Access，變成只有獲授權的人員或 Agent 查得到的私有搜尋。
- EmDash 外掛：網站若跑在 EmDash（Cloudflare 的開源 CMS）上，裝了 AI Search 外掛就等於內建語意搜尋。
內容擁有者還會注意到一件事：AI Search 爬取時用的是自己的 bot 身份（Cloudflare-AI-Search），會讀 robots.txt，網站設下的 bot 控制規則也照走。
開一個實例，一行指令就夠；網站如果沒有 sitemap，再補上 --parse-type discover，系統便順著連結去找頁面（背後同樣是 Browser Run 的 /crawl 在工作）：
npx wrangler ai-search create cloudflare-community \
--namespace dev-stack \
--source https://community.cloudflare.com \
--type web-crawler \
--parse-type discover實例觀察：Cloudflare 的 Dev Stack MCP 怎麼用 AI Search
Cloudflare 內部就是 AI Search 的重度使用者，其中最新亮相的是 Cloudflare Dev Stack MCP：coding agent 透過它拿到的是即時且有引用來源的文件，而不是訓練資料留下的舊印象。整套做法分三步：
- 每個站各自一個索引：Docs、Blog、API Docs、Community、Astro、Vite 等每一個 Cloudflare 自有網站，都各自有一個 AI Search 實例。這些網站的資料既然都握在 Cloudflare 手上，AI Search 就能把它們視為同一個集合來處理；開實例只要一道指令，碰上沒有 sitemap 的站就補 —parse-type discover。
- 把多個站收攏成同一次搜尋：有兩種做法可選。
- Option A：用 Worker（Cloudflare 自己選的路）：將 namespace 綁進 Worker，做一個遠端 MCP server 出來，此後一次 tool call 就查遍全部實例。適合要把搜尋塞進既有 app 或 MCP server 的場合。
- Option B：啟用 public endpoints（不碰程式碼）：把 public URLs 打開，/search 與 /mcp 端點馬上可用，所有實例一次查完，也不必部署任何東西。想把搜尋端點一鍵分享出去，就選這條。
- 對外亮相與權限收緊：套上自訂網域，再用 Cloudflare Access 決定誰能存取。
以 Option A 來說，第一步是在 wrangler.jsonc 裡寫好 namespace 綁定：
{
"ai_search_namespaces": [
{ "binding": "AI_SEARCH", "namespace": "cloudflare-stack" }
]
}第二步則是寫一個 tool，讓單次呼叫覆蓋 namespace 下的所有實例：
// One tool, one call that searches every surface in the namespace at once.
context.registerTool(
'search_dev_stack',
{
description: 'Search current docs across the Cloudflare stack.',
inputSchema: z.object({ query: z.string() }),
},
async ({ query }) => {
const res = await context.env.AI_SEARCH.search({
query,
ai_search_options: {
instance_ids: ['developers-cloudflare-com', 'astro', /* ...every surface */],
retrieval: { max_num_results: 10 },
reranking: { enabled: true },
},
})
// res.chunks come back cited and tagged with the instance they came from.
return { content: [{ type: 'text', text: format(res.chunks) }] }
}
)Dev Stack MCP 已在 AI Playground 開放試玩；把它的 MCP URL 貼進 coding agent 設定，就能甩掉「先搜尋網頁、再抓取全文」這條慢路。只要在設定檔裡補上：
{
"mcpServers": {
"dev-stack": { "url": "https://stack.mcp.cloudflare.com/mcp" }
}
}定價預覽：embedding 和 reranking 不列入計費
AI Search 還在 beta，使用免費，計費功能也還沒開啟。官方先把定價預覽端出來，其中最關鍵的一句是：只要挑預設模型，embedding 和 reranking 一毛錢都不收，token 用量怎麼起落都不必操心。
費用分成三塊：ingestion（每月 5M tokens 的額度池，不分檔案類型都能用）、storage（用多少算多少）、queries（每月 2,000 次查詢的額度池，semantic 與 keyword 一起分）。Answer generation 與 query rewriting 屬於可選步驟，跑在你指定的模型上，照 Workers AI 用量計價，也能以 AI Gateway credits 支付。
各項收費的預覽價與每月贈送額度整理成下表：
| 預覽用量價格 | 每月免費額度（所有 Workers 方案） | |
|---|---|---|
| Ingestion | ||
| Base Ingestion | $0.75 / 1M tokens | 5M tokens † |
| 圖片處理（加購） | +$0.50 / 1M tokens | 5M tokens † |
| Storage | ||
| 儲存資料 | $2.00 / GB-month | 10 GB |
| Query | ||
| Semantic（hybrid 與 vector search） | $0.75 / 1k queries | 2,000 queries ‡ |
| 全文搜尋 | $0.10 / 1k queries | 2,000 queries ‡ |
| Embedding 與 Reranking | ||
| Ingestion 與 query | 搭配精選 Workers AI 模型免費；第三方模型另行計費 | N/A |
† 每月 5M ingestion tokens 為單一共用池，涵蓋目前支援的所有檔案類型（例如文字與圖片）。‡ 每月 2,000 次查詢為單一共用池，由兩種查詢類型共用。
官方另外附了一個試算：資料源含 20,000 份文件（約 20M tokens）與 1,000 張圖片，每月 30,000 次 semantic queries，模型全部採預設值；第一個月約 $21，其中多為 indexing 的一次性支出，往後月份只剩查詢，開銷自然更低。官方逐項拆開來看，結果是首月合計約 $35，之後以查詢為主，落在 $21 附近：
| 項目 | 用量 | 價格 | 本月費用 |
|---|---|---|---|
| Base ingestion | （20M tokens 文字 + 1M tokens 圖片）× 1.1 - 5M 免費 = 18.1M tokens | $0.75 / 1M tokens | $13.58 |
| 圖片加購 | 1M tokens 圖片 × 1.1 = 1.1M tokens | $0.50 / 1M tokens | $0.55 |
| 儲存 | 約 1.2 GB（在 10 GB 免費額度內） | $2 / GB-mo | $0 |
| 查詢（semantic） | 30,000 - 2,000 免費 = 28K | $0.75 / 1k | $21.00 |
| Embedding（Workers AI） | 使用精選 Workers AI 模型即已內含用量 | $0 | $0 |
| Reranking（Workers AI） | 使用精選 Workers AI 模型即已內含用量 | $0 | $0 |
| 總計 | ~$35 |
產品開發者該注意什麼
AI Search 的定位不難懂：它把「讓 Agent 有一個搜尋引擎」從一件得親手拼裝的事，變成可以交出去代管的服務。做產品的人可以留意這幾點：
- 整合成本更低：爬網頁、embedding、向量儲存到 reranking，一概不必自己張羅，一道指令生出索引，拿來 prototyping 或直接上 production 都行。
- 原生支援 MCP：/mcp 端點是現成的，Agent 走標準協定就能查，與現行 coding agent 生態系的主流做法很合拍。
- 預算算得準：embedding 和 reranking 的成本含在裡面，編預算時少一個變數，用量起伏大的情境尤其有感。
有兩件事得先講清楚：網站索引目前只吃 Cloudflare 帳號底下的 zone，非 Cloudflare 使用者會卡在這裡；而預覽階段的價格仍可能變動，正式收費前官方會另行通知。
若你手上正在替 Agent 做知識庫、寫搜尋，不妨先拿 AI Search 試刀：一道指令建好索引，再用 /mcp 接到 Agent 上，看看能不能把原本靠網頁搜尋的做法整條換掉。建索引的指令如下：
npx wrangler ai-search create my-search \
--namespace my-namespace \
--source https://my-website.com \
--type web-crawler \
--hybrid-search