Структура поисковых систем на основе моделей большого языка (LLM) в 2026 году: 76 продуктов на 6 уровнях

Раньше поиск представлял собой один продукт: поле ввода и десять синих ссылок. В 2026 году это целый комплекс. Система генерации ответов формирует ответ, поисковый API предоставляет ей данные, векторная база данных хранит то, что уже известно модели, браузерный уровень извлекает недостающую информацию, агент выполняет действия на основе полученного результата, а новая категория инструментов оценивает, появился ли ваш бренд в результатах поиска вообще.

Мы составили карту этого стека для третьего квартала 2026 года: 76 продуктов от 71 компании и проектов с открытым исходным кодом, распределенных по 6 уровням, на основе данных исследования рынка, лежащего в основе ежеквартальной рыночной карты Massive «LLM Search Stack».

Давление на эту систему отражается на том, как люди осуществляют поиск. Согласно исследованию Pew Research Center, проведённому в марте 2025 года среди 900 взрослых жителей США, 18 % поисковых запросов в Google сопровождались резюме, сгенерированным искусственным интеллектом. Пользователи, увидевшие такое резюме, переходили по традиционному результату в 8 % случаев, тогда как в отсутствие резюме этот показатель составлял 15 % (Исследовательский центр Pew, 2025 г.). Когда ответ появляется на странице результатов, меньше пользователей покидают её. Именно это изменение придаёт коммерческое значение остальным компонентам стека.

Основные выводы

• Поисковая платформа на базе больших языковых моделей (LLM) за 3-й квартал 2026 года включает 6 уровней и 76 продуктов.
• Когда появлялось резюме, сгенерированное искусственным интеллектом, пользователи переходили по традиционным результатам примерно в два раза реже: 8 % посещений против 15 % (Исследовательский центр Pew, 2025 г.).
• Слои «Извлечение» и «Доступ к веб-данным в режиме реального времени» занимают одинаковые позиции в качестве крупнейших, по 15 продуктов в каждом, и решают противоположные задачи: то, что уже известно модели, и то, что является правдой в данный момент.
• Генеративная оптимизация поисковых систем (GEO) в настоящее время представляет собой отдельную категорию, в которую входят 13 продуктов.

Как мы составили схему стека поиска LLM

Мы сгруппировали продукты в зависимости от их роли на пути от вопроса к ответу, а не по этапу финансирования или маркетинговому обозначению. Карта читается сверху вниз: сначала то, что видит пользователь, затем то, что обеспечивает это, и, наконец, то, что это измеряет. Компания, выпускающая несколько продуктов, может фигурировать в более чем одном слое. Например, у You.com есть система поиска ответов в слое 1 и API в слое 2. Именно поэтому в списке представлены 76 продуктов от 71 компании и проектов с открытым исходным кодом.

Продукт был включён в карту, если он был общедоступен на момент проведения нами исследования для данного издания (июль 2026 г., повторная проверка — октябрь 2026 г.) и его основное назначение соответствует одному из слоёв. Мы исключили записи, которые не смогли подтвердить на момент публикации. Мы перечисляем всех поставщиков беспристрастно: включение в список не означает одобрения, а порядок в пределах слоя не является рейтингом. Компания Massive также представлена на карте в слое «Онлайн-доступ», и мы прямо указываем на это.

Уровень 1: Системы искусственного интеллекта для генерации ответов

Поисковые системы, предоставляющие ответы, представляют собой потребительский интерфейс поиска на основе больших языковых моделей (LLM): вы задаете вопрос и получаете текстовый ответ, как правило, со ссылками на источники. Именно этот уровень имеется в виду у большинства людей, когда они говорят о «поиске с использованием ИИ».

На карте: Perplexity, You.com, Andi, Ask Brave, Kagi, Liner, Felo, iAsk, ChatGPT Search, Google AI Mode, Microsoft Copilot, Grok и Meta AI.

Этот сегмент делится на две группы. Шесть сервисов представлены компаниями, которые также владеют передовой моделью, браузером или крупной платформой: ChatGPT Search, Google AI Mode, Microsoft Copilot, Grok, Meta AI и Ask Brave. Остальные семь (Perplexity, You.com, Andi, Kagi, Liner, Felo и iAsk) — это независимые разработчики, которые выделяются благодаря своей специализации, например, глубине исследований или приверженности конфиденциальности. Для бренда каждый поисковик представляет собой отдельное пространство, где о нём могут отзываться положительно, отрицательно или вообще не упоминать. Когда мы было проведено исследование того, как искусственный интеллект описывает бренды, при этом риск оказаться в стороне был более вероятным, чем риск подвергнуться критике. Обратите внимание на то, указывает ли поисковая система источники. Цитируемые источники — это единственная часть ответа, на которую бренд может оказать прямое влияние.

Уровень 2: API поиска, оптимизированные для LLM

Это поисковые системы, разработанные в первую очередь для машин. Вместо страницы результатов, предназначенной для человека, они возвращают результаты в виде чистого текста, фрагментов или полного содержания страницы, которые модель может использовать напрямую.

На карте: Parallel, Exa, Linkup, Tavily, Brave Search API, You.com API, Valyu, Perplexity Sonar и Seltz.

Подходы к реализации различаются. Некоторые ведут собственный индекс, другие переранжируют результаты из более крупной поисковой системы, а третьи возвращают полный текст страницы вместо фрагментов. Мы сравнили несколько из них в Web Search API для ИИ-агентов. Как выбрать: Проверьте актуальность с помощью вопроса о вчерашних новостях, а местоположение — с помощью вопроса, ответ на который различается в зависимости от страны. Эти два запроса позволяют разграничить API быстрее, чем любая таблица характеристик.

Уровень 3: Извлечение и векторный поиск

Не для каждого ответа требуется доступ к реальному Интернету. Технология генерации с использованием данных из внешних источников (RAG) позволяет модели осуществлять поиск по собственным документам компании, каталогу продукции или сохраненным копиям веб-страниц, хранящимся в виде вложений в векторном индексе.

На карте: Pinecone, Weaviate, Qdrant, Chroma, Zilliz (Milvus), Turbopuffer, Vespa, LanceDB, Cohere, Voyage AI (MongoDB), Mixedbread, Supabase (pgvector), MongoDB Atlas Vector, Redis и Elastic.

Этот слой, наряду с доступом к веб-ресурсам в режиме реального времени, является самым обширным на карте и наиболее зрелым: он включает такие базы данных, как Elastic, Redis и MongoDB, которые появились ещё до современных больших языковых моделей (LLM). В нём представлены три вида продуктов. Базы данных, изначально ориентированные на векторные данные (Pinecone, Weaviate, Qdrant, Chroma, Zilliz, Turbopuffer и LanceDB), были созданы специально для работы с вложениями. Поставщики услуг по вложению и переранжированию (Cohere, Voyage AI и Mixedbread) преобразуют текст в векторы и упорядочивают результаты. Устоявшиеся поисковые системы и базы данных (Vespa, Supabase, MongoDB Atlas, Redis и Elastic) добавили векторный поиск в продукты, которые уже используются командами. Проблема всех этих решений заключается в том, что актуальность уровня поиска зависит от времени его последнего обновления. Наше руководство по построение конвейера RAG на основе данных из реального веб-трафика в данной статье рассказывается о том, как команды предотвращают устаревание индекса.

Уровень 4: Доступ к веб-ресурсам в режиме реального времени и инфраструктура браузера

Когда ответ на вопрос зависит от сегодняшней цены, сегодняшних новостей или содержания страницы в конкретной стране, модель должна самостоятельно получить эту информацию. Данный уровень обеспечивает именно это: хостируемые браузеры, сканеры, API для извлечения данных и прокси-сети, позволяющие отправлять запросы с реальных географических точек.

На карте: Massive, Browserbase, Steel, Hyperbrowser, Anchor Browser, Kernel, Lightpanda, Notte, Firecrawl, Crawl4AI, Zyte, Apify, Scrapfly, Browserless и Rebrowser.

Данный уровень состоит из трёх общих групп. Инфраструктура хостируемых и «безголовых» браузеров включает Browserbase, Steel, Hyperbrowser, Anchor Browser, Kernel, Lightpanda, Notte, Browserless и Rebrowser. К инструментам сканирования и извлечения данных, возвращающим «чистое» содержимое страниц, относятся Firecrawl, Crawl4AI, Zyte, Apify и Scrapfly. Компания Massive предоставляет сеть, по которой проходят запросы. Команды часто сочетают хостируемый браузер с сетевым уровнем — этот компромисс мы рассмотрели в инфраструктура управляемых браузеров для агентов искусственного интеллекта. Доля Massive: сеть бытовых устройств, насчитывающая более 1 000 000 проверенных устройств (Massive Docs), а также Web Render API с конечными точками «Просмотр», «Поиск» и «Чат с ИИ». Конечная точка «Поиск» может дождаться отображения обзора ИИ от Google, прежде чем вернуть страницу (Massive Docs). Агенту, проверяющему стоимость авиабилета для пассажира в Мадриде, нужна страница в том виде, в каком она загружается в Испании, а не в том, в каком она загружается в центре обработки данных в США.

Уровень 5: Агентивное действие и использование компьютера

Поиск превращается из простого чтения в активное действие. Пользователи на этом уровне нажимают на ссылки, заполняют формы и выполняют задачи в браузере или на рабочем столе, используя результаты поиска в качестве отправной точки.

На карте: Skyvern, Browser Use, TinyFish, Airtop, H Company (Surfer H), Bardeen, Simular, Emergence AI, Nova Act (Amazon), Claude Computer Use (Anthropic) и ChatGPT Agent (OpenAI).

В настоящее время компания Frontier Labs поставляет собственные агенты для работы с компьютерами наряду с независимыми фреймворками. В любом случае агент, действующий в Интернете, сталкивается со всеми проблемами доступа, характерными для 4-го уровня: проверками на наличие ботов, контентом, зависящим от местоположения, а также страницами, которые отображаются только в реальном браузере. Первая из этих проблем рассматривается в Почему ИИ-агенты блокируются по IP-адресам центров обработки данных.

Уровень 6: Оптимизация генеративного движка (GEO)

Новейший уровень существует благодаря первому. Если покупатели обращаются к поисковым системам, предоставляющим ответы, вместо того, чтобы переходить по ссылкам, брендам необходимо знать, что именно говорят эти системы. Этот термин происходит из научной статьи 2023 года, в которой сообщалось, что стратегии оптимизации могут «повысить видимость на 40 % в ответах генеративных систем», а их эффективность «варьируется в зависимости от сферы деятельности» (Аггарвал и др., arXiv, 2023 г.). Платформы GEO обрабатывают запросы в различных системах генерации ответов, отслеживают частоту упоминаний или цитирований бренда и предлагают изменения в контенте.

На карте: Profound, Scrunch AI, Peec AI, Otterly AI, AthenaHQ, Bluefish, Evertune, Gumshoe, Goodie, Trakkr, Knowatoa, Brandlight и Relixir.

В GEO заложена проблема измерения: ответ, выдаваемый системой, может меняться в зависимости от местоположения пользователя, языка и формулировки запроса. Показатель видимости достоверен лишь в тех условиях, в которых он был измерен, поэтому охват по местоположению и языку является одним из способов различить инструменты GEO. Покупатель из Мюнхена и покупатель из Сан-Паулу могут получить разные ответы на один и тот же запрос. Именно здесь находит своё применение конечный пункт чата на базе ИИ от Massive: он возвращает варианты ответов от ChatGPT, Gemini и Perplexity, полученные с реальных устройств в выбранном вами местоположении, что и является исходными данными, необходимыми для измерения с учётом местоположения. Наш В центре внимания: конечная точка чата с ИИ показывает, как на одни и те же вопросы даются разные ответы в разных странах.

Что показывает эта карта о поиске с использованием больших языковых моделей в 2026 году

Можно выделить три основные тенденции.

Крупные платформы контролируют потребительский сегмент и расширяют свою деятельность в сфере агентов. Google, Microsoft, OpenAI, xAI и Meta представлены в первом уровне, а Amazon, Anthropic и OpenAI — в пятом. Помимо этих проектов, относящихся к категории «передовых лабораторий», практически каждый продукт на карте разработан независимой компанией или проектом с открытым исходным кодом.

Свежесть и местоположение являются общими факторами, сдерживающими развитие. Системы генерации ответов, поисковые API, агенты и инструменты GEO в конечном итоге должны иметь представление о том, какая информация в данный момент доступна в реальном времени в Интернете в конкретном месте. Уровни 1, 2, 5 и 6 зависят от получения актуальных страниц, а уровень 3 — при каждом обновлении индекса. Именно поэтому уровень доступа к актуальному веб-контенту связан со всеми остальными уровнями на карте.

Измерение становится самостоятельным продуктом. На нашей карте за 3-й квартал представлены 13 продуктов, основная задача которых — обеспечение прозрачности в сфере искусственного интеллекта. По мере развития этого направления будет иметь значение не только то, что измеряет инструмент, но и то, как и где он это делает.

Стек поиска на основе моделей LLM: итог

• Шесть уровней, 76 элементов. Изучите схему сверху вниз: ответ, обеспечение, действие, оценка.
• На что следует обратить внимание в IV квартале: лаборатории, занимающиеся передовыми исследованиями, будут все активнее применять агентные подходы, а инструменты GEO будут конкурировать в том, где и как они осуществляют измерения.
• Разрабатываете в этой архитектуре? Проверяйте доступ на ранних этапах: страница, которая блокирует работу вашего агента или отображает для него неверную страну, приводит к сбоям на всех последующих уровнях.
• Мы обновляем эту карту ежеквартально. Присылайте исправления и дополнения команде Massive, и мы включим их в следующее издание.

Источники

• Исследовательский центр Pew, «Пользователи Google реже переходят по ссылкам, когда в результатах поиска отображается резюме, сгенерированное искусственным интеллектом», 2025 г.
• Massive Docs, «Введение в прокси-серверы для частных пользователей»
• Massive Docs, «Поиск»
• Аггарвал и др., «GEO: генеративная оптимизация поисковых систем», arXiv, 2023 г.
• Обширная карта рынка решений для поиска на основе больших языковых моделей (LLM), выпуск за 3-й квартал 2026 года (внутреннее исследование, июль 2026 года)