# Keenable SELECT：一个用 SQL 搜网页、直接出结构化报告的 agent

> 原标题：Keenable SELECT: an agent that searches the web in SQL

- 来源：Hacker News 首页
- 发布时间：2026-09-01T15:41:03.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/54104
- 原文：https://keenableai.github.io/select-showcase/

## 摘要

Keenable 做了个叫 SELECT 的 agent，你给它一个自然语言问题，它会自动拆成多轮网页搜索，然后用 SQL 里的 SEM_EXTRACT 和 SEM_MATCH 这类函数，把散落在不同网页里的非结构化信息抽成规整的字段，最后生成一份带来源的报告。每份报告都附了完整的执行轨迹，包括每一步搜了什么、工具返回了什么、结果集长什么样。展示页里放...

## 推荐理由

产品想法聪明——把 agent 搜索抽象成 SQL 查询，附带完整执行轨迹，信息密度不错。但 Keenable 不是主流实验室，正文没提竞品对比或用户规模数据，影响力有限，刚好卡在 featured 门槛上。

## 锐评

Keenable 这个 SELECT agent 的思路是把“搜网页”变成“查数据库”：你用自然语言提问，它自动拆成多轮搜索，再用 SEM_EXTRACT 这类函数把不同网页里的零散信息抽成规整字段，最后给你一份带来源的报告。展示页放了十几个例子，从 AI 研究员跳槽、YC 公司命名趋势，到美国吉瓦级数据中心建设、动物园动物出逃记录，覆盖范围挺广。每份报告都附了完整的执行轨迹，能看到每一步搜了什么、工具返回了什么，这点对验证结果很有用。

不过正文没提几个关键信息：底层用的是哪个模型、抽取准确率大概多少、跑一次要多久、花多少钱。这些直接决定它能不能用在生产环境里。展示案例看起来效果不错，但样本都是团队自己挑的，实际用起来会不会翻车还不清楚。另外，把网页信息强行塞进 SQL 的表格逻辑里，碰到矛盾或模糊信息时怎么处理，文章也没交代。