«найди все X, удовлетворяющие условиям Y и Z»

поиск поиску рознь, особенно если это AI search. в пятницу делала Q&A сессию для своей нынешней группы. один из вопросов — как лучше подойти в LLM к поиску грантов, которые отвечают нескольким критериям, но информация про них лежит в самых разных закоулках открытого веба. как настроить эту фильтрацию?

к базовой LLM с таким запросом не зайти из-за ограничений встроенного web_search: во-первых, поиск идет поверх индексов поисковиков с их ранжированием, заточенным под SEO и обычных пользователей, во-вторых, контекстное окно, в-третьих обычный чатик физически не сделает сотни запусков web_search за один прогон. поэтому нам нужны другие инструменты:

1. режим FindAll в Parallel.ai. я даю агенту запрос типа «много всего на пересечении нескольких критериев» и далее он проходит три этапа: генерация кандидатов из веб-индекса, отсев несоответствующих, в итоге только тех, кто прошел все фильтры, плюс enrichment-поля.

буквально из недавнего: найти 100 дизайн-студии, получившие награды или представленные на отраслевых платформах за последний год, работающие на стыке технологий и визуального дизайна и создающие проекты для технологических компаний или стартапов. сразу три критерия, которые должны сойтись в финальном списке. за 20 минут на выходе 201 студия, из которых 100 формально подходят по критериям. далее экспорт и импорт выдачи в Claude Cowork/Code, чтоб он еженедельно трекал апдейты этих студий на случай любопытных кейсов.

2. WideResearch в Manus. этот режим подойдет, если большой список уже есть и надо сделать data enrichment. вот например: я пытаюсь найти слот на нью-йоркский марафон, но получить его можно только через благотворительность. вручную отсматривать сотни charity-партнеров я чокнусь. поэтому запрягла Manus: он нашел полный каталог и дальше обогащал каждую запись дополнительными полями: прямой сайт организации, ссылки и статус-чек по странице самой организации. итого логика сложилась такая: source list → enrichment → валидация/классификация → excel табличка с почти 400 результатами — за один промпт и 26 минут работы.

итого оба используют параллельную обработку вместо последовательной, оба решают проблему «один агент захлебнется в большом объеме», оба пришли на смену классическому Deep Research.

допускаю, что кто-ниб возразит, что можно делать то же самое в Claude Code с субагентами — и это правда для задач, где данные есть в обычных поисковых индексах, но на задачах с редкими сущностями (малоизвестные стартапы, нишевые компании в конкретных регионах, специфические профессионалы) проприетарный индекс Parallel дает преимущество, которое не закрывается умной оркестрацией. а Manus выигрывает там, где важнее скорость от идеи до результата — какие-то разовые задачи, незнакомые домены, ситуации, где продумывать оркестратор дольше, чем выполнить саму задачу.