Cloudflare memperkenalkan AI Search sebagai cara untuk membuat pencarian atas data dan website sendiri. Layanan ini ditujukan untuk membantu AI Agent menemukan informasi tanpa developer harus merangkai banyak primitive Cloudflare secara manual.
Pencarian menjadi komponen penting dalam aplikasi AI karena model tidak selalu memiliki pengetahuan terbaru tentang data internal. Dengan indexing dan retrieval, aplikasi dapat mengambil dokumen yang relevan sebelum menghasilkan jawaban atau menjalankan tindakan.
Cara kerja yang dijelaskan Cloudflare
Sumber menjelaskan alur yang mencakup indexing setiap permukaan data, menggabungkan instance pencarian, lalu memberi branding dan pembatasan akses. Pendekatan ini memungkinkan developer mengarahkan pencarian ke file, website, dokumentasi, atau sumber lain yang mereka kelola.
Cloudflare juga menunjukkan penggunaan AI Search pada Dev Stack MCP, serta pencarian untuk blog, dokumentasi developer, dan Cloudflare.com. Contoh tersebut menggambarkan bagaimana satu lapisan pencarian dapat dipakai oleh agent melalui interface yang lebih terstruktur.
Keamanan dan kebijakan bot
Sumber menyebut AI Search menghormati kebijakan bot. Ini penting bagi pemilik website karena sistem pencarian agent tidak boleh dianggap sebagai izin otomatis untuk mengambil seluruh konten. Aturan robots, hak akses, dan kebijakan data tetap menjadi bagian dari desain.
Untuk data privat, setiap query harus membawa konteks pengguna atau service account yang tepat. Index juga perlu dipisahkan bila dokumen memiliki tingkat kerahasiaan berbeda. Jawaban AI tidak boleh membuka isi dokumen hanya karena model berhasil menemukannya.
Pricing dan pengelolaan biaya
Cloudflare membagikan preview model pricing yang dirancang agar biaya lebih mudah diprediksi. Sebelum menggunakan layanan, tim sebaiknya menghitung frekuensi indexing, volume data, jumlah query, kebutuhan refresh, dan biaya model yang berada di luar lapisan pencarian.
Penggunaan nyata tetap perlu dipantau. Metrik seperti latency retrieval, hasil kosong, relevansi dokumen, dan jumlah token dapat membantu menentukan apakah sistem search benar-benar meningkatkan kualitas agent.
Contoh workflow untuk developer
- Tentukan sumber data dan klasifikasikan tingkat aksesnya.
- Buat index terpisah untuk data yang memiliki permission berbeda.
- Uji query yang menghasilkan dokumen relevan dan tidak relevan.
- Tambahkan citation atau link dokumen pada jawaban agent.
- Pantau biaya, freshness, error, dan akses yang ditolak.
Kesimpulan
AI Search menempatkan retrieval sebagai fondasi penting untuk AI Agent yang bekerja dengan data sendiri. Nilainya bukan hanya membuat search lebih mudah, tetapi juga menyederhanakan jalur dari data ke agent. Developer tetap harus menjaga permission, kualitas index, kebijakan bot, dan biaya agar implementasinya aman serta dapat dipelihara.
Sumber asli:
https://blog.cloudflare.com/ai-search-easier/
