Radar Researcher 发布：用自然语言探索互联网数据的 AI 工具
Introducing Radar Researcher: An AI tool for exploring Internet data in plain language
Cloudflare Radar 推出测试版工具 Radar Researcher，基于 Cloudflare 开发者平台构建，允许用户用自然语言提问获取真实交互式图表。该工具利用 Cloudflare Agents SDK、Durable Object 和 Workers AI（运行 Kimi K2.7 等开放模型），通过 MCP 服务器连接 Radar API，支持图表解释、对话历史、推理审计等功能。Radar 同时添加 WebMCP 支持，使浏览器 agent 可直接调用其功能。
自2020年推出以来，Cloudflare Radar 提供了对全球互联网流量的独特洞察。Radar 从我们的全球网络发布的开源数据被不同领域的专家使用：人权倡导者、记者、学术研究人员、网络运营商等。今天，作为 Agents Week 的一部分，Radar 正在测试版推出一个新工具：Radar Researcher。现在，如果你想用 Radar 的数据回答问题，只需用自然语言提问，就能得到带有真实交互式图表的答案，这一切都构建在 Cloudflare 的开发者平台上。你不再需要找到正确的页面、选择正确的过滤器，或阅读 API 文档来编写查询。
为什么构建 Radar Researcher
过去六年里，Radar 团队一直致力于为复杂数据集提供清晰、易用、可靠的数据可视化。这并非没有挑战：我们的用户群体庞大，从好奇的新手到技术型网络专家都有。即便如此，我们仍尽可能多地发布从我们网络视角看到的互联网洞察：来自我们公共解析器 1.1.1.1 的 DNS 查询、来自我们全球网络的 HTTP 流量、从 Cloudflare Speed Test 收集的网络质量数据，以及更多。我们也相信开放、公共数据的力量，这就是为什么你在 Radar 数据可视化中看到的一切都可以通过我们的免费 API 获取。每年我们都让更多互联网可见。
但随着 Radar 的发展，处理数据的技术也在进步。AI 工具正在降低专业知识的门槛：你不再需要了解数据集的结构或词汇就能从中获得有用的答案。领域专家成为合作者而非守门人。Radar 一直希望为那些不需要掌握我们整个目录及其词汇就能充分理解我们洞察的用户做更多。（参见我们最近关于互联网如何应对 2026 年 FIFA 世界杯的博客文章。）我们也知道许多用户时间紧迫。例如，报道最新互联网中断的记者可能没有时间逐页搜索完美的图表来讲述他们的故事。这就是我们构建 Radar Researcher 的原因。
认识 Radar Researcher
Radar Researcher 的设计目标是让访问数据变得像描述你寻找的内容一样简单。所有信息都通过 Radar 的 API 提供，这确保了底层 LLM 依赖真实数据，并能快速回答你的问题，格式与你向人类表达的方式相同。它在每个 Radar 页面上都可用。从页眉打开 Radar Researcher 面板，它会停靠在你正在查看的内容旁边，这样你可以在聊天时继续浏览。
以下是一些使用示例：
- 用自然语言获取答案，附真实图表：提问，获得与 Radar 上相同的交互式可视化，外加简短解释。
- 选择深度：选择简洁直接的答案或更全面的多主题报告。
- 继续分析：每次回答后，它会建议有用的后续问题。
- 从上次中断处继续：对话保存在可搜索的历史记录中，你可以固定并重新访问，还可以通过链接分享任何对话。（共享链接在 30 天后自动过期。）
- 审计推理过程：检查 LLM 如何解释你的问题，它查找并查询了哪些数据集，以及它如何处理结果以得出答案。
- 按你的方式提问：输入文字、使用语音输入，或直接从 Radar 的搜索栏启动。
将任何图表转化为对话
Researcher 不仅仅从空白提示开始。在 Radar 上任何你看到图表的地方，一个“用 AI 解释”操作会打开助手，并已持有该确切的可视化内容。它不需要你描述正在查看的内容，而是捕获你正在查看的确切可视化并从这里开始对话。如下所示，Radar Researcher 将可视化内容置于上下文中，然后分析数据并给出解释。
在底层，助手同时向模型提供三样东西：图表的截图（视觉模型直接读取图像）、来自 Radar API 的图表背后确切数据，以及你当前视图的参数，包括位置、日期范围和任何已应用的过滤器。截图使 Radar Researcher 能看到你所看到的。原始数据确保它引用的每个数字都精确，而不是从像素中估算，过滤器意味着解释针对的是你的确切视图，而不是图表的通用版本。
用例 1：葡萄牙的互联网质量如何？
假设你好奇某个国家的家庭互联网质量如何。你只需提问：
Radar Researcher 会解读问题并为你完成工作，而不是手动调用 API、选择参数或在 Radar 页面中搜索。你可以按照截图中的每一步操作：它读取你的提问，查询 Radar 的互联网质量 API，然后分析结果并用自然语言回答。它不会显示一堵数字墙，而是渲染与你在 Radar 互联网质量部分看到的相同的交互式图表。
从这里，你可能会提出自然的后续问题，比如将葡萄牙与邻国进行比较，Radar Researcher 会为每个国家获取新数据。它甚至建议有用的下一步，例如葡萄牙与西班牙的对比或该国最常见的互联网中断。通过让你用自然语言找到所需内容，我们希望将 Radar 的数据应用于你自己的分析比以往任何时候都更容易。
用例 2：调查互联网中断
Radar Researcher 也是为技术专家设计的。如果我们对工程师、研究人员和网络运营商有一点了解，那就是自动化是他们工作流程的关键。手动操作查看相同数据可能繁琐且受限：如何确保你始终查看最相关的数据？
考虑一个真实事件。2026 年初，伊朗经历了一系列政府主导的互联网关闭，其中一次持续了近三个月，直到 5 月流量部分恢复。报道这样的故事意味着拉取多个视图并在情况发展时刷新它们。要调查它，你可以直接问 Radar Researcher：
这次问题是开放式的，所以 Radar Researcher 会进行简短调查。它查找 Cloudflare Radar 记录的伊朗中断事件并收集匹配的流量数据，然后用自然语言解释时间线：伊朗的 HTTP 流量指数从 1 月 7 日的约 0.58 在 1 月 9 日降至几乎为零，1 月 17 日左右开始部分恢复，到 1 月 27 日接近关闭前水平。它以 HTTP 流量指数图表呈现，中断窗口直接标注在线上，外加一个记录的中断表格，还标记了从 2 月 28 日开始的第二次关闭。从那里它建议下一步调查方向，例如与邻国的流量比较。
我们如何构建它
Radar Researcher 完全构建在 Cloudflare 自己的开发者平台上。它展示了任何开发者都可以用来构建 AI agent 的相同工具。其核心是一个运行 Cloudflare Agents SDK 的 Cloudflare Worker。每个对话都是一个有状态的 Durable Object，带有自己的 SQLite 数据库，因此你的聊天历史、标题和流式响应都会持久化。即使你在回答中途离开页面，它们也能存活，因为生成在服务器端继续，重新连接时恢复。
“大脑”是 Workers AI，运行开放模型如 Kimi K2.7。我们不是押注单一模型，而是在三个不同模型系列之间运行有序的故障转移链。如果一个模型暂时满载，请求会透明地级联到下一个，因此任何单一提供商的故障都不会导致 Researcher 宕机。每次调用都通过 AI Gateway 进行日志记录、成本跟踪、缓存和安全护栏。
最有趣的部分是 Researcher 如何访问 Radar 的数据。我们不是为 Radar 的数百个端点手写工具，而是使用 Code Mode 将 agent 连接到统一的 Cloudflare MCP 服务器。模型只获得三个工具（搜索、执行和文档），并编写代码直接查询 Radar API。它搜索 OpenAPI 规范以找到正确的端点，然后执行一小段代码来获取实时数据。由于完整的 API 规范存在于 MCP 服务器上，Radar API 的任何内容都没有硬编码到提示中。随着 Radar 添加数据集，Researcher 无需代码更改即可使用它们。这对你也是可见的：每个答案都包含一个可展开的模型推理轨迹和它收集数据时进行的确切工具调用，因此你总能了解它是如何得出答案的。
从 Markdown 到真实的 Radar 图表
在此过程中有一个问题需要解决。语言模型以 Markdown 回答：文本、表格和项目符号。但我们不想要数字墙；我们想要与 Radar 其他地方相同的丰富交互式图表。更糟糕的是，当模型试图将数据直接写入答案时，它倾向于四舍五入、总结或截断，这正是数据工具不想要的。
我们的解决方案完全将数据排除在模型的叙述之外。当 Radar Researcher 获取数据时，其代码返回一个小信封，将 API 路径与结果配对。然后，模型不是粘贴数字，而是发出一个轻量级图表规范，仅引用相同的路径：Radar 的前端将图表的 dataFrom 与获取的结果匹配，并使用站点其他地方使用的完全相同可视化组件渲染它。图表始终忠实于 API，Radar Researcher 可以利用我们的整个可视化词汇：时间序列和堆叠面积图、环形图、条形图、地图、直方图等。
一些小细节
并非所有事情都需要大模型。小而快的模型处理辅助任务：一个为每个新对话写简短标题，另一个在每次回答下建议后续问题。两者都在后台运行，因此永远不会减慢你的实际回复速度。
Radar Researcher 还会获得一些关于当前环境的上下文。我们传递当前日期和时间，以及你在 Radar 的 IP 页面上看到的关于你连接的高层细节，例如你的 IP 位置和网络。这样，当你问“这里的流量怎么样？”时，它可以针对你的位置定制答案。
所有内容都通过 Radar 的前端（也是一个 Worker）通过服务绑定到达你，具有按 IP 限速和存储在 R2 中的可共享对话。从计算到推理再到网关、存储和数据，每一层都是 Cloudflare。
由 agent 驱动——并为 agent 做好准备
Radar Researcher 展示了我们如何使用 AI agent 帮助人们探索数据。但 agent 故事还有另一面：当 agent 不是我们的，而是运行在你浏览器中的通用助手，代表你行动时会发生什么？今天，想要使用网站的 agent 大多必须抓取页面并猜测其工作原理，这脆弱、缓慢且容易出错。WebMCP 是一个新兴的 web 标准，解决了这个问题：页面可以注册一组定义良好的工具，任何浏览器 agent 都可以发现并直接调用，而不是逆向工程 DOM（文档对象模型）。
我们已在 Radar 中添加了 WebMCP 支持，使用标准提供的两种风格：
- 命令式 API 允许我们用 JavaScript 注册工具，直接调用驱动 UI 的相同代码，因此 agent 可以直接驱动 Radar。按国家、地区、大陆或 ASN 过滤；更改日期范围；搜索页面、部分和实体（域名、ASN、IP 等）；跳转到任何部分。
- 声明式 API 通过用几个属性注释 Radar 现有的 HTML 表单将其转化为工具，因此 agent 可以使用 URL Scanner 扫描 URL、查找域名的报告，或测试网站的后量子 TLS 密钥交换支持。
每一个都只是驱动用户界面中已有的功能，而且是纯粹的渐进增强：在没有 WebMCP 的浏览器中，工具不存在，一切照旧。
这也是我们践行自己理念的一个案例。Radar 自己的 URL Scanner 评估一个网站的 agent 就绪程度，其中一项检查正是寻找这种 WebMCP 集成。通过自己实现它，Radar 现在通过了自身的 agent 就绪检查，更重要的是，成为一个人和 agent 都能轻松导航的网站。
试试看
Radar Researcher 今天在 Cloudflare Radar 上以测试版提供。在任何页面的页眉中查找 Researcher 按钮。它完全构建在 Cloudflare 的开发者平台上，而且才刚刚开始：我们将继续扩展它理解的数据集，加强其分析能力，并增加与数据交互的新方式。
像所有 Cloudflare 产品一样，Radar 是以用户为中心构建的。我们想知道什么是有用的。请在社交媒体上告诉我们你的想法：@CloudflareRadar (X)、noc.social/@cloudflareradar (Mastodon) 和 radar.cloudflare.com (Bluesky)，或发送电子邮件至 radar@cloudflare.com。告诉我们哪些有效、哪些无效、你发现的洞察、哪些仍感觉遥不可及，以及介于两者之间的一切。你的反馈将帮助我们改进，让 Radar Researcher 在正式发布时变得更好。我们迫不及待想看看你会用它做什么！