Cloudflare Radar Researcher 登場：用自然語言探索全球網路趨勢

底層運作機制

Radar Researcher 完全建立在 Cloudflare 自家的開發者平台上，堪稱是該公司技術棧（stack）的「dogfooding」（自行使用自家產品）展示。各部分運作方式如下：

• 會話管理：一個運行 Cloudflare Agents SDK 的 Cloudflare Worker 負責處理每一次對話。每個 session 都是一個具狀態的 Durable Object，內含自己的 SQLite 資料庫，能保存聊天歷史，即使使用者離開頁面也能串流回應 。
• AI 模型：核心推理由 Workers AI 驅動，執行 Kimi K2.7 等開放模型。該模型會將自然語言查詢轉譯成一連串數據調查：查詢相關的 Radar 資料集、產生互動式圖表（折線圖、地圖、直方圖等），並以白話文摘要說明結果 。
• 旁側任務：較小、較快的模型負責處理撰寫對話標題、建議後續問題等周邊任務，確保不會拖慢主要回應速度 。
• 情境感知：工具能取得當前日期時間，以及基本的連線資訊（IP 位置、網路），因此可以針對特定地點提供更精確的回答 。

所有資料皆透過 Radar 的 API 傳遞，確保底層的大型語言模型（LLM）仰賴的是真實、可驗證的數據，而非憑空生成推測性結果 。

更廣泛的背景：Agents Week 與 WebMCP

Radar Researcher 是在 Cloudflare 的 Agents Week 期間推出的，這是一場全公司性的活動，聚焦於在 Cloudflare 開發者平台上打造的 AI 代理 。這個工具完整運用了 Workers、Durable Objects、Workers AI、AI Gateway、R2 儲存與 Cloudflare 的資料層——這也展示了一般開發者用來建立自己 AI 代理的相同工具組合 。

同日，Cloudflare 也在 Radar 上啟用了 WebMCP 支援。WebMCP 是一種新興的網路標準，讓瀏覽器中的 AI 代理能直接發現並呼叫頁面上的工具，而不必解析 HTML 原始碼。這使得 Radar 具備了「代理就緒」的狀態（它現在已能通過自己的代理就緒檢查），也彰顯了 Cloudflare 推動讓其服務能同時被真人與自動化 AI 代理取用的策略 。

這對數據取用意味著什麼

Radar Researcher 大幅降低了取用全球最大公共網路測量資料庫之一的門檻。過去，要從 Cloudflare Radar 中挖掘洞察，必須學會操作複雜的視覺化圖表、理解 API 端點，或手動篩選資料集。而現在，一位正在報導區域網路中斷事件的記者，或是一位正在調查流量異常的網路營運商，只要提出問題，就能獲得附有圖表支援的答案 。

這項工具仍保留了底層圖表、資料集與查詢軌跡的存取權限，讓使用者仍可驗證結果並深入探究 。其結論仍然受限於 Cloudflare 網路及相關資料來源所能觀察到的範圍 。