Cloudflare Radar Researcher：用自然语言探索全球互联网流量数据

自 2020 年上线以来，Cloudflare Radar 提供了关于全球互联网流量的独到洞察。Radar 通过其全球网络发布的开放数据，被来自不同领域的专家广泛使用：人权倡导者、记者、学术研究人员、网络运营商，以及更多。

今天，在 Agents Week 期间，Radar 正式推出一个全新工具的 Beta 版本：Radar Researcher。

现在，如果你想用 Radar 的数据回答一个问题，只需用日常语言提问，即可获得答案并配有真实的交互式图表——全部基于 Cloudflare 的开发者平台构建。你不再需要找到正确的页面、选择正确的筛选条件，或者阅读 API 文档来编写查询。

为什么构建 Radar Researcher

过去六年，Radar 团队致力于将复杂数据集以清晰、易懂、可靠的方式可视化呈现。这并非没有挑战：我们的用户群体庞大且多元，从好奇的初学者到专业的网络技术专家。尽管如此，我们尽可能多地公开来自网络视角的互联网洞察：来自公共解析器 1.1.1.1 的 DNS 查询、来自全球网络的 HTTP 流量、由 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——这也是为什么你在 Radar 数据可视化中看到的所有内容，都可以通过我们的免费 API 获取。每一年，我们都让更多的互联网可见。

但随着 Radar 的演进，数据处理技术也在发展。AI 工具正在降低获取专业知识的门槛：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。领域专家变成了协作者，而非守门人。

Radar 一直想为那些不应该需要掌握整个目录及其词汇表才能充分理解我们洞察的用户提供更多服务。（参见我们最近的博文，了解互联网如何响应 2026 年 FIFA 世界杯。）

我们也深知许多用户时间紧迫。例如，一位正在报道最新互联网中断事件的记者，很可能没有时间在每个页面上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在寻找什么一样简单。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，并能以你向人类表述的相同格式快速回答你的问题。

它位于每个 Radar 页面上。从顶部打开 Radar Researcher 面板，它会停靠在你正在查看的内容旁边，这样你就可以在聊天的同时继续浏览。以下是一些使用示例：

用日常语言获取答案，并配有真实图表：提出一个问题，你会获得与 Radar 各处相同的交互式可视化内容，并附上简短解释。

选择深度：选择简洁、直接的答案，或更全面、多主题的报告。

持续分析：每个答案之后，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，你可以置顶并重新访问，也可以通过链接分享任何对话。（分享链接在 30 天后自动过期。）

审查推理过程：查看 LLM 如何解读你的问题、查询了哪些数据集，以及如何处理结果得出答案。

按你的方式提问：输入、使用语音输入，或直接从 Radar 的搜索栏启动。

将任意图表转化为对话

Researcher 不仅从空白提示开始。在 Radar 上你看到的任何图表位置，都有一个"用 AI 解释"操作，点击即可打开助手，并将该确切可视化内容一并带入。

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内容，并从那里开始对话。如下图所示，Radar Researcher 获取可视化内容作为上下文，然后分析数据并给出解释。

在底层，助手同时向模型传递三样东西：图表的截图（视觉能力模型直接读取图像）、来自 Radar API 的确切数据，以及你当前视图的参数，包括位置、日期范围和你应用的任何筛选条件。截图让 Radar Researcher 看到你所看到的。原始数据确保它引用的每个数字都是精确的，而非从像素估算得出，而筛选条件意味着解释是关于你的确切视图，而非图表的通用版本。

用例一：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。你可以直接问：

Radar Researcher 无需你手动调用 API、选择参数或在 Radar 页面中搜寻，它直接解读问题并为你完成工作。你可以在截图中跟随每个步骤：它读取你的提问，查询 Radar 的互联网质量 API，然后分析结果并用日常语言回答。它呈现的不是一堆数字，而是与你在 Radar 互联网质量部分看到的相同的交互式图表。

从这里你可以自然地追问，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。它甚至会自己建议有用的后续步骤，比如葡萄牙与西班牙的对比，或该国最常见的互联网中断情况。通过让你用日常语言找到你要找的东西，我们希望将 Radar 的数据应用到自己的分析中比以往任何时候都更容易。

用例二：调查互联网中断事件

Radar Researcher 也为技术专家而构建。如果我们了解一件事，那就是自动化对他们的工作流程至关重要。用手动操作查看相同的数据既繁琐又受限：你如何确保始终查看最相关的数据？

以一个真实事件为例。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 月流量才部分恢复。报道这样的新闻意味着要拉取多个视图，并在情况发展时不断刷新。要调查此事，你可以直接问 Radar Researcher：

这次问题较为开放，所以 Radar Researcher 执行了一个简短的调查。它查找 Cloudflare Radar 为伊朗记录的中断事件，收集匹配的流量数据，然后用日常语言解释时间线：伊朗的 HTTP 流量指数从 1 月 7 日的约 0.58 暴跌至 1 月 9 日的实质为零，大约在 1 月 17 日开始部分恢复，到 1 月 27 日恢复到接近关闭前的水平。它将此呈现为一张 HTTP 流量指数图表，中断窗口直接标注在曲线上，并附上一份记录的中断事件表，同时标注了 2 月 28 日开始的第二次关闭。

从这里它建议下一步调查方向，比如与邻国的流量对比。

Radar Researcher 完全基于 Cloudflare 自身的开发者平台构建。它展示了任何开发者都可以用来构建 AI Agent 的同类工具。

其核心是一个运行 Cloudflare Agents SDK 的 Cloudflare Worker。每次对话都是一个带有自身 SQLite 数据库的有状态 Durable Object，因此你的聊天历史、标题和流式响应都会持久化。它们甚至在你中途离开页面时也能保留，因为生成是在服务端继续的，重新连接后会恢复。"大脑"是 Workers AI，运行包括 Kimi K2.7 在内的开源模型。我们没有押注于单一模型，而是跨三个不同模型家族运行有序的回退链。如果某个模型暂时满载，请求会透明地级联到下一个，因此任何一个提供商的事故都不会导致 Researcher 宕机。每次调用都通过 AI Gateway 路由，用于日志记录、成本跟踪、缓存和安全护栏。

最有趣的部分是 Researcher 如何获取 Radar 的数据。我们没有为 Radar 数百个端点手工编写工具，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（search、execute 和 docs），然后编写代码直接查询 Radar API。它搜索 OpenAPI 规范来找到正确的端点，然后执行一小段代码来获取实时数据。因为完整的 API 规范存在于 MCP 服务器上，所以 Radar 的 API 没有被硬编码到提示词中。随着 Radar 添加数据集，Researcher 可以直接使用它们，无需任何代码更改。

这对你也是可见的：每个答案都包含一个可展开的推理追踪，展示模型的思考过程和它为收集数据而进行的精确工具调用，因此你始终可以看到它是如何得出答案的。

从 Markdown 到真实的 Radar 图表

一路走来有一个问题需要解决。语言模型用 Markdown 回复：文本、表格和要点。但我们不想要一堆数字；我们想要与 Radar 其他地方相同的丰富交互式图表。更糟的是，当模型试图将数据直接写入答案时，它往往会对数据进行四舍五入、总结或截断——这恰恰是数据工具最不需要的。

我们的解决方案是将数据完全排除在模型的文字之外。当 Radar Researcher 获取数据时，它的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的图表规范，简单地引用相同的路径：

```radar-chart
{ "type": "speedFlower", "title": "Internet speed quality — Portugal", "dataFrom": "/radar/quality/speed/summary?location=PT" }

Radar 的前端将图表的 dataFrom 与获取的结果进行匹配，并使用与站点其他部分相同的可视化组件进行渲染。图表始终忠实于 API，Radar Researcher 可以使用我们的全部视觉词汇：时间序列和堆叠面积图、环形图、条形图、地图、直方图等。

并非所有事情都需要大模型。小型快速模型处理辅助任务：一个为每个新对话写一个简短标题，另一个在每个答案下建议后续问题。两者都在后台运行，因此永远不会拖慢你的实际回复。

Radar Researcher 还会获得一些关于此时此地的上下文。我们向它传递当前日期和时间，加上与你连接相关的高级详情，这些内容你也可以在 Radar 的 IP 页面上找到，比如你的 IP 位置和网络。这样，当你问"这里的流量怎么样？"之类的问题时，它可以根据你所在的位置量身定制答案。

一切通过 Radar 的前端（也是一个 Worker）通过服务绑定到达你这里，并带有按 IP 的速率限制和可分享的对话存储在 R2 中。每一层——从计算到推理、从网关到存储再到数据——都是 Cloudflare。

## 由 Agent 驱动——也为 Agent 做好准备

Radar Researcher 展示了我们如何使用 AI Agent 帮助人们探索我们的数据。但 Agent 的故事还有另一面：当 Agent 不是我们的，而是一个在你的浏览器中运行的通用助手，代表你行事时，会发生什么？

今天，一个想要使用网站的 Agent 基本上不得不抓取页面并猜测它如何工作——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：页面可以注册一小组定义良好的工具，任何浏览器 Agent 都可以直接发现和调用它们，而无需反向工程 DOM（文档对象模型）。

我们已向 Radar 添加了 WebMCP 支持，使用了标准提供的两种方式：

命令式 API 让我们用 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。筛选到国家、地区、大洲或 ASN；更改日期范围；搜索页面、章节和实体（域名、ASN、IP 等）；跳转到任何章节。

声明式 API 通过添加几个属性将 Radar 现有的 HTML 表单转换为工具，因此 Agent 可以用 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。

这些工具每一个都只是驱动用户界面中已有的功能，而且是纯渐进式增强：在没有 WebMCP 的浏览器中，这些工具根本不存在，什么都不会改变。

这也是我们践行所言的案例。Radar 自身的 URL Scanner 评估一个站点的 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 现在能通过自身的 Agent 就绪性检查，而且更重要的是，它成了一个人类和 Agent 都能轻松导航的站点。

Radar Researcher 今日在 Cloudflare Radar 上以 Beta 版本提供。在任意页面的顶部找到 Researcher 按钮。它完全基于 Cloudflare 的开发者平台构建，而且这只是开始：我们将继续扩展它理解的数据集、加强它的分析能力，并添加与数据交互的新方式。

与所有 Cloudflare 产品一样，Radar 以用户为中心。我们想知道什么是有用的。请通过 @CloudflareRadar（X）、noc.social/@cloudflareradar（Mastodon）和 radar.cloudflare.com（Bluesky）告诉我们你的看法，或通过 radar@cloudflare.com 发送电子邮件。

告诉我们什么有效、什么无效、你发现的洞察、什么仍然遥不可及，以及两者之间的一切。你的反馈将帮助我们改进，并让 Radar Researcher 在正式发布时变得更好。期待看到你用它做什么！