Cloudflare 在 8 月 7 日的 Agents Week 期间发布了 Radar Researcher。它是一个 beta 工具，让你用自然语言查询 Cloudflare Radar 的全球互联网数据，然后返回真实的、可交互的图表。你不需要找对页面，也不需要读 API 文档写查询。
为什么要做这个
Cloudflare Radar 从 2020 年上线到现在，一直在发布从全球网络看到的互联网流量数据。用户群很广，从普通访客到网络专家都有。数据来源包括公共 DNS 解析器 1.1.1.1 的查询、全球网络的 HTTP 流量、Cloudflare Speed Test 收集的网络质量数据等等。这些数据全部通过免费 API 开放。
但数据多了之后，问题也来了。记者要写最新的网络中断报道，没时间翻遍每一页找合适的图。研究者想拿数据做分析，不一定熟悉 Cloudflare 的整套 API 词汇表。AI 工具正在降低专业门槛，你不需要掌握数据集的结构和术语就能拿到有用的答案。
Radar Researcher 就是这个思路的产物。
它能做什么
Radar Researcher 在 Radar 的每一页都能打开。你点开侧边栏，它会停靠在你正在看的内容旁边，你可以边聊天边浏览。
功能清单：
- 用自然语言提问，返回 Radar 上那种可交互图表，外加简短解释。
- 选择回答深度。可以要一句话的简洁答案，也可以要一份完整的多主题报告。
- 每次回答后，它会建议几个有用的后续问题。
- 对话历史可搜索、可固定、可分享。分享链接 30 天后自动过期。
- 你可以检查它的推理过程，看它调用了哪些数据集、查询了什么、怎么得出答案。
- 输入方式支持打字、语音，或者直接从 Radar 的搜索栏启动。
Radar 上任何一张图表旁边都有一个「Explain with AI」按钮。点了之后，Radar Researcher 会直接拿到这张图的截图、背后的原始数据和你当前的筛选条件（位置、日期范围、过滤器），然后开始解释。截图让它看到你看到的，原始数据保证引用的每个数字都精确，筛选条件让解释针对你的具体视图，而不是泛泛而谈。
两个用例
第一个例子是查网络质量。你问「葡萄牙的家庭网络质量怎么样？」，Radar Researcher 会读懂问题，调用 Radar 的 Internet Quality API，分析结果，然后用自然语言回答，外加渲染跟 Radar Internet Quality 页面一样的可交互图表。你接着可以问「跟西班牙比呢？」，它会再去取数据。它还会主动建议下一步，比如葡萄牙最常见的网络中断类型。
第二个例子是调查网络中断。2026 年初，伊朗经历了一系列政府指示的网络封锁，其中一次持续了将近三个月，直到 5 月流量才部分恢复。报道这种事件需要拉多个视图，随着情况发展不断刷新。你可以直接问 Radar Researcher：「2026 年初伊朗网络封锁期间发生了什么？」
它会运行一次短调查。它查 Cloudflare Radar 记录的伊朗中断事件，拉对应的流量数据，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 0.58 左右跌到 1 月 9 日几乎为零，1 月 17 日左右开始部分恢复，到 1 月 27 日回到接近封锁前的水平。它会画一张 HTTP 流量指数图，中断窗口直接标在折线上，外加一张记录的中断事件表，还会标出 2 月 28 日开始的第二次封锁。
技术实现
Radar Researcher 完全跑在 Cloudflare 自己的开发者平台上。核心是一个运行 Cloudflare Agents SDK 的 Worker。每个对话是一个有状态的 Durable Object，自带 SQLite 数据库，所以聊天历史、标题、流式响应都持久化。即使你在回答到一半时离开页面，生成也会在服务端继续，重连后恢复。
「大脑」是 Workers AI，跑的是 Kimi K2.7 这样的开源模型。它不赌单一模型，而是跑一条有序的故障转移链，横跨三个不同的模型家族。如果某个模型暂时满载，请求会透明地级联到下一个，所以任何单一提供商的事故都不会让 Researcher 下线。每次调用都经过 AI Gateway，用于日志、成本跟踪、缓存和安全护栏。
最有意思的部分是它怎么拿到 Radar 的数据。Cloudflare 没有为 Radar 的几百个端点逐个手写工具，而是把 agent 连到统一的 Cloudflare MCP 服务器，用的是 Code Mode。模型只拿到三个工具（search、execute、docs），然后写代码直接查 Radar API。它搜索 OpenAPI 规范找到对的端点，再执行一小段代码拉实时数据。因为完整的 API 规范在 MCP 服务器上，Radar 的 API 没有任何部分硬编码进提示词。Radar 加新数据集，Researcher 不用改代码就能用。
每个回答都包含一个可展开的跟踪，显示模型的推理过程和它调用的具体工具，你能看到它怎么得出答案。
从 Markdown 到真实图表
语言模型的回答是 Markdown：文本、表格、列表。但 Cloudflare 不想要数字墙，他们想要跟 Radar 上一样的丰富、可交互图表。更糟的是，当模型尝试直接把数据写进答案时，它倾向于四舍五入、总结或截断，这正是数据工具最不想要的。
他们的解法是把数据完全排除在模型的文字之外。Radar Researcher 拿到数据时，代码返回一个小信封，把 API 路径和结果配对。然后模型不贴数字，而是发出一个轻量级图表规范，只引用那个路径：
{
"type": "speedFlower",
"title": "Internet speed quality — Portugal",
"dataFrom": "/radar/quality/speed/summary?location=PT"
}Radar 的前端把图表的 dataFrom 匹配到拿到的结果，用跟站点其他地方一样的可视化组件渲染。图表永远忠实于 API，Radar Researcher 能用上他们全套可视化词汇：时间序列、堆叠面积图、甜甜圈图、柱状图、地图、直方图等等。
小细节
不是所有事情都需要大模型。小而快的模型处理边缘任务：一个给每个新对话写短标题，另一个在每个答案下面建议后续问题。它们都在旁边跑，从不拖慢你的实际回复。
Radar Researcher 还拿到一点关于此时此地的上下文。Cloudflare 传给它当前日期和时间，外加你在 Radar IP 页面能看到的那些关于你连接的高层细节，比如你的 IP 位置和网络。这样当你问「这里的流量怎么样？」，它能根据你所在位置定制答案。
所有东西通过 Radar 的前端（也是一个 Worker）经过 service binding 到达你，有按 IP 的速率限制，可分享的对话存在 R2 里。从计算到推理到网关到存储到数据，每一层都是 Cloudflare。
为 agent 准备的 Radar
Radar Researcher 展示了 Cloudflare 如何用 AI agent 帮人们探索数据。但故事还有另一面：当 agent 不是他们的，而是一个运行在你浏览器里、代表你行事的通用助手时会怎样？
今天，一个想用某个网站的 agent 大多只能抓页面然后猜它怎么工作，这既脆弱又慢还容易出错。WebMCP 是一个正在形成的 Web 标准，修复了这个问题：页面可以注册一小套定义良好的工具，任何浏览器 agent 都能发现并直接调用，而不是逆向工程 DOM。
Cloudflare 给 Radar 加了 WebMCP 支持，用了标准提供的两种方式：
- imperative API 让他们用 JavaScript 注册工具，这些工具直接调用驱动 UI 的同一段代码，所以 agent 能直接开 Radar。筛选到国家、地区、大陆或 ASN；改日期范围；搜索页面、章节、实体（域名、ASN、IP 等）；跳到任何章节。
- declarative API 把 Radar 现有的 HTML 表单变成工具，方法是给它们加几个属性，所以 agent 能用 URL Scanner 扫一个 URL，查一个域名的报告，或者测一个网站的后量子 TLS 密钥交换支持。
每一个都只是在驱动用户界面里已经有的功能，而且是纯粹的渐进增强：在没有 WebMCP 的浏览器里，这些工具就不在那里，什么都不会改变。
这也是言行一致的案例。Radar 自己的 URL Scanner 评估一个站点的 agent-ready 程度，其中一项检查就是找这种 WebMCP 集成。通过自己实现它，Radar 现在通过了自己的 agent-readiness 检查，更重要的是，成为了一个人和 agent 都能轻松导航的站点。
现在可以试用
Radar Researcher 今天以 beta 形式在 Cloudflare Radar 上线。任何页面的头部都能找到 Researcher 按钮。它完全基于 Cloudflare 的开发者平台构建，才刚开始：Cloudflare 会持续扩展它理解的数据集，磨尖它的分析，加新的数据交互方式。
Cloudflare 想知道什么有用。他们在社交媒体上收反馈：@CloudflareRadar（X）、noc.social/@cloudflareradar（Mastodon）、radar.cloudflare.com（Bluesky），或者邮件 radar@cloudflare.com。