Hạ tầng tìm kiếm hình ảnh cho AI Agent: Thị trường thực sự cung cấp gì

Mọi framework agent ra mắt năm nay đều có thể viết, lập kế hoạch, gọi công cụ và mở một pull request. Nhưng hãy thử yêu cầu nó tìm một bức ảnh, cả hệ thống sẽ tụt xuống mức chỉ biết nhún vai: một URL stock được bịa ra từ trí nhớ, một liên kết hỏng, hoặc một ảnh được tạo sinh vì tìm một ảnh thật khó hơn là tự tạo ra một ảnh. Mô hình không phải là mắt xích yếu. Lớp truy xuất ảnh bên dưới nó mới là mắt xích yếu — và nó thiếu theo một cách rất cụ thể, có thể đo lường được.

Đây là một nghiên cứu thị trường, không phải một tuyên ngôn. Mọi thứ dưới đây đều được đo lường hoặc đọc từ nguồn gốc vào ngày 18 tháng 8 2026: một cuộc kiểm tra toàn diện registry MCP chính thức, các điều khoản đã công bố của bốn API ảnh miễn phí lớn, điều kiện truy cập của hai đơn vị trả phí đã ra mắt connector agent trong tháng này, và một benchmark nhỏ có thể tái lập được, chạy lại trong một phút mà không cần API key.

Một ranh giới, để bạn có thể dừng đọc sớm nếu đây không phải câu hỏi của bạn: bài viết này nói về lớp truy cập — truy xuất, khả năng tiếp cận, điều khoản, hạn mức. Đây không phải quy trình xuất bản. Nếu điều bạn cần là làm sao biến một bản nháp thành các trang có minh họa, có ghi công, có markup — prompt định tuyến, các brief hình ảnh, khâu lắp ráp, markup ImageObject — thì điều đó được viết riêng trong quy trình minh họa các bài viết do AI tạo ra.

Điều gì thay đổi khi bên gọi là một cỗ máy

Một con người tìm ảnh gõ hai ba từ, lướt qua một lưới ảnh, và biết đâu là ảnh đẹp khi nhìn thấy nó. Mọi công cụ tìm kiếm stock từng được xây dựng đều giả định vòng lặp đó. Một agent phá vỡ cả ba giả định cùng lúc:

1. Nó viết câu văn, không phải từ khóa. Một mô hình vừa soạn xong một đoạn về giấy tờ vay thế chấp sẽ không tạo ra mortgage; nó tạo ra “một người phụ nữ ký giấy tờ vay thế chấp trên bàn bếp trong khi một nhân viên tư vấn ngân hàng giải thích các điều khoản”. Đó là đầu ra tự nhiên của một mô hình ngôn ngữ, và đó cũng chính là thứ mà một chỉ mục khớp token không thể phục vụ.
2. Nó không thể lướt qua một lưới ảnh. Bất cứ thứ gì công cụ trả về chính là những gì agent biết. Nếu phản hồi là một danh sách URL không có mô tả, kích thước hay thông tin ghi công, agent phải tải và xem xét từng ảnh — hoặc, phổ biến hơn nhiều, phải đoán.
3. Nó không có tay. Nó không thể tải ảnh chụp màn hình lên hàng đợi xét duyệt, chấp nhận điều khoản, xoay vòng key, hay chờ ba ngày làm việc để được phê duyệt production. Mỗi bước cần con người trong quy trình onboarding của một API là một bức tường mà agent dừng lại trước nó.

Vì vậy “hạ tầng tìm kiếm ảnh cho agent AI” không phải là một cụm từ tiếp thị. Đó là một danh sách kiểm tra: truy xuất bằng ngôn ngữ tự nhiên, kết quả đọc được bằng máy đủ phong phú để suy luận, và một mô hình xác thực cùng hạn mức mà một chương trình có thể tự hoàn tất.

Bài kiểm tra: một câu văn đối đầu với một chỉ mục từ khóa

Cách rẻ nhất để thấy vấn đề là gửi chính lời văn của một agent tới một công cụ khớp từ khóa. Bài kiểm tra dưới đây dùng Openverse, công cụ tìm kiếm media cấp phép mở do WordPress.org vận hành, vì API của nó công khai, không cần key, và bất cứ ai đọc bài này cũng có thể chạy lại trong chưa đầy một phút. Bốn brief, kiểu mà một mô hình viết khi đang minh họa cho chính đoạn văn nó vừa soạn:

import json, urllib.request, urllib.parse

BRIEFS = [
  "a woman signing a mortgage document at a kitchen table while a bank"
  " adviser explains the terms, warm morning light",
  "An elderly couple enjoying a peaceful retirement together",
  "a child discovering snow for the first time in a suburban garden",
  "a delivery cyclist waiting at a red light in heavy rain",
]

def count(q):
    u = "https://api.openverse.org/v1/images/?" + urllib.parse.urlencode({"q": q})
    r = urllib.request.Request(u, headers={"User-Agent": "benchmark/1.0"})
    return json.load(urllib.request.urlopen(r))["result_count"]

for b in BRIEFS:
    print(count(b), "|", b[:48])
# 0 | a woman signing a mortgage document at a kitchen
# 0 | An elderly couple enjoying a peaceful retirement
# 0 | a child discovering snow for the first time in a
# 0 | a delivery cyclist waiting at a red light in hea

Bốn brief, bốn tập kết quả trống. Giờ rút mỗi brief xuống còn hai từ khóa mà một con người sẽ gõ — signing document, elderly couple, child snow, cyclist rain — và mỗi truy vấn đều trả về trọn một trang ảnh (API báo cáo 240, đây là mức API giới hạn số đếm cho các lệnh gọi ẩn danh). Kho ảnh có sẵn những bức hình đó. Câu văn mới là thứ nó không thể phân tích được.

Vuốt bảng sang ngang để xem toàn bộ cột →

Cột Pexafy là bốn câu văn y nguyên đó, được gửi thẳng tới search_photos trên máy chủ MCP được lưu trữ, kèm độ trễ do chính máy chủ báo cáo. Đây là một so sánh về hình dạng truy vấn, không phải về chất lượng kho ảnh — và kho ảnh dứt khoát không phải là vấn đề. Endpoint thống kê riêng của Openverse báo cáo 915 triệu ảnh từ 52 nguồn vào ngày thử nghiệm, và nó rất xuất sắc trong đúng việc nó được xây dựng để làm: tìm kiếm theo từ khóa, cho con người. Không có gì bị hỏng ở đây cả. Nó chỉ đơn giản là chưa bao giờ được thiết kế cho một bên gọi tư duy bằng câu văn. Vì sao việc khớp thẻ (tag) lại thất bại trước một cảnh được mô tả — và truy xuất ngữ nghĩa làm gì thay thế — được lập luận từ góc nhìn người đọc trong tìm kiếm bằng một câu văn thay vì từ khóa; điều mới ở đây là phép đo lường, và ý nghĩa của nó khi bên gọi là một chương trình chứ không phải một con người.

“An elderly couple enjoying a peaceful retirement together” · 16 kết quả trong 135 ms · ba trong số đó

Hạng 1Pexels Pixabay Unsplash

Thị trường, tính đến ngày 18 tháng 8 năm 2026

Truy xuất chỉ là một nửa. Nửa còn lại là khả năng tiếp cận: liệu một agent có thể chạm tới kho ảnh hay không, và với những điều kiện nào? Kể từ khi Model Context Protocol trở thành cách các trợ lý gắn kết với các hệ thống bên ngoài — đặc tả hiện hành của nó, đề ngày 28 tháng 7 2026, đã chuyển giao thức sang một lõi request/response không trạng thái để các máy chủ có thể đứng sau các bộ cân bằng tải thông thường1 — cách trung thực để khảo sát thị trường này là nhìn vào những gì thực sự được công bố, chứ không phải những gì được tuyên bố.

Các đơn vị trả phí lâu năm đã tham gia trong tháng này

Getty Images ra mắt máy chủ MCP vào ngày 12 tháng 8 2026, sáu ngày trước bài viết này, mở khả năng tìm kiếm và tải xuống nội dung sáng tạo, tin tức và lưu trữ cho các quy trình AI.2 Nó nhắm tới các đội ngũ doanh nghiệp và người xây dựng nền tảng, và trang truy cập của chính họ nói rõ ràng về mức giá đầu vào: bạn cần một hợp đồng Getty Images đang hoạt động, chẳng hạn như Premium Access, cộng với việc chấp nhận điều khoản Web Service. Không có gói miễn phí. Shutterstock cũng có thể truy cập qua một máy chủ MCP — 24 công cụ bao gồm tìm kiếm, bộ sưu tập và cấp phép — với việc tải xuống bị khóa sau một tài khoản có gói đăng ký đang hoạt động.3

Cả hai động thái đều hợp lý, và cả hai đều nhắm tới một khách hàng cụ thể. Getty ghi nhận doanh thu 981,3 triệu USD năm 20254 trong một thị trường ảnh stock có quy mô khoảng 5,4 tỷ USD cho năm 20265; các connector yêu cầu hợp đồng bảo vệ doanh thu đó thay vì mở rộng nó. Nếu bạn là một ngân hàng hay một đài truyền hình, đây chính xác là những gì bạn muốn. Nếu bạn là một nhà phát triển đang nối dây cho một dự án phụ — hay một agent không được phép dừng lại và nhờ con người ký kết gì đó — đây là một cánh cửa đóng.

Các thư viện miễn phí chưa ra mắt được cái nào cả

Unsplash, Pexels và Pixabay là ba kho ảnh mà hầu hết các nhà phát triển tìm đến, và không có thư viện nào trong số đó công bố một máy chủ MCP chính thức. Thay vào đó là cả một kệ đầy các wrapper cộng đồng. Chúng tôi đã thu thập toàn bộ registry MCP chính thức — 22.607 máy chủ, 75.487 phiên bản đã công bố — và giữ lại mọi mục có tên hoặc mô tả liên quan tới tìm kiếm ảnh hoặc ảnh stock. Khuôn mẫu là đồng nhất:

Vuốt bảng sang ngang để xem toàn bộ cột →

import json, urllib.request, urllib.parse

def crawl(term):                      # registry phân trang bằng `nextCursor`
    out, cursor = {}, None
    while True:
        p = {"limit": "100", "search": term} | ({"cursor": cursor} if cursor else {})
        d = json.load(urllib.request.urlopen(
            "https://registry.modelcontextprotocol.io/v0/servers?" + urllib.parse.urlencode(p)))
        for e in d["servers"]: out[e["server"]["name"]] = e["server"]
        cursor = (d.get("metadata") or {}).get("nextCursor")
        if not cursor or not d["servers"]: return out

servers = {}
for t in ["photo", "image", "stock", "picture", "unsplash",
          "pexels", "pixabay", "getty", "shutterstock", "openverse"]:
    servers |= crawl(t)

# 137 máy chủ duy nhất · remote hay local nằm ở `server["remotes"]`
# các key bên thứ ba bắt buộc nằm trong packages[].environmentVariables

Mỗi wrapper đó chỉ là một client mỏng của cùng ba API từ khóa, nghĩa là benchmark ở trên áp dụng cho tất cả chúng: lớp vận chuyển thay đổi, nhưng khâu truy xuất thì không. Một wrapper không thể khiến một chỉ mục theo thẻ hiểu được một câu văn.

Điều khoản chặn đứng một cỗ máy không phải là hạn mức

Hạn mức và điều khoản của các thư viện miễn phí được so sánh cạnh nhau, trong một đơn vị chung, ở bài so sánh API ảnh stock miễn phí — hàng đợi xét duyệt, lệnh gọi tải xuống bắt buộc, nghĩa vụ cache 24 giờ, các quy tắc ghi công. Bài viết đó đọc chúng theo góc nhìn của một nhà phát triển đang chọn nhà cung cấp. Đọc lại chúng như là chương trình phải tuân theo, và một dòng nổi bật lên hoàn toàn không liên quan đến khối lượng:

Cách đọc tương tự áp dụng cho khâu onboarding. Một tầng dùng thử chỉ trở thành production sau khi một con người xét duyệt ảnh chụp màn hình ứng dụng của bạn không phải là một giới hạn tốc độ mà một agent có thể lùi lại; đó là một bước mà nó không thể thực hiện được chút nào. Pixabay nêu rõ ý định — API này dành cho việc sử dụng hợp pháp của con người, và việc tải xuống hàng loạt tự động bị cấm. Không điều nào trong số này là vô lý: các nhiếp ảnh gia tặng miễn phí tác phẩm của họ và có ai đó phải trả tiền băng thông. Nó chỉ đơn giản là mô tả một API mà bên gọi được giả định là có màn hình và một đôi tay.

Bốn yêu cầu, và ai đáp ứng được chúng

Ghép hai nửa lại với nhau, đặc tả cho một lớp truy xuất ảnh mà một agent có thể thực sự sử dụng hóa ra ngắn gọn và có thể kiểm chứng. Đây cố ý không phải là một bảng so sánh nhà cung cấp — quy mô kho ảnh, giá cả và điều khoản cấp phép được xếp cạnh nhau trong bài so sánh. Bốn điều dưới đây chỉ liên quan đến việc liệu một chương trình có thể chạm tới ảnh hay không:

1. Truy xuất ngữ nghĩa — một câu văn đầy đủ trả về một trang được xếp hạng, chứ không phải một tập rỗng.
2. Giấy phép miễn phí, nhiều nguồn — không cần cấp phép riêng cho từng ảnh, và không để gu thẩm mỹ của một thư viện duy nhất quyết định mọi trang bạn xuất bản.
3. Một máy chủ được lưu trữ với cơ chế đăng nhập riêng — từ xa, OAuth, không có tiến trình cục bộ cần cài đặt và không có API key bên thứ ba nào cần dán vào tệp cấu hình.
4. Một gói miễn phí mà một cỗ máy có thể tự hoàn tất — không cần xét duyệt ảnh chụp màn hình, không cần hợp đồng, một hạn mức hàng tháng và một giới hạn tốc độ theo phút mà một worker có thể tự điều tiết.

Vuốt bảng sang ngang để xem toàn bộ cột →

Chúng tôi xây dựng Pexafy, nên hãy đọc dòng cuối cùng đó với sự hoài nghi xứng đáng của nó — rồi hãy kiểm chứng: cuộc thu thập registry có thể tái lập trong một script, điều kiện truy cập của Getty và Shutterstock nằm ngay trên trang của chính họ, và hạn mức của ba API ảnh nằm trong tài liệu của riêng chúng, tất cả đều được liên kết ở cuối bài. Khẳng định này hẹp và có thể bị bác bỏ: vào ngày 18 tháng 8 2026 chúng tôi không thể tìm thấy dịch vụ thứ hai đáp ứng cả bốn điều kiện. Nếu bạn biết một dịch vụ như vậy, chúng tôi sẽ thêm nó vào bảng này — mục đích của việc viết ra các yêu cầu là để bất kỳ ai cũng có thể chạy chúng đối chiếu với bất kỳ sản phẩm nào, kể cả sản phẩm của chúng tôi.

Một máy chủ ảnh tốt làm gì qua MCP

Một connector không phải là một REST endpoint được khoác lớp áo mới. Hai cách sử dụng lớp này đã được viết ở nơi khác và không lặp lại ở đây — minh họa cho một bản nháp, trong bài viết về pipeline, và giữ cho một chuỗi bài dài nhất quán về mặt hình ảnh, trong bài viết về quy mô. Điều thuộc về hạ tầng là thứ mà cả hai đều phụ thuộc vào và không ai có thể bổ sung sau đó: ba quyết định phía máy chủ, được thực hiện một lần, cho mọi agent từng kết nối vào.

1. Trả về các đối tượng mà một agent có thể suy luận về chúng. Bất cứ thứ gì công cụ trả về chính là tất cả những gì mô hình biết — nó không thể lướt qua một lưới ảnh. Sự khác biệt giữa hai hình dạng dưới đây là sự khác biệt giữa một trợ lý biết suy luận về ảnh chụp và một trợ lý chỉ chuyển tiếp liên kết:

# Wrapper từ khóa điển hình: agent phải tải và xem, hoặc đoán
[{ "url": "https://…/photo-8795398.jpeg" }, { "url": "https://…/366611.jpg" }]

# Một kết quả, đúng như được trả về — rút gọn ở đây, không thêm gì
{
  "rank": 1,                       // handle mà con người dùng: "cái nào giống #1"
  "photo_id": "019e14d9-e821-…",   // thứ mà get_similar_photos nhận vào
  "width": 6424, "height": 4283, "orientation": "landscape",
  "color_hex": "#918872", "blur_hash": "LPI#Px?aDikCGwW?M{kD-VR*s.fl",
  "source": "Pexels", "license_type": "free",
  "alt_description": "Older couple sits together on wooden bench in a park",
  "attribution": { "plain": "Photo by Anastasia Shuraeva on Pexels", "html": "…" },
  "urls": { "thumb": "…", "small": "…", "regular": "…", "large": "…" }
}

Với hình dạng thứ hai, một agent có thể nói “#3 là ảnh dọc, nó sẽ phá vỡ vị trí hero của bạn”, loại bỏ một nhiếp ảnh gia trùng lặp, phát ra dòng ghi công, và trao cho template của bạn một cặp width/height giúp triệt tiêu hiện tượng dịch chuyển bố cục — mà không cần tải xuống dù chỉ một ảnh. Với hình dạng thứ nhất, mỗi quyết định trong số đó là một phỏng đoán hoặc một vòng lặp round trip.

2. Đánh số các kết quả, để một người có thể chỉ tới nó. Kết quả trả về được xếp hạng #1, #2, #3…, đó là cách bất kỳ ai cũng nhắc đến một bức ảnh trong hội thoại — “giống #3 hơn” — không cần chép tay bất kỳ định danh nào. Trong các client hỗ trợ MCP Apps, các hình thu nhỏ được hiển thị nội tuyến, và mở một ảnh sẽ hiện metadata vốn đã có sẵn trong kết quả công cụ, không tốn thêm lệnh gọi nào.

3. Chỉ đọc, và minh bạch về điều đó. Ba công cụ, không có phạm vi ghi, không thay đổi tài khoản. Một trong số đó không có tương đương nào trong công cụ từ khóa: search_photos_by_image nhận một ảnh tham chiếu — hero hiện có của khách hàng, một ảnh chụp màn hình được dán vào chat — cộng thêm một câu văn tùy chọn để uốn nắn kết quả (“giống thế này, nhưng vào ban đêm”). Không có trường dữ liệu nào trong một API khớp thẻ mà yêu cầu đó thậm chí có thể gõ vào được. Và một agent không thể thay đổi bất cứ điều gì là một agent mà kết quả tệ nhất của nó là một tập kết quả rỗng chứ không phải một phiếu hỗ trợ.

Hai bề mặt, và bạn nên chọn cái nào

Có đúng hai cách để vào, và lựa chọn nằm ở việc ai đang tham gia trong vòng lặp chứ không phải ở năng lực — công cụ và kho ảnh giống hệt nhau ở cả hai.

Connector, khi có một con người tham gia. Một URL duy nhất, https://mcp.pexafy.com/mcp, được thêm vào một lần trong phần cài đặt connector của trợ lý; việc đăng nhập diễn ra trong một cửa sổ trình duyệt và client nhận được thông tin xác thực riêng của nó, vì vậy không có key nào cần dán vào tệp cấu hình và không có key nào cần xoay vòng sau này. Các client chưa triển khai OAuth gửi một API key Pexafy dưới dạng bearer token đối với cùng endpoint đó — đây chính là điều giúp connector có thể dùng được từ một cron job trên máy chủ build, nơi không có ai để bấm “Cho phép”. Hướng dẫn nối dây từng bước cho Claude, ChatGPT và một tệp cấu hình cho cả đội ngũ nằm trong bài viết về pipeline; nó không thay đổi.

HTTP API, khi không có ai tham gia. Một tác vụ theo lô lấp đầy một pool cho 800 cụm chủ đề không nên giả vờ là một client chat: cùng tài khoản, cùng key, HTTP thuần, 100 kết quả mỗi lệnh gọi. Các quy tắc điều tiết đi kèm với nó — các tiêu đề giới hạn tốc độ, tại sao một 429 theo phút đáng để thử lại còn một 429 theo hạn mức tháng thì không, chi phí của một worker ở quy mô lớn — thuộc về bài viết về minh họa ở quy mô lớn, nơi worker đó được viết ra đầy đủ.

Điểm đáng giữ lại ở đây hẹp hơn, và đó chính là điểm mà nghiên cứu thị trường xoay quanh: cả hai bề mặt đều có thể được một chương trình tiếp cận ngay trong ngày nó được viết ra, không cần hàng đợi, không cần hợp đồng.

Những gì bài viết này không giải quyết

Một danh sách trung thực, vì mỗi điều dưới đây đã từng khiến ai đó phải rollback.

• Giấy phép vẫn chi phối bức ảnh. Ghi công không phải là yêu cầu bắt buộc theo điều khoản API của Pexafy và mọi kết quả đều đi kèm một chuỗi ghi công sẵn sàng để render — nhưng giấy phép gắn kèm bởi thư viện gốc vẫn áp dụng cho việc bạn sử dụng bức ảnh đó. Hãy tự động render dòng ghi công; điều đó rẻ hơn nhiều so với việc kiểm tra lại sau này.
• Các kho ảnh cấp phép miễn phí không phải là kho lưu trữ biên tập. Không có tin tức, không có thể thao, không có thương hiệu hay nhân vật công chúng có thể nhận diện theo yêu cầu. Nếu trang của bạn cần một bức ảnh về một sự kiện hay một người cụ thể, đó là lúc cần đến các đơn vị trả phí lâu năm, và connector của họ giờ đã tồn tại.
• Đây là truy xuất, và chỉ là truy xuất. Sơ đồ, biểu đồ và ảnh chụp màn hình được render từ code, không phải tìm kiếm; việc khử trùng lặp giữa các trang của bạn là một cột trong cơ sở dữ liệu, không phải một tham số trên endpoint; và không bức ảnh nào giúp một trang nội dung mỏng lên hạng — chính sách chống spam của Google đối xử với lạm dụng nội dung quy mô lớn như nhau, bất kể các trang có được minh họa hay không.6 Ba vấn đề đó là các vấn đề pipeline với các lời giải pipeline, được giải quyết trong bài viết về pipeline và bài viết về quy mô.

Bắt đầu từ đâu

1. Chạy lại benchmark. Hai mươi dòng, không cần key. Bất kể bạn đang dùng API ảnh nào hôm nay, hãy gửi cho nó ba brief nguyên văn của chính agent bạn và đếm số tập kết quả rỗng.
2. Gắn một connector vào trợ lý bạn đang dùng và yêu cầu nó, bằng một câu văn, tìm một bức ảnh bạn thực sự cần trong tuần này. Đó là toàn bộ phép đánh giá.
3. Chuyển các brief vào agent — mỗi vị trí một cảnh, được viết từ bản nháp, không bao giờ lấy từ tiêu đề.
4. Thêm cột photo_id trước khi bạn xuất bản bất cứ thứ gì ở quy mô lớn.
5. Chạy trên gói miễn phí — 5,000 lượt tìm kiếm mỗi tháng với 20 mỗi phút cho tới khi một cửa sổ build, chứ không phải một hóa đơn, buộc bạn phải nâng cấp.

Nguồn tham khảo & chú thích