OpenClaw 中 web_search + web_fetch 最佳实践速查表-171主机测评

OpenClaw 中 web_search + web_fetch 最佳实践速查表

摘要：本文帮助读者明确 OpenClaw 网络搜索工具和不同搜索技能的的职责边界，理解“先搜索、再抓取、后总结”的最佳实践，并能更稳定地在 OpenClaw 中使用 tavily-search 与 web_fetch 完成网络信息搜索任务。主要内容包括：解决 OpenClaw 中 web_search、tavily-search、web_fetch、原生 provider 与扩展 skill 容易混淆的问题、网络搜索能力分层说明、OpenClaw 原生搜索 provider 与 Tavily/Firecrawl 扩展 skill 的区别、标准工作流、提示词模板、命令行验证、常见误区与排障方法。

导读：如果你还没有为 OpenClaw 安装 Tavily-Search 、Agent-Reach 或平替的搜索技能，先阅读以下文章：

Tavily-Search 安装（TODO）
Agent Reach 安装与 OpenClaw 网络搜索能力扩展指南

一、核心结论
二、OpenClaw 2026.3.13 的搜索能力层次
三、从使用者视角理解整体结构
四、一句话理解关系
五、web_search、原生 provider、扩展 skill、web_fetch 的关系
六、推荐的理解模型
七、最推荐的使用分工
八、标准工作流
九、什么时候优先用 tavily-search
十、什么时候优先用 web_fetch
十一、OpenClaw 中推荐的标准流程
十二、最常用的对话提示词模板
十三、命令行直测速查
十四、在对话中怎么更稳定触发正确流程
十五、常见误区
十六、推荐默认策略
十七、排障速查
十八、术语表
十九、一句话总结

一、核心结论

在 OpenClaw 里，最容易混淆的几个概念是：

web_search
tavily-search
web_fetch
原生搜索 provider
扩展 skill

最准确、最实用的理解方式是：

**web_search**：统一的网页搜索能力接口/抽象能力
**web_fetch**：统一的网页读取/抓取能力接口
原生 provider：OpenClaw 直接支持配置的搜索后端
扩展 skill：用户手动安装后接入的额外搜索/抓取能力
**tavily-search**：属于扩展 skill，不是 OpenClaw 2026.3.13 当前配置向导里的原生 provider

一句话记忆：

搜索负责找，抓取负责读；原生 provider 是 OpenClaw 自带接线，Tavily / Firecrawl 是后装扩展能力。

二、OpenClaw 2026.3.13 的搜索能力层次

1）原生可配置的 web search provider

在 OpenClaw 2026.3.13 版本中，配置向导当前原生支持以下搜索 provider：

Brave Search # 需要 API Key，有免费额度，但需要绑定信用卡
Gemini (Google Search) # 需要 API Key，依赖 Google 服务，国内需代理
Grok (xAI) # 需要 API Key，国内访问限制多，文档较少
Kimi (Moonshot) # 需要 API Key，中文理解优秀，国际内容覆盖可能较弱
Perplexity Search # 需要 API Key，国内需代理

OpenClaw 配置导向提示如下：

◆ Choose web search provider
│ ● Brave Search (Structured results · country/language/time filters)
│ ○ Gemini (Google Search)
│ ○ Grok (xAI)
│ ○ Kimi (Moonshot)
│ ○ Perplexity Search

这些属于：

OpenClaw 原生支持
用户可在配置时直接选择
是 web_search 能力的默认后端候选

2）需要用户自行安装和配置的 skill

以下能力不是当前版本配置向导里原生可选的 web_search provider，而是需要用户自行安装：

Firecrawl
Tavily

它们属于：

扩展 skill
需要手动安装
需要单独配置 API key 或依赖
安装后可以补充搜索、抓取或 AI 优化检索能力

所以：

Brave / Gemini / Grok / Kimi / Perplexity 是原生 provider； Firecrawl / Tavily 是额外安装的扩展 skill。

三、从使用者视角理解整体结构

#mermaid-svg-9mXiLLxBlQMMD4rN{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-9mXiLLxBlQMMD4rN .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-9mXiLLxBlQMMD4rN .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-9mXiLLxBlQMMD4rN .error-icon{fill:#552222;}#mermaid-svg-9mXiLLxBlQMMD4rN .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-9mXiLLxBlQMMD4rN .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-9mXiLLxBlQMMD4rN .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-9mXiLLxBlQMMD4rN .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-9mXiLLxBlQMMD4rN .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-9mXiLLxBlQMMD4rN .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-9mXiLLxBlQMMD4rN .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-9mXiLLxBlQMMD4rN .marker{fill:#333333;stroke:#333333;}#mermaid-svg-9mXiLLxBlQMMD4rN .marker.cross{stroke:#333333;}#mermaid-svg-9mXiLLxBlQMMD4rN svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-9mXiLLxBlQMMD4rN p{margin:0;}#mermaid-svg-9mXiLLxBlQMMD4rN .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-9mXiLLxBlQMMD4rN .cluster-label text{fill:#333;}#mermaid-svg-9mXiLLxBlQMMD4rN .cluster-label span{color:#333;}#mermaid-svg-9mXiLLxBlQMMD4rN .cluster-label span p{background-color:transparent;}#mermaid-svg-9mXiLLxBlQMMD4rN .label text,#mermaid-svg-9mXiLLxBlQMMD4rN span{fill:#333;color:#333;}#mermaid-svg-9mXiLLxBlQMMD4rN .node rect,#mermaid-svg-9mXiLLxBlQMMD4rN .node circle,#mermaid-svg-9mXiLLxBlQMMD4rN .node ellipse,#mermaid-svg-9mXiLLxBlQMMD4rN .node polygon,#mermaid-svg-9mXiLLxBlQMMD4rN .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-9mXiLLxBlQMMD4rN .rough-node .label text,#mermaid-svg-9mXiLLxBlQMMD4rN .node .label text,#mermaid-svg-9mXiLLxBlQMMD4rN .image-shape .label,#mermaid-svg-9mXiLLxBlQMMD4rN .icon-shape .label{text-anchor:middle;}#mermaid-svg-9mXiLLxBlQMMD4rN .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-9mXiLLxBlQMMD4rN .rough-node .label,#mermaid-svg-9mXiLLxBlQMMD4rN .node .label,#mermaid-svg-9mXiLLxBlQMMD4rN .image-shape .label,#mermaid-svg-9mXiLLxBlQMMD4rN .icon-shape .label{text-align:center;}#mermaid-svg-9mXiLLxBlQMMD4rN .node.clickable{cursor:pointer;}#mermaid-svg-9mXiLLxBlQMMD4rN .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-9mXiLLxBlQMMD4rN .arrowheadPath{fill:#333333;}#mermaid-svg-9mXiLLxBlQMMD4rN .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-9mXiLLxBlQMMD4rN .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-9mXiLLxBlQMMD4rN .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-9mXiLLxBlQMMD4rN .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-9mXiLLxBlQMMD4rN .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-9mXiLLxBlQMMD4rN .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-9mXiLLxBlQMMD4rN .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-9mXiLLxBlQMMD4rN .cluster text{fill:#333;}#mermaid-svg-9mXiLLxBlQMMD4rN .cluster span{color:#333;}#mermaid-svg-9mXiLLxBlQMMD4rN div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-9mXiLLxBlQMMD4rN .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-9mXiLLxBlQMMD4rN rect.text{fill:none;stroke-width:0;}#mermaid-svg-9mXiLLxBlQMMD4rN .icon-shape,#mermaid-svg-9mXiLLxBlQMMD4rN .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-9mXiLLxBlQMMD4rN .icon-shape p,#mermaid-svg-9mXiLLxBlQMMD4rN .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-9mXiLLxBlQMMD4rN .icon-shape rect,#mermaid-svg-9mXiLLxBlQMMD4rN .image-shape rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-9mXiLLxBlQMMD4rN .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-9mXiLLxBlQMMD4rN .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-9mXiLLxBlQMMD4rN :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

OpenClaw 的统一能力接口

能力来源

原生 providerBrave / Gemini / Grok / Kimi / Perplexity

扩展 skillTavily / Firecrawl

🔎 web_search搜索关键词 / 找来源 / 找链接

📄 web_fetch打开页面 / 抓取正文 / 读取细节

四、一句话理解关系

web_search 和 web_fetch 是 OpenClaw / agent 提供给你的统一能力接口，像“遥控器”； Brave、Gemini、Grok、Kimi、Perplexity 是 OpenClaw 原生支持的搜索 provider，像内置频道”； Tavily、Firecrawl 是用户后装的扩展 skill，像“额外加装的频道模块”；你配置了哪个 provider 或安装了哪个 skill，agent 就更可能通过对应能力去完成搜索或抓取。

五、web_search、原生 provider、扩展 skill、web_fetch 的关系

1）web_search 是能力层

web_search 说的是“网页搜索”这件事本身，不一定绑定某一个具体产品名。

它可以由以下两类来源来实现：

原生 provider
扩展 skill

2）原生 provider 是 OpenClaw 内建支持的后端

在 OpenClaw 2026.3.13 中，以下属于原生 provider：

Brave Search
Gemini
Grok
Kimi
Perplexity Search

这些更接近：

安装时可直接选
配置体验更原生
默认就是 OpenClaw 官方接入的搜索后端

3）Tavily / Firecrawl 属于扩展 skill

它们不是当前版本配置向导里直接列出的原生 provider，而是：

用户单独安装
手动配置
作为扩展能力接入 OpenClaw

所以：

tavily-search 不是当前版本原生 web_search provider 列表的一员
但它依然可以提供高质量网页搜索能力
在实际使用中，它可以充当 web_search 的一种补充实现

4）web_fetch 是网页读取能力

web_fetch 的职责通常是：

打开具体 URL
读取页面内容
抓取正文
提取细节

所以它不负责“找页面”，而负责“读页面”。

六、推荐的理解模型

模型 1：能力层

web_search：找来源
web_fetch：读来源

模型 2：实现层

原生 provider：Brave / Gemini / Grok / Kimi / Perplexity
扩展 skill：Tavily / Firecrawl

模型 3：具体环境中的最佳实践

假定当前额外安装了：

tavily-search
agent-reach

而 web_fetch 是当前 agent 已可用的 tool。

所以你当前更适合的工作流是：

先用 tavily-search 搜索

再用 web_fetch 阅读

必要时用 agent-reach 协调多步任务

如何安装 tavily-search：（TODO：有空补上安装实践记录）如何安装 agent-reach` ：Agent Reach 安装与 OpenClaw 网络搜索能力扩展指南

七、最推荐的使用分工

tavily-search 负责什么

适合：

找最新资料
找新闻
找论文入口
找官方文档入口
找多个候选来源
为后续精读做召回

web_fetch 负责什么

适合：

已经有 URL
已经知道要读哪个页面
读取正文
抓取细节
提取发布日期、作者、版本号、参数说明
核对页面中是否真的写了某句话

agent-reach 负责什么

适合：

协调多步任务
提高外部能力被调用的概率
强化“先搜索、再阅读、再总结”的工作流
降低模型直接凭已有知识回答的概率

八、标准工作流

工作流 A：你没有 URL

用 tavily-search 搜索

获取候选来源

选择最相关来源

用 web_fetch 读取

工作流 B：你已有 URL

直接用 web_fetch 读取

工作流 C：复杂多步任务

用 agent-reach 协调任务

先搜索

再阅读

最后总结

九、什么时候优先用 tavily-search

适合：

你还没有具体网址
你要查“最新”“最近”“本周”“本月”
你需要候选来源列表
你要找新闻、论文、公告、文档入口
你不确定先读哪个页面

典型任务：

最近一周 AI 新闻
某个框架最近更新了什么
某个 API 的官方文档入口
某个研究方向最近有哪些论文

十、什么时候优先用 web_fetch

适合：

你已经有 URL
你只想读某个页面
你需要正文
你需要页面细节
你要提取参数、版本号、发布日期等信息

典型任务：

阅读官方文档页面
总结新闻正文
提取博客文章要点
查看 release note 里的变更项

十一、OpenClaw 中推荐的标准流程

#mermaid-svg-HC0bOU2UdQWPQcqL{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-HC0bOU2UdQWPQcqL .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-HC0bOU2UdQWPQcqL .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-HC0bOU2UdQWPQcqL .error-icon{fill:#552222;}#mermaid-svg-HC0bOU2UdQWPQcqL .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-HC0bOU2UdQWPQcqL .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-HC0bOU2UdQWPQcqL .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-HC0bOU2UdQWPQcqL .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-HC0bOU2UdQWPQcqL .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-HC0bOU2UdQWPQcqL .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-HC0bOU2UdQWPQcqL .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-HC0bOU2UdQWPQcqL .marker{fill:#333333;stroke:#333333;}#mermaid-svg-HC0bOU2UdQWPQcqL .marker.cross{stroke:#333333;}#mermaid-svg-HC0bOU2UdQWPQcqL svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-HC0bOU2UdQWPQcqL p{margin:0;}#mermaid-svg-HC0bOU2UdQWPQcqL .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-HC0bOU2UdQWPQcqL .cluster-label text{fill:#333;}#mermaid-svg-HC0bOU2UdQWPQcqL .cluster-label span{color:#333;}#mermaid-svg-HC0bOU2UdQWPQcqL .cluster-label span p{background-color:transparent;}#mermaid-svg-HC0bOU2UdQWPQcqL .label text,#mermaid-svg-HC0bOU2UdQWPQcqL span{fill:#333;color:#333;}#mermaid-svg-HC0bOU2UdQWPQcqL .node rect,#mermaid-svg-HC0bOU2UdQWPQcqL .node circle,#mermaid-svg-HC0bOU2UdQWPQcqL .node ellipse,#mermaid-svg-HC0bOU2UdQWPQcqL .node polygon,#mermaid-svg-HC0bOU2UdQWPQcqL .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-HC0bOU2UdQWPQcqL .rough-node .label text,#mermaid-svg-HC0bOU2UdQWPQcqL .node .label text,#mermaid-svg-HC0bOU2UdQWPQcqL .image-shape .label,#mermaid-svg-HC0bOU2UdQWPQcqL .icon-shape .label{text-anchor:middle;}#mermaid-svg-HC0bOU2UdQWPQcqL .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-HC0bOU2UdQWPQcqL .rough-node .label,#mermaid-svg-HC0bOU2UdQWPQcqL .node .label,#mermaid-svg-HC0bOU2UdQWPQcqL .image-shape .label,#mermaid-svg-HC0bOU2UdQWPQcqL .icon-shape .label{text-align:center;}#mermaid-svg-HC0bOU2UdQWPQcqL .node.clickable{cursor:pointer;}#mermaid-svg-HC0bOU2UdQWPQcqL .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-HC0bOU2UdQWPQcqL .arrowheadPath{fill:#333333;}#mermaid-svg-HC0bOU2UdQWPQcqL .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-HC0bOU2UdQWPQcqL .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-HC0bOU2UdQWPQcqL .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-HC0bOU2UdQWPQcqL .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-HC0bOU2UdQWPQcqL .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-HC0bOU2UdQWPQcqL .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-HC0bOU2UdQWPQcqL .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-HC0bOU2UdQWPQcqL .cluster text{fill:#333;}#mermaid-svg-HC0bOU2UdQWPQcqL .cluster span{color:#333;}#mermaid-svg-HC0bOU2UdQWPQcqL div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-HC0bOU2UdQWPQcqL .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-HC0bOU2UdQWPQcqL rect.text{fill:none;stroke-width:0;}#mermaid-svg-HC0bOU2UdQWPQcqL .icon-shape,#mermaid-svg-HC0bOU2UdQWPQcqL .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-HC0bOU2UdQWPQcqL .icon-shape p,#mermaid-svg-HC0bOU2UdQWPQcqL .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-HC0bOU2UdQWPQcqL .icon-shape rect,#mermaid-svg-HC0bOU2UdQWPQcqL .image-shape rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-HC0bOU2UdQWPQcqL .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-HC0bOU2UdQWPQcqL .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-HC0bOU2UdQWPQcqL :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

有

没有

用户问题

是否已有明确 URL？

直接用 web_fetch

先用 web_search 能力搜索

在你当前环境里可由原生 provider 或 tavily-search 实现

得到候选来源 / 链接

再用 web_fetch 读取

十二、最常用的对话提示词模板

1）搜索后再读取

先使用 tavily-search 搜索这个主题，列出 5 个最相关来源；再使用 web_fetch 打开最相关的 1 个页面并总结。主题：multimodal RAG 最新论文

2）只搜索，不精读

使用 tavily-search 搜索：最近一周关于 OpenAI 模型发布的新闻，只给我来源列表和一句话摘要。

3）官方来源优先

使用 tavily-search 搜索 Kubernetes Ingress 官方文档，优先官方来源；再用 web_fetch 打开最相关页面并总结。

4）搜索新闻

先用 tavily-search 搜索最近一周 AI agent 相关新闻，再给我按时间排序的摘要。

5）搜索论文

先使用 tavily-search 搜索 multimodal RAG 相关论文，优先 arXiv 和官方论文页面，再使用 web_fetch 阅读最相关页面并总结。

6）多步任务协同

这是一个多步任务。请通过 agent-reach 协调当前可用能力，不要直接凭已有知识回答。先使用 tavily-search 搜索高质量来源，再使用 web_fetch 阅读最相关页面，最后给出带来源的结论。主题：最近一个月关于 AI agent memory 的研究进展。

十三、命令行直测速查

下面这些命令用于直接测试 tavily-search skill 本体。

基础搜索

# 作用：执行最基础的一次 Tavily 搜索。
# 语法：node <脚本路径> "<查询词>"
# 规则：
# – 查询词建议放在双引号中
# – 适合快速验证插件和 API key 是否生效
node ~/.openclaw/skills/liang-tavily-search/scripts/search.mjs "python async patterns"

指定结果数量

# 作用：控制返回结果数。
# 语法：node <脚本路径> "<查询词>" -n <数量>
# 规则：
# – 常见范围 1 到 20
# – 数量越多，召回越广，但噪声可能增加
node ~/.openclaw/skills/liang-tavily-search/scripts/search.mjs "React hooks tutorial" -n 10

指定搜索深度

# 作用：调整搜索深度，在速度和相关性之间取平衡。
# 语法：node <脚本路径> "<查询词>" –depth <模式>
# 规则：
# – 可选值：ultra-fast、fast、basic、advanced
# – basic 最通用
# – advanced 适合研究型任务
node ~/.openclaw/skills/liang-tavily-search/scripts/search.mjs "machine learning evaluation benchmarks" –depth advanced

搜索新闻

# 作用：把搜索主题切换为新闻类。
# 语法：node <脚本路径> "<查询词>" –topic news
# 规则：
# – 适合最新事件、产品发布、政策变化
# – 如果不是新闻类查询，建议用默认 general
node ~/.openclaw/skills/liang-tavily-search/scripts/search.mjs "AI regulation Europe" –topic news

限定时间范围

# 作用：限制搜索结果的时间范围。
# 语法：node <脚本路径> "<查询词>" –time-range <范围>
# 规则：
# – 可选值：day、week、month、year
# – 适合“最近一周”“最近一个月”这类查询
node ~/.openclaw/skills/liang-tavily-search/scripts/search.mjs "OpenAI API updates" –topic news –time-range week

限定域名

# 作用：只保留指定域名结果。
# 语法：node <脚本路径> "<查询词>" –include-domains <域名列表>
# 规则：
# – 多个域名通常用逗号分隔
# – 适合官方文档、论文站点、可信来源筛选
node ~/.openclaw/skills/liang-tavily-search/scripts/search.mjs "Python asyncio gather" –include-domains docs.python.org

排除域名

# 作用：排除某些不想要的域名。
# 语法：node <脚本路径> "<查询词>" –exclude-domains <域名列表>
# 规则：
# – 多个域名通常用逗号分隔
# – 适合过滤低质量或无关站点
node ~/.openclaw/skills/liang-tavily-search/scripts/search.mjs "LLM benchmarks" –exclude-domains pinterest.com,reddit.com

输出 JSON

# 作用：输出原始 JSON，方便调试和脚本二次处理。
# 语法：node <脚本路径> "<查询词>" –json
# 规则：
# – 适合程序消费
# – 不适合纯人工阅读
node ~/.openclaw/skills/liang-tavily-search/scripts/search.mjs "vector database comparison" –json

返回更完整内容

# 作用：尝试返回更完整的页面内容，而不只是摘要片段。
# 语法：node <脚本路径> "<查询词>" –raw-content
# 规则：
# – 输出会更长
# – 更适合研究和离线分析
node ~/.openclaw/skills/liang-tavily-search/scripts/search.mjs "multimodal RAG survey" –raw-content

多参数组合

# 作用：组合数量、主题、时间范围、域名过滤等参数。
# 语法：
# node <脚本路径> "<查询词>" -n <数量> –topic <主题> –time-range <范围> –include-domains <域名列表>
# 规则：
# – 参数越明确，结果通常越稳定
# – 适合研究型和高价值查询
node ~/.openclaw/skills/liang-tavily-search/scripts/search.mjs "multimodal RAG papers" -n 8 –topic general –time-range year –include-domains arxiv.org,acm.org

十四、在对话中怎么更稳定触发正确流程

推荐写法 1：明确步骤

先使用 tavily-search 搜索高质量来源，再使用 web_fetch 阅读最相关页面，最后总结。

推荐写法 2：强调不要直接回答

不要直接凭已有知识回答。先使用 tavily-search 搜索，再使用 web_fetch 阅读来源，然后给出结论。

推荐写法 3：强调这是最新信息

这是一个需要最新信息的问题。请先使用 tavily-search 搜索最近一周相关资料，再使用 web_fetch 阅读最相关页面。

推荐写法 4：强调官方来源

先使用 tavily-search 搜索，优先官方来源；再使用 web_fetch 打开最相关页面并提取关键信息。

推荐写法 5：加入 agent-reach 强化多步协同

请通过 agent-reach 协调当前可用能力，不要直接回答。先使用 tavily-search 搜索高质量来源，再使用 web_fetch 阅读关键页面，最后输出带来源的总结。

十五、常见误区

误区 1：把 web_search 当成固定插件名

web_search 往往是“网页搜索能力”的泛称，不一定是某个具体 skill 名。

误区 2：把原生 provider 和扩展 skill 混为一谈

Brave / Gemini / Grok / Kimi / Perplexity 是 OpenClaw 原生 provider
Tavily / Firecrawl 是用户自行安装的扩展 skill

误区 3：把 web_fetch 当成搜索工具

web_fetch 一般负责“打开页面”，不是“找页面”。

误区 4：以为装了 tavily-search 就不需要 web_fetch

tavily-search 更适合召回来源，web_fetch 更适合精读页面。两者配合效果最好。

误区 5：以为 provider、skill、tool 是同一层

provider：底层服务来源
skill：扩展能力封装方式
tool / interface：agent 暴露给你的能力入口

误区 6：以为 agent-reach 是搜索工具

agent-reach 更适合作为多步任务协调层，而不是单独的搜索引擎替代品。

十六、推荐默认策略

如果没有 URL

先用 tavily-search

如果有 URL

直接用 web_fetch

如果问题涉及最新信息

先用 tavily-search，必要时限定时间范围

如果需要精读

先 tavily-search，后 web_fetch

如果需要官方来源

先用 tavily-search 找官方页面，再用 web_fetch 读

如果任务是多步研究

加入 agent-reach 协调“搜索 → 阅读 → 总结”

十七、排障速查

情况 1：脚本报 TAVILY_API_KEY not set

说明当前 shell 没拿到环境变量。

# 作用：检查当前 shell 是否已经有 TAVILY_API_KEY。
# 语法：echo "$TAVILY_API_KEY"
# 规则：
# – 有输出表示变量已生效
# – 空输出表示变量未生效
echo "$TAVILY_API_KEY"

情况 2：tavily-search 已安装，但对话里没触发

通常不是安装失败，而是提示词不够明确。

建议直接这样写：

不要直接回答。先使用 tavily-search 搜索，再使用 web_fetch 阅读来源，最后给出结论。

情况 3：旧会话行为异常

新开一个会话再试，避免旧上下文干扰工具选择。

情况 4：想确认 skill 本体是否可用

# 作用：绕过会话层，直接测试 tavily-search skill 脚本本体。
# 语法：node <脚本路径> "<查询词>"
# 规则：
# – 这是最稳的插件可用性验证方法
node ~/.openclaw/skills/liang-tavily-search/scripts/search.mjs "latest papers on multimodal RAG"

情况 5：复杂任务总是只用一个工具

尝试在提示词中显式加入：

这是一个多步任务。请通过 agent-reach 协调当前可用能力，先搜索，再阅读，最后总结。

十八、术语表

web_search

网页搜索能力的抽象接口，重点是“找来源”。

web_fetch

网页读取能力接口，重点是“读页面”。

provider

底层搜索/能力提供方，例如：

Brave
Gemini
Grok
Kimi
Perplexity

skill

额外安装的扩展能力封装，例如：

Tavily
Firecrawl
agent-reach

tavily-search

基于 Tavily 的扩展搜索 skill，可用于补充或增强 web_search 能力。

agent-reach

用于协调多步任务、强化外部能力调用的 skill，不是传统搜索引擎替代品。

十九、一句话总结

**web_search**：搜索能力的抽象接口
原生 provider：Brave / Gemini / Grok / Kimi / Perplexity
扩展 skill：Tavily / Firecrawl / agent-reach
**web_fetch**：网页读取与抓取能力

最佳实践是：

先用搜索能力找来源（你当前常用 tavily-search），再用 web_fetch 读来源；复杂任务再用 agent-reach 协调。