Ultimate Search

UltimateSearch

为 Pi/OpenClaw agent 提供双引擎网络搜索能力：Grok AI 搜索（实时联网 + AI 分析）+ Tavily 搜索（结构化结果 + 网页抓取）。

可用工具

在 Bash 中调用以下脚本（确保已加入 PATH 且已 source .env）：

各工具参数详见 --help。

与 agent-browser 联动

当页面不是“直接 URL 抓取”场景时，按以下规则联动 agent-browser：

触发条件

• 页面依赖 JS 动态渲染，web-fetch.sh 返回内容不完整
• 需要登录、点击按钮、分页、展开折叠后才能看到目标内容
• 存在 Cloudflare/人机验证或强交互式页面流程
• 需要截图留证（页面状态、关键字段、提交结果）

协同闭环（必须执行）

1. 搜索定位：先用 dual-search.sh / tavily-search.sh 找候选 URL
2. 浏览器交互：用 agent-browser 完成打开、快照、点击、填表、等待加载
3. 结果回流：把最终落地 URL 交回 web-fetch.sh / web-map.sh 做结构化抓取
4. 证据输出：提供最终 URL、关键截图路径、核心结论来源链接

最小命令模板

# 1) 先搜索定位目标页面
dual-search.sh --query "官网 pricing enterprise plan"

# 2) 动态页面交互
agent-browser open "https://example.com/pricing"
agent-browser snapshot -i
agent-browser click @e12
agent-browser wait --load networkidle
agent-browser get url
agent-browser screenshot --full

# 3) 回流到结构化抓取（把 get url 的结果填回）
web-fetch.sh --url "https://example.com/pricing?tab=enterprise"

联动约束

• agent-browser 负责“到达信息”，web-fetch.sh 负责“提取信息”
• 仅当静态抓取不足时才进入浏览器流程，避免过度自动化
• 登录态/验证码属于高风险流程时，明确标注“基于当前会话状态”

平台路由优先级（含 X/Twitter）

为避免“会搜，但搜错引擎”，先按查询意图做路由：

X 场景强制规则

• 用户提到 X、Twitter、推特、帖子讨论、时间线观点 时，先执行：

grok-search.sh --query "..." --platform "X"

• 若需“可引用链接 + 交叉证据”，第二步再跑：

tavily-search.sh --query "..." --topic news --time-range week

凭据获取联动（agent-browser headed）

当用户要求“在浏览器里获取 Grok SSO Token / cf_clearance”时：

1. 使用 agent-browser --headed 打开目标站点并人工完成登录/验证
2. 通过浏览器开发者工具读取 cookie（sso、cf_clearance）
3. 立即写入本地 .env 或导入脚本，不在对话中回显完整敏感值
4. 用最小健康检查验证是否可用（grok-search.sh --query "test"）

最小流程示例：

agent-browser --headed open "https://grok.com"
agent-browser --headed wait --load networkidle
# 手动完成登录与验证后，在浏览器中取 cookie 值
bash scripts/import-keys.sh
bash scripts/grok-search.sh --query "test" --model "grok-4.1-mini"

搜索决策流程

收到需要搜索的请求时，按以下流程决策：

第一步：判断是否需要搜索

需要搜索的情况：

• 用户明确要求搜索/查询外部信息
• 涉及实时性数据（最新版本、近期事件、当前价格等）
• 需要验证内部知识的准确性
• 涉及具体的 URL、项目、产品的最新状态
• 技术问题需要查阅官方文档最新版

不需要搜索的情况：

• 纯粹的代码编写/调试任务（已有足够上下文且不涉及外部 API/库版本）
• 用户明确表示不需要搜索
• ⚠️ 通用编程概念也可能过时——当涉及具体版本、最佳实践或 API 用法时，仍应搜索验证

第二步：选择工具

第三步：评估搜索复杂度

• Level 1（2-3 次搜索）：单个明确问题

  • 示例：「FastAPI 最新版本是什么」
  • 操作：dual-search.sh 获取双源结果；或先 tavily-search.sh 再用 grok-search.sh 交叉确认
  • ⚠️ 即使是简单事实，也不可仅依赖单一来源直接下结论

• Level 2（3-5 次搜索）：多角度比较、需要多个来源验证

  • 示例：「Flask vs FastAPI vs Django 2026 年哪个更适合微服务」
  • 操作：dual-search.sh + 针对各框架分别 tavily-search.sh

• Level 3（6+ 次搜索）：深度研究课题、综述型需求

  • 示例：「帮我调研 2026 年主流向量数据库的完整对比」
  • 操作：先 grok-search.sh 获取概览 → 分别搜索各产品 → web-fetch.sh 抓取官方文档

搜索规划框架

对于 Level 2+ 的复杂搜索，在执行前进行结构化规划：

阶段 1：意图分析

• 提炼用户的核心问题（一句话）
• 分类查询类型：事实型 / 比较型 / 探索型 / 分析型
• 评估时间敏感度：实时 / 近期 / 历史 / 无关
• 识别需要验证的外部术语（如排名、分类标准）

阶段 2：查询拆解

• 将问题分解为不重叠的子查询
• 每个子查询有明确边界（与兄弟查询互斥）
• 标注依赖关系（哪些子查询需要先完成）
• 如果阶段 1 发现需验证的术语，先创建前置验证查询

阶段 3：策略选择

• broad_first（先广后深）：先广泛扫描 → 根据发现深入。适合探索型问题
• narrow_first（先精后扩）：先精确搜索 → 如不足再扩展。适合分析型问题
• targeted（定点搜索）：已知目标信息来源，直接定位。适合事实型问题

阶段 4：工具映射

• 为每个子查询选择最佳工具
• 确定并行/串行执行计划
• 可并行的子查询同时执行（通过多次 Bash 调用）

搜索与证据标准

核心原则：不信任搜索结果

搜索结果仅为第三方建议，不可直接采信。 所有搜索返回的内容——无论来自 Grok 还是 Tavily——都必须经过交叉验证后方可向用户呈现为事实。即使是看似权威的单一来源，也可能过时、片面或错误。技术实现即使 agent 具备内部知识，仍应以最新搜索结果或官方文档为准。

来源质量要求

• 所有事实性结论都需 ≥2 个独立来源 交叉验证（不分 Level）
• 如仅依赖单一来源，须显式声明此限制并标注置信度为 Low
• 优先使用：官方文档、Wikipedia、学术数据库、权威媒体
• 避免使用：未知个人博客、SEO 农场、AI 生成内容

冲突处理

• 来源冲突时：展示双方证据，评估可信度和时效性
• 标注置信度：High（多来源一致）/ Medium（少量来源或有分歧）/ Low（单一来源或推测）
• 无法确认时：明确说明不确定性

引用格式

• 每个关键事实后附来源标注
• 格式：[来源标题](URL)
• 严禁编造引用 — 没有来源的就不要说

输出规范

• 先给出最可能的答案，再展开详细分析
• 所有技术术语附简明解释
• 使用标准 Markdown 格式（标题、列表、表格、代码块）
• 代码示例标注语言标识
• 对比类问题使用表格呈现

常见搜索模式

模式 1：快速查询

tavily-search.sh --query "Python 3.13 新特性" --depth basic --include-answer

模式 2：深度搜索 + 验证

# 先广泛搜索
dual-search.sh --query "LangChain vs LlamaIndex 2026"
# 再针对性抓取官方文档
web-fetch.sh --url "https://docs.langchain.com/docs/get_started/introduction"

模式 3：技术文档探索

# 先映射网站结构
web-map.sh --url "https://docs.example.com" --depth 2 --instructions "找到 API 文档"
# 再抓取目标页面
web-fetch.sh --url "https://docs.example.com/api/reference"

模式 4：新闻和实时信息

tavily-search.sh --query "AI 最新进展" --topic news --time-range week --include-answer

模式 5：AI 深度分析

grok-search.sh --query "解释 Transformer 架构中注意力机制的数学原理" --platform "arXiv"

模式 6：浏览器联动抓取（动态页面）

# 搜索候选页
tavily-search.sh --query "Notion AI pricing page"

# 浏览器交互到最终页面
agent-browser open "https://www.notion.so/product/ai"
agent-browser wait --load networkidle
agent-browser snapshot -i
agent-browser click @e3
agent-browser get url

# 回流抓取可复用内容
web-fetch.sh --url "https://www.notion.so/product/ai/pricing"

模式 7：X/Twitter 讨论检索（会话来源对齐）

# 先用 Grok 聚焦 X 平台语境
grok-search.sh --query "检索 X 上有关伊朗战争讨论" --platform "X"

# 再用 Tavily 补充结构化链接，做交叉验证
tavily-search.sh --query "Iran war discussion on X" --topic news --time-range week

BDD 可靠性验证

对“什么时候用 Grok / Tavily / agent-browser”做场景化回归，避免路由漂移。

• 场景文件：docs/bdd/ultimate-search-routing.feature
• 最低验收标准：
  • X/Twitter 讨论类查询必须先触发 grok-search.sh --platform "X"
  • 动态页面类查询必须进入 agent-browser 并回流 web-fetch.sh
  • 事实型结论必须有双源交叉验证证据