OpenClaw 网络搜索与抓取：web_search + web_fetch 最佳实践速查

从使用者视角理解整体结构

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。

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'。

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：

1. 先用 tavily-search 搜索
2. 再用 web_fetch 阅读
3. 必要时用 agent-reach 协调多步任务

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

标准工作流

工作流 A：你没有 URL

1. 用 tavily-search 搜索
2. 获取候选来源
3. 选择最相关来源
4. 用 web_fetch 读取

工作流 B：你已有 URL

1. 直接用 web_fetch 读取

工作流 C：复杂多步任务

1. 用 agent-reach 协调任务
2. 先搜索
3. 再阅读
4. 最后总结

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

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

OpenClaw 中推荐的标准流程

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。 

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

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。 

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。

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'

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。 

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。

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。