OpenClaw 中 web_search + web_fetch 最佳实践速查表

优质文章学习记录

— 15 min read
OpenClaw 中 web_search + web_fetch 最佳实践速查表

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

目录

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

OpenClaw 的统一能力接口

能力来源

原生 provider
Brave / Gemini / Grok / Kimi / Perplexity

扩展 skill
Tavily / 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：

  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
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

  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

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

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"-n10

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 generalnode ~/.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"-n8--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

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。

Read more

【前端高频面试题】 - TypeScript 篇

【前端高频面试题】 - TypeScript 篇 1. 请解释 TypeScript 是什么？它与 JavaScript 的核心区别是什么？ 面试回答需突出 TS 的核心价值（类型安全）和与 JS 的关键差异，结构清晰： * TypeScript 定义：TS 是 JavaScript 的超集（Superset），在 JS 语法基础上增加了静态类型系统，最终会编译为纯 JS 运行（支持所有 JS 环境），核心目标是提升代码可维护性、减少运行时错误。 * 与 JavaScript 的核心区别（分点对比）： 1. 类型系统：TS 有静态类型（编译阶段检查类型，变量声明时需指定/推断类型）；JS 是动态类型（
【Tauri框架学习】Tauri 与 React 前端集成：通信机制与交互原理详解

【Tauri框架学习】Tauri 与 React 前端集成：通信机制与交互原理详解

Tauri 与 React 前端集成：通信机制与交互原理详解 * Tauri 与 React 前端集成：通信机制与交互原理详解 * **一、Tauri 与 React 的集成基础** * **1. 项目结构** * **2. 环境准备** * **二、Tauri 与 React 的通信机制** * **1. 核心机制：命令调用（Command）** * **2. 事件驱动：事件监听（Event）** * **3. 通信流程** * **三、具体示例：React 与 Rust 交互** * **场景1：React 调用 Rust 命令（文件读取）** * **Step 1：Rust 后端定义命令*

Fish Speech-1.5多语种语音合成实战：中英混合文本发音规则处理技巧

Fish Speech-1.5多语种语音合成实战：中英混合文本发音规则处理技巧 1. 引言 语音合成技术正在改变我们与数字内容互动的方式，而多语种混合文本的合成更是其中的技术难点。想象一下，当你需要制作一段同时包含中文和英文的教学音频，或者一段中英混合的产品介绍时，传统的单语种语音合成往往会出现发音不自然、语调突兀的问题。 Fish Speech V1.5作为基于超过100万小时多语言音频数据训练的先进文本转语音模型，特别擅长处理这类混合语言场景。本文将带你从零开始，通过xinference 2.0.0部署Fish Speech-1.5，并重点分享中英混合文本的发音处理技巧，让你能够生成自然流畅的多语言语音内容。 2. Fish Speech-1.5模型概述 2.1 模型特点与优势 Fish Speech V1.5是一个功能强大的多语言文本转语音模型，其核心优势在于支持12种主要语言的高质量语音合成。该模型基于海量音频数据训练，其中中文和英语各超过30万小时，日语超过10万小时，其他语言如德语、法语、西班牙语等也都有充足的训练数据。 这种大规模多语言训练使得模型在处理
webrtc源码走读（二）应用层如何使用WebRTC API实现功能

webrtc源码走读（二）应用层如何使用WebRTC API实现功能

1、WebRTC 层级定位与核心功能 WebRTC为应用层提供了四个核心API，这些API是构建实时通信应用的基础： API功能关键作用浏览器兼容性getUserMedia获取本地音视频流访问摄像头、麦克风等硬件设备Chrome, Firefox, Edge, SafariRTCPeerConnection建立点对点连接管理连接、交换媒体数据、处理ICE候选Chrome, Firefox, Edge, SafariRTCDataChannel传输任意数据实现文本、文件等非媒体数据传输Chrome, Firefox, EdgegetDisplayMedia获取屏幕共享流实现屏幕共享功能Chrome, Firefox 1.1 WebRTC API的层级定位 WebRTC API位于API层，是应用层与核心引擎层之间的桥梁。应用层通过调用这些API，无需了解底层实现细节，即可实现复杂的实时通信功能。 1.2 WebRTC API的工作原理 WebRTC API本质上是JavaScript接口，它封装了底层WebRTC核心引擎的功能。当应用层调用这些API时，WebRTC引