Imported from Zabz-unforgotten/UltimateSearchSkill (
SKILL.md). Install upstream withnpx skills add Zabz-unforgotten/UltimateSearchSkill. Copyright stays with the author.
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）：
| 工具 | 命令 | 用途 |
|---|---|---|
| Grok 搜索 | grok-search.sh --query "..." |
AI 驱动的深度搜索，Grok 自带联网，返回综合分析 |
| Tavily 搜索 | tavily-search.sh --query "..." |
结构化搜索结果，带评分和排序 |
| 网页抓取 | web-fetch.sh --url "..." |
提取指定 URL 的完整内容，返回 Markdown |
| 站点映射 | web-map.sh --url "..." |
发现网站结构，获取所有 URL |
| 双引擎搜索 | dual-search.sh --query "..." |
并行执行 Grok + Tavily，交叉验证 |
各工具参数详见 --help。
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
| 场景 | 推荐工具 | 原因 |
|---|---|---|
| 简单事实查询 | dual-search.sh |
双源交叉验证，确保准确性 |
| 复杂/争议性问题 | dual-search.sh |
双引擎交叉验证，减少幻觉 |
| 需要 AI 深度分析 | grok-search.sh |
Grok 自带联网搜索，返回综合分析报告 |
| 需要抓取特定页面 | web-fetch.sh --url "..." |
提取完整页面内容 |
| 探索网站结构 | web-map.sh --url "..." |
发现文档/API 目录结构 |
| 需要最新新闻 | tavily-search.sh --topic news |
Tavily 新闻模式专门优化 |
| 需要高质量深度结果 | tavily-search.sh --depth advanced |
高级搜索，多维度匹配 |
| 搜索结果中有关键链接 | 先搜索，再 web-fetch.sh |
搜索定位 → 抓取详情 |
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"