---

一、为什么要给 OpenClaw 重做搜索系统？

很多人第一次接触 OpenClaw，只是把它当成「本地版 ChatGPT」，问问问题、写点代码、改改文档。 但作者在用了一个月之后发现：如果不强化联网搜索，它离「真正可用的 AI 助手」还差一个量级。

从 Agent 能力视角看，一个实用的 AI 助理至少要具备三件事：

• 主动获取信息：不仅能回答你问什么，还能自己知道去哪儿找答案。
• 有效分析信息：能过滤噪音、结构化整理，而不是把一堆网页丢给你。
• 做出判断与决策：在多种来源之间对比、取舍，给出靠谱结论。

这三件事的前提，都是强大的联网搜索能力。 如果搜索做不好，后面的分析和决策都是无源之水。

内置搜索为什么不够用？

OpenClaw 官方默认集成了 Brave Search 和 Perplexity，但作者实际体验下来有几个明显问题：

• Brave Search：
  • 需要绑卡才能用 API。
  • 免费额度有限，稍微用勤快一点就不够用。
• Perplexity：
  • 需要付费订阅。
  • 在国内网络环境下，稳定性一般，经常连不上或延迟很高。
• 通用痛点：
  • 对中文生态的覆盖有限。
  • X、小红书、微信公众号、B 站、播客等常用信息源，传统搜索很难搜全甚至直接搜不到。

作者给出的总体目标是：让 OpenClaw 拥有一个「无死角的信息获取系统」——既能覆盖广度（多搜索引擎、多语种），又能深入到特定平台，甚至能在需要登录和交互的网站里自动操作。

接下来的 4 个 Skill，就是围绕这个目标逐步搭起来的。

---

二、整体思路：从“换引擎”到“扩边界”

这套方案不是简单「把默认搜索换掉」这么粗糙，而是有一个清晰分层：

1. 用 Tavily 替代 Brave/Perplexity，作为高质量主力搜索。
2. 用 Multi Search Engine 聚合 17 个搜索引擎，作为多源补全与兜底。
3. 用 Agent Reach 打通抖音、Reddit、GitHub 等特定平台的数据抓取与跟踪。
4. 用 BrowserWing 做浏览器录制与自动化，搞定必须登录、点击、滑动才能访问的复杂网站。

你可以把这 4 层理解为：

• 第一层：高质量网页搜索。
• 第二层：多搜索引擎综合视野。
• 第三层：面向平台的结构化抓取。
• 第四层：通用浏览器自动化兜底（实在没有 API 的场景）。

这种分层结构的意义在于：每加一层，OpenClaw 能「看见」的世界就更大一圈，而 Agent 的决策质量也随之提高。

---

三、Skill 1：Tavily Search——给 Agent 设计的搜索 API

3.1 Tavily 是什么？

推荐的第一个 Skill 是 Tavily Search，一个「专门为 AI Agent 设计的搜索 API」。 与传统面向人类用户的搜索引擎不同，Tavily 的目标是：让机器能够直接拿来用，而不必先打开网页、再解析内容。

3.2 核心优势

几个关键优势：

• 不用绑卡：官方提供免费配额，按月计数。
• 每月免费额度：默认有约 1000 次调用，足够个人/小团队开发与使用。
• 结果经 AI 优化：
  • 返回的不是原始网页 HTML，而是经过模型归纳过的结构化结果。
  • 垃圾信息和广告大幅减少，更适合二次加工与推理。
• 支持直接内容提取：
  • 你不需要再写一个「爬网页+提取正文」的 Pipeline。
  • Tavily 返回的就是能直接喂给大模型的内容格式。

特性	Brave	Tavily
免费额度	有限	约 1000 次/月
结果形态	原始网页	AI 优化内容
内容提取	需要自己处理	直接可用
绑卡要求	需要	不需要

这张表背后的本质区别是：Brave 是「给人看的搜索结果」，Tavily 是「给 Agent 用的数据源」。

3.3 如何在 OpenClaw 中配置 Tavily？

关键步骤：

1. 前往 Tavily 官网注册账号，申请 API Key（有免费额度）。

2. 在本地 OpenClaw 项目的 .openclaw/.env 文件中，增加一行环境变量：

   TAVILY_API_KEY=你的密钥
   

3. 确保 OpenClaw 中对应的 Skill（如 tavily_search）引用了该环境变量。

完成这一步后，所有调用通用搜索的 Agent，就可以优先走 Tavily，而不是默认的 Brave/Perplexity。

3.4 一个典型使用场景示例

假设你想让 OpenClaw 做这样一件事：

「帮我调研最近 3 个月国内外关于 Function Calling Agent 最好的实践和开源项目，给出结论与推荐。」

如果用传统搜索，Pipeline 大致是：

1. 调用搜索引擎拿到一堆链接。
2. 针对每个链接再做一次 HTTP 抓取。
3. 写正文抽取、噪音过滤、去重逻辑。
4. 把结果再丢给大模型总结。

而用 Tavily，流程会变成：

1. 一次 Tavily 搜索，即返回结构化的摘要与关键内容。
2. 直接交给大模型做聚合和分析。

对于 Agent 来说，链路长度缩短，可靠性反而提高，这也是作者强推 Tavily 的核心原因。

---

四、Skill 2：Multi Search Engine——一次打包 17 个搜索引擎

4.1 为什么需要“多搜索引擎聚合”？

即便有了 Tavily，仍然不可避免存在盲区：

• 某些垂直领域搜索引擎本身就更专业。
• 某些地区和语种在本地搜索引擎中的覆盖更好。
• 某些问题需要从多个来源交叉验证，避免单一信息源偏见。

为此，推荐 Multi Search Engine 的 Skill，它集成了 17 个搜索引擎，其中包含 8 个中文搜索源和 9 个全球搜索源。

4.2 这个 Skill 的特点

• 不需要任何 API Key：开箱即用，更适合快速试验或部署环境复杂的场景。
• 自动去重：当多个搜索引擎返回相似结果时，会在聚合层面做去重，避免信息「刷屏」。
• 支持搜索规则自定义：你可以通过配置，指定某些 Engine 的优先级，或对不同 Agent 使用不同的引擎组合。

这意味着，Multi Search Engine 更像是一个「搜索编排层」，而不是单一搜索工具。

4.3 在 Agents.md 中配置搜索优先级

一个非常实用的建议：在 OpenClaw 的 Agents.md 中显式配置搜索顺序。

推荐的优先级是：

1. Tavily Search —— 质量优先。
2. Multi Search Engine —— 补全与多源视角。
3. Brave Search —— 作为最后兜底。

并提出一个简单的原则：

能用 Tavily 就尽量不用 Multi Search Engine，能用 Multi Search Engine 就尽量不用 Brave。

这种设计逻辑是：「先用最省事、最适合 Agent 的源，如果不够再逐步降级」，既保证质量也兼顾覆盖度。

4.4 示例：如何设计一个“研究型 Agent”的搜索策略

假设你要设计一个「技术趋势研究型 Agent」，它的工作是：

• 追踪 AI 编译器、新型 Agent 框架等前沿技术。
• 为你定期生成「技术雷达」报告。

可以这样设置：

• 默认搜索：Tavily —— 负责综合性信息、英文前沿论文/博客。
• 补充搜索：Multi Search Engine —— 同时打到国内中文搜索和海外特定搜索源。
• 降级搜索：Brave —— 当前两者都失败或超时时兜底。

在实现层面，只需要在 Agent 的配置中按顺序挂上这几个 Skill，OpenClaw 调用时就会按优先级自动走。

---

五、Skill 3：Agent Reach——攻克抖音、Reddit、GitHub 等“难啃平台”

5.1 通用搜索的盲点：平台内容

即便你把常规网页搜索做到极致，仍有一大类内容几乎搜不到或搜不全：

• 短视频平台（抖音、快手等）中的账号更新和评论趋势。
• 社区平台（Reddit、V2EX 等）的具体话题讨论。
• 开发者平台（GitHub、Hugging Face 等）的最新项目与 Issue 动态。

这些平台通常：

• 对爬虫有限制。
• 需要复杂的分页、滚动加载。
• 有自己的搜索 API 或非公开接口。

因此，作者引入了第三个 Skill：Agent Reach。

5.2 Agent Reach 能做什么？

一些典型使用场景：

• 监控竞品抖音账号更新：
  • 定期抓取指定抖音号的新视频、互动数据。
  • 让 OpenClaw 总结「最近他们在讲什么」「内容策略有什么变化」。
• 追踪 Reddit 上某个话题的讨论：
  • 不仅抓热帖，还抓评论区的观点分布和情绪倾向。
• 搜索 GitHub 上的最新项目：
  • 按关键词、Star 数、更新时间筛选，提炼出值得关注的仓库列表。

可以看到，Agent Reach 更像是「平台级数据抓取框架」，让 OpenClaw 能对接到各种非网页形式的数据源。

5.3 与前三个 Skill 的关系

如果把前两个 Skill 看作是「网页世界的视野扩展」，Agent Reach 就是在「平台世界」再开一扇门。

一个更完整的 Agent 工作流可能是：

1. 用 Tavily+Multi Search Engine 做宏观趋势调研。
2. 用 Agent Reach 在抖音、Reddit、GitHub 等具体平台拿案例、讨论和代码实现。
3. 综合多方信息，输出一份真正有细节、有案例、有代码链接的分析报告。

这一层配合得好，会让你的 Agent 从「泛泛而谈」变成「有例有据、有实战链接」。

---

六、Skill 4：BrowserWing——用录制的方式做浏览器自动化

6.1 为什么还需要浏览器自动化？

即便有了多搜索引擎和平台抓取，依然会遇到这种网站：

• 必须登录才能查看内容。
• 页面需多次点击、滚动才能加载出完整信息。
• 内容结构不稳定，难以用简单的抓取脚本处理。

这时常用方案是用 Playwright/Selenium 之类的浏览器自动化框架，模拟人类操作。但问题是：

• 要写代码。
• 要处理选择器、等待时间、页面异常。
• 页面一改版，脚本经常大面积失效，需要重新调试。

为此引入了第四个 Skill：BrowserWing。

6.2 BrowserWing 的核心创新：录制即 Skill

可以概括为一句话：

用「录制浏览器操作」的方式，生成可复用的 OpenClaw Skill。

其基本工作流程是：

1. 人类正常在浏览器中操作（点击、输入、滚动等）。
2. BrowserWing 在后台记录这些操作步骤。
3. 录制结束后，这段「操作脚本」被保存为一个 Skill。
4. 之后 OpenClaw 就可以像调用普通函数那样，调用这个 Skill 来重复执行整套操作。

和 Playwright 的对比表中，作者给出了几个维度：

特性	Playwright	BrowserWing
使用方式	写代码	录制操作
学习成本	高	低
精确度	需要调试	精确重放
维护成本	页面改版需改代码	重新录制即可

实质上，这是在「浏览器自动化」这个层面做了一次「无代码化」。

6.3 一个实战例子：自动抓取内部 BI 报表

假设你公司有一个内部 BI 系统：

• 必须公司 VPN + 登录。
• 要先选择时间区间，再点开某个图表。
• 最后点导出按钮才能拿到 CSV。

传统 Playwright 做法：

• 写一堆 CSS/XPath 选择器。
• 调试等待时间、处理偶发的弹窗。
• 每次前端改版都要重新修。

用 BrowserWing 的做法：

1. 打开 BI 页面。
2. 手工完成一遍「登录 → 选择时间 → 导出」流程。
3. 让 BrowserWing 录制这一串操作，并保存成 Skill。
4. 以后只要 Agent 想定期跑这个报表，调用该 Skill 即可。

对非前端/自动化方向的工程师来说，这种路径要友好得多。

---

七、整体搭建：把这 4 个 Skills 组合成一套「无死角信息系统」

OpenClaw 的「高级化」不是某个单一工具带来的，而是一个逐步扩展能力边界的过程：

1. 从基础搜索开始：先用 Tavily 把「能查到什么」做厚实。
2. 通过 Multi Search Engine 扩展到更多搜索源：减少漏网内容。
3. 再用 Agent Reach 打通关键平台：抖音、Reddit、GitHub 等。
4. 最后用 BrowserWing 处理剩余「必须浏览器交互」的场景。

如果你从 0 到 1 搭建自己的 OpenClaw 环境，可以参考这样的实践顺序：

• 第一步：配置 Tavily，替换内置 Brave/Perplexity 为默认主力搜索。
• 第二步：增加 Multi Search Engine，在 Agents.md 设定好优先级策略。
• 第三步：根据自己常用的平台（比如抖音+GitHub），接入 Agent Reach，写 1～2 个专用调研 Agent。
• 第四步：挑一两个需要登录或复杂操作的业务网站，尝试用 BrowserWing 录制自动化流程，沉淀成可复用 Skill。

做到这一步，你就不再是在用「一个更聪明的搜索框」，而是在养成一只真的能「帮你跑腿、帮你查、帮你整理、还能帮你点点点」的小龙虾 Agent。

---

八、提醒

• 工具只是工具，再强大的 Skills，如果只是停留在「感觉很酷」的阶段，其实不会产生真正价值。
• 这些 Skills 帮你解决的是「看见更多信息」的问题，而不是替你决定该做什么。
• 真正拉开差距的，是你对问题的拆解能力、对流程的设计能力，以及持续迭代工作流的耐心。

如果你是开发者或研究人员，建议你从一个具体场景入手，比如：

• 跟踪一个技术领域的所有最新论文+GitHub 项目。
• 监控几个竞品的内容更新和用户反馈。
• 自动整理行业政策、新闻与数据指标，做成日/周报。

然后，用这 4 个 Skills 把这个场景从「手工信息搜索」逐步升级成「Agent 自动采集 + 你做决策」，这才是 OpenClaw 真正的用法。

---

九、小结

结合整篇文章内容，如果你现在就想动手，可以按下面这个 checklist 自查：

• 本地 OpenClaw 环境已可正常运行。
• 已注册 Tavily，配置好 TAVILY_API_KEY。
• 在 Agents.md 中将 Tavily 设为通用搜索首选。
• 已安装并启用 Multi Search Engine，确认 17 个搜索引擎聚合正常。
• 针对你关注的平台（抖音/Reddit/GitHub 等）配置好了 Agent Reach，并做过至少一次完整调研任务。
• 至少录制过一个 BrowserWing 流程，把「某个网站的一套操作」封装成了可复用 Skill。

当你把这些环节跑通，你就已经将「OpenClaw 搜索做到极致」的门槛上，接下来，就是用想象力去设计属于你自己的 Agent 工作流了。