豆包搜尋，走出了豆包

📌 【火山引擎】豆包搜尋能力開放：不再只給連結，而是直接為 Agent 提供「可用的資訊」

TL;DR：豆包搜尋將搜尋能力拆解並透過 API/MCP 開放，提供包含權威分級與 Markdown 節選的結構化資料，讓 Agent 處理資訊更高效。

🤔 解決 Agent 獲取資訊的「中間過程」問題

大語言模型（LLM）雖然擅長推理，但受限於知識更新的邊界，面對新事件、新版本或即時價格時，單靠「存量知識」是不夠的。

傳統搜尋通常只返回網頁入口（URL），這意味著 Agent 拿到結果後，還必須額外執行「開啟頁面 → 理解正文 → 抽取資訊」的重複動作。豆包搜尋的目標，就是省下這段中間處理過程，讓搜尋結果能直接進入 Agent 的下一步任務。

🧩 不只是搜尋，更是結構化的資訊交付

以「菲爾茲獎」為例，若要精準回答研究貢獻與獲獎名單，資訊必須滿足：資訊夠新、來源可靠、內容能相互印證。

火山引擎將豆包 APP 背後的搜尋能力拆解，透過 API、MCP、Skill 等方式開放給企業與開發者。當 Agent 呼叫搜尋時，返回的不只是連結，還包含以下關鍵欄位：

• 信源名稱
• 權威分級
• 釋出時間
• 正文摘要
• 原文 Markdown 節選

這讓 Agent 可以直接利用「權威分級」與「釋出時間」判斷資料可靠度，並從「摘要」與「節選」中提取關鍵資訊，大幅提升自動化處理的效率。

📊 實測案例：快速定位最新技術動態

在實測環境中（使用 OpenClaw 搭配 Doubao-Seed-Evolving 模型），以「Kimi K3 開源」這一極新事件進行測試，豆包搜尋展現了快速定位官方資訊的能力：

• 資訊時效性：返回的結果包含 7 月 27 日與 28 日的最新報導。
• 資訊完整度：
  • 包含模型權重、技術報告及訓練基礎設施（如 MoonEP、FlashKDA）。
  • 包含模型參數、GitHub/Hugging Face 入口及 API 價格。
  • 包含 License 授權邊界說明（如：公開權重不等於同步開源訓練程式碼）。

🎯 實務啟示

對於開發 Agent 的工程師來說，搜尋能力的關鍵指標已從「能否找到網頁」轉向「返回資訊能否直接用於任務」。透過結構化的 Markdown 節選與權威分級，可以減少 Agent 在處理 RAG（檢索增強生成）時的 Token 消耗與理解錯誤。

目前豆包搜尋已正式面向企業與開發者開放，提供每月 500 次免費搜尋額度，並支援按量後付費與訂閱月卡。

🔗 來源

• 標題：豆包搜尋，走出了豆包
• 作者／機構：十三 @ 量子位
• 連結：qbitai.com/2026/07/461961.html

#AI #Agent #LLM #火山引擎 #豆包搜尋 #RAG #MachineLearning #DeveloperTools #InformationRetrieval #AIEngineering