Undoom头像
【元宝搜索开发者征文大赛】魔改 FastGPT:我给开源项目加了一个元宝联网搜索开关封面图

【元宝搜索开发者征文大赛】魔改 FastGPT:我给开源项目加了一个元宝联网搜索开关

前言

让 Agent 解释一个最近流行的说法,或者整理某一天的新闻,再要求它给出出处,这时最容易看出联网搜索有没有真正发挥作用。回答是否流畅是一回事,能不能找到相关资料、说明信息来自哪里,是另一件需要认真验证的事。

这次我基于 FastGPT 接入元宝搜索,做了三组体验:在对话 Agent 中查找近期信息,把同一个 Agent 发布到微信,再用工作流完成一次多角度调研。整个过程从直接调用搜索 API 开始,一直到生成带来源链接、同时说明证据局限的研究报告。

我比较关注开发者实际会遇到的几个问题:搜索结果是否方便交给模型使用,工具调用过程能否检查,来源链接能否保留下来,以及某一路搜索失败后,应用应该怎样继续处理。下面结合实际截图和对应代码,把这些细节展开。

本文对应活动的「模型智答与产品问答」「调研分析」方向,作品阶段为可演示原型。文中的元宝搜索开关、独立搜索节点和研究工作流,来自我基于 FastGPT 做的扩展版本;复现时请使用文末的体验分支。下面结合关键代码片段说明实现方式,省略与当前步骤无关的上下文。

先说这次体验中我最满意的地方:元宝搜索返回的标题、摘要、网址和日期,可以直接用于组织 Agent 的检索上下文,也方便在最终回答里保留出处。 对开发者来说,这让搜索接入和后续的内容处理都有了明确的数据依据。

先跑通元宝搜索,确认拿到的结果是什么

我从腾讯云控制台开通元宝搜索。这个步骤先完成服务和调用权限的准备,后面无论写脚本还是接入 FastGPT,使用的都是同一类搜索接口。服务控制台放在文末,方便需要体验的同学直接访问。

开通页面如下。初次接入时,我建议先确认当前账号是否已经开通对应服务,再继续创建凭据和运行示例,这样遇到调用错误时,排查范围会小一些。

在这里插入图片描述

进入套餐页面后,可以根据自己的使用场景选择。我的目标是验证搜索与 Agent 的组合,先关注能否完成接口调用、返回哪些字段,以及这些字段能不能支持后续问答。不同版本的能力和额度以控制台展示为准,本文不把截图中的套餐信息当成长期不变的价格说明。

活动提供了体验额度,具体额度和领取条件以控制台展示为准。对于这个原型,额度的意义在于可以多换几个问题,分别检查近期资讯、来源查找和多角度研究的结果,而不只运行一次安装示例。

元宝搜索套餐选择页面

开通后回到控制台,接下来准备调用所需的 SecretId 和 SecretKey。这两个值会用于腾讯云请求鉴权,脚本和 FastGPT 服务端都需要读取它们。

我在后面的示例中统一使用环境变量 YUANBAO_SECRET_ID、YUANBAO_SECRET_KEY,和本次 FastGPT 扩展实现保持一致。这样更换凭据时可以调整运行环境,不需要把真实值写进示例代码。

开通服务后查看控制台与凭据相关入口

正式接到 Agent 之前,我先用 Python 写了一个直接调用的小脚本。这个顺序比较适合排查问题:如果脚本能够拿到网页结果,就说明账号、凭据和搜索服务的基本调用已经成功,接下来再看应用层的工具注册和参数传递。

先安装腾讯云 Python SDK:

pip install tencentcloud-sdk-python

安装腾讯云 Python SDK

下面是整理后的调用示例,保留蓝本中「今天上海天气」这个查询,便于理解一次搜索请求的输入和输出。运行前先在当前终端配置好两个环境变量,再把代码保存为 test.py。

import json
import os

from tencentcloud.common import credential
from tencentcloud.common.profile.client_profile import ClientProfile
from tencentcloud.common.profile.http_profile import HttpProfile
from tencentcloud.wsa.v20250508 import models, wsa_client


def main():
    """验证元宝搜索调用,打印网页来源;兼容对象和 JSON 字符串结果。"""
    cred = credential.Credential(
        os.environ["YUANBAO_SECRET_ID"],
        os.environ["YUANBAO_SECRET_KEY"],
    )
    http_profile = HttpProfile()
    http_profile.endpoint = "wsa.tencentcloudapi.com"
    http_profile.reqTimeout = 10

    client_profile = ClientProfile()
    client_profile.httpProfile = http_profile
    client = wsa_client.WsaClient(cred, "", client_profile)

    request = models.SearchProRequest()
    request.from_json_string(json.dumps({"Query": "今天上海天气"}))
    response = json.loads(client.SearchPro(request).to_json_string())

    print("搜索词:", response.get("Query", ""))
    print("RequestId:", response.get("RequestId", ""))
    for index, raw_page in enumerate(response.get("Pages") or [], start=1):
        try:
            page = json.loads(raw_page) if isinstance(raw_page, str) else raw_page
        except json.JSONDecodeError:
            continue
        if not isinstance(page, dict):
            continue

        print(f"\n【结果 {index}】")
        print("标题:", page.get("title", ""))
        print("链接:", page.get("url", ""))
        print("日期:", page.get("date", ""))
        print("摘要:", page.get("passage", ""))


if __name__ == "__main__":
    main()

执行命令:

python test.py

这次调用使用的接口是 SearchPro,SDK 模块版本为 2025-05-08,查询内容通过 Query 传入。返回的 Pages 包含网页结果,其中的元素可能需要先从 JSON 字符串解析成对象。上面循环里的 json.loads(raw_page) 就是在处理这种情况,解析后再统一读取标题、链接、日期和摘要。

Python 脚本返回网页标题、网址、日期和摘要

从终端结果里,可以看到多条网页信息。对后续应用最有用的是,每一条结果已经有标题、网址和摘要;日期字段有值时,也可以一起保留。Agent 可以基于这些材料组织回答,用户也能根据链接继续检查原文。

这一点让我觉得元宝搜索很适合接入 AI 应用。当前原型不需要自己另外实现一套网页抓取、正文提取流程,就能先完成基于检索摘要的问答。当然,涉及完整上下文、关键数字或严格事实核验时,仍需要进一步阅读原文。

接入 FastGPT,让搜索结果真正进入 Agent

我选择 FastGPT,是因为这次想同时观察对话应用和工作流中的搜索使用方式。同一个搜索服务,在 Agent 中可以按需调用,在工作流中也可以成为明确执行的一步。两种方式各自适合不同的任务。

下面是 FastGPT 官方仓库页面。本次开发以这个项目为基础,增加了元宝搜索适配和相关界面。文末提供的扩展分支已经包含这些改动,直接体验本文功能时需要使用该分支。

本次开发所基于的 FastGPT 项目仓库

我在本地启动项目后,通过 3000 端口访问应用。运行环境按照仓库文档准备,搜索凭据则配置在 FastGPT 服务端。除此之外,还需要配置一个可用的对话模型;Agent 按需搜索的场景需要模型支持工具调用。

本次扩展读取的服务端配置项如下,填写实际值后需要确保应用进程加载到对应环境变量:

YUANBAO_SECRET_ID=你的腾讯云SecretId
YUANBAO_SECRET_KEY=你的腾讯云SecretKey

接入代码主要分成搜索适配、工具执行和工作流节点三个部分。底层搜索函数 runYuanbaoSearch 负责调用腾讯云接口,并把结果整理成应用内部使用的格式。请求中传入查询词,同时设置超时和取消信号,相关代码可以看这几行:

const payload = JSON.stringify({ Query: query });
const requestSignal = signal
  ? AbortSignal.any([signal, AbortSignal.timeout(8000)])
  : AbortSignal.timeout(8000);

本地启动后的 FastGPT 应用界面

这里有几个实际影响体验的实现细节。服务端使用腾讯云 TC3-HMAC-SHA256 签名发起请求;搜索词限制在 500 个字符以内,单次搜索 HTTP 请求设置了 8 秒超时,并支持随应用运行取消。返回结果还会检查网址、去重和限制长度,最多保留 10 条。

整理后的每条来源包含 title、url、snippet,以及可选的 publishedAt。下面这段代码将搜索结果整理成统一结构,同时限制标题和摘要长度:

seenUrls.add(url.href);
results.push({
  title: (page.data.title?.trim() || url.hostname).slice(0, 200),
  url: page.data.url,
  snippet: (page.data.passage ?? '').trim().slice(0, 1000),
  ...(page.data.date?.trim() ? { publishedAt: page.data.date.trim().slice(0, 50) } : {})
});

这些处理让后续节点拿到的内容比较一致。模型不需要理解供应商原始响应的各种形式,界面也能把同一份来源数据展示出来。这里的 8 秒是搜索请求的超时设置,不能当作整个 Agent 生成答案的耗时;后者还包括模型推理和可能发生的多次工具调用。

创建对话 Agent,检查开启搜索前后的变化

在工作台点击加号,新建应用。我先从最简单的对话 Agent 开始,因为这个场景方便观察一次完整问答:用户提出问题,模型决定是否搜索,工具返回资料,最后模型依据资料回答。

先验证这个过程,再去做多节点研究任务,能更容易判断搜索究竟在哪一步发挥作用。

在 FastGPT 工作台新建应用

创建时选择「对话 Agent」。这个入口保留了常见的模型、提示词、工具和知识库配置,适合先做一个面向近期信息的信息检索助手。本次测试主要关注公网搜索,因此先让配置保持简单,方便观察搜索带来的变化。

创建完成后,我给应用设置了容易辨认的名称,再进入配置页。后续在网页和微信中使用的,就是这一个已经配置好搜索能力的应用。

选择对话 Agent 类型创建应用

左侧可以看到本次扩展增加的「元宝联网搜索」开关,打开后,Agent 才会获得对应的搜索工具。界面通过 isChecked 展示当前状态,通过 onChange 更新配置,核心代码如下:

<Switch
  className={'nodrag'}
  aria-label={t('app:yuanbao_web_search')}
  isChecked={isChecked}
  onChange={(event) => onChange(event.target.checked)}
/>

开关的含义是允许模型按需搜索。是否发起调用、使用什么检索词,还会受到模型能力和提示词的影响。因此,实际验证时需要检查运行记录中有没有搜索请求,以及传入的关键词是否符合用户问题。

打开对话 Agent 的元宝联网搜索开关

我使用了下面这段提示词,明确要求近期信息先检索,并在回答中保留实际使用的来源:

你是信息检索助手。遇到需要核实或最新的信息时,先用元宝联网搜索工具检索,再依据结果回答,并附上实际使用的来源链接。不要编造来源。

从代码看,Agent 的工具名为 yuanbao_web_search,接收一个 query 字符串。对应的工具名称和入参校验如下,检索词会先去掉首尾空白,并限制在 1~500 个字符之间:

export const YUANBAO_WEB_SEARCH_TOOL_NAME = 'yuanbao_web_search';

export const YuanbaoSearchQuerySchema = z.object({
  query: z.string().trim().min(1).max(500)
});

运行时根据开关决定是否提供搜索工具。下面摘出工具列表的构建逻辑:开启时先过滤同名工具,再加入元宝搜索工具,避免重复注册;关闭时沿用原来的工具列表。

buildRuntimeTools: () =>
  context.params[NodeInputKeyEnum.enableWebSearch] === true
    ? [
        ...context.completionTools.filter(
          (tool) => tool.function.name !== YUANBAO_WEB_SEARCH_TOOL_NAME
        ),
        createYuanbaoWebSearchTool()
      ]
    : context.completionTools

模型发起调用后,执行结果会作为工具响应返回,供它继续组织答案。这样搜索词由模型结合当前问题生成,搜索结果也能继续参与后续回答。

我用一个近期网络用语的出处查询做测试。这个问题比较适合检验外部信息获取:用户给出的说法可能不完整,还包含口语表达,模型需要先构造检索词,再从返回材料里寻找相关解释。

开启搜索后,Agent 发起检索并展示来源数据

展开工具调用后,可以看到具体输入,以及返回的标题、网址、摘要和日期。这是我很看重的部分:当回答不符合预期时,可以先检查检索词,再看搜索结果是否相关,最后判断模型有没有准确使用材料。每一步都有实际内容可以核对。

元宝搜索在这里提供了比较方便的结果结构。返回内容既能用于回答,也能展示在运行详情里,开发者不用只凭最后一段生成文本来判断调用是否成功。这次截图中,搜索已经返回与问题相关的网页,Agent 随后给出了带链接的解释。

Agent 根据检索材料组织解释,并附上来源链接

从使用感受来说,带来源的回答更适合继续查证。读者可以先看整理后的说明,再点开文章检查上下文;开发者也可以沿着工具记录确认哪些资料参与了回答。搜索的价值在这个过程里很明确:它为当前问题补充了可以引用的外部材料。

我还关闭开关,使用相同问题再次提问。截图中的模型配置和提示词保持一致,关闭搜索后,Agent 明确表示当前没有可调用的元宝联网搜索工具,无法核实近期信息,也不能提供查证过的资料链接。

关闭搜索后,Agent 说明无法核实该近期信息

这组对比说明,在本次问题和配置下,元宝搜索让 Agent 获得了完成查证所需的网页资料。这里没有做大规模评测,也没有对其他搜索服务进行排名;截图展示的是同一个应用在搜索工具可用与不可用时的实际表现。

另一个值得保留的行为是说明信息不足。搜索失败时,执行层会把错误作为工具结果反馈给模型;至于最终怎样向用户解释,还需要提示词约束。对于资讯助手,我希望它能清楚区分“查到了什么”和“暂时无法确认什么”。

发布到微信,体验日常提问中的联网搜索

网页调试完成后,我继续在应用的「发布渠道」中配置微信入口。截图中这个入口是「微信 ClawBot」,可以通过扫码登录完成绑定,再在微信中与已经配置好的应用对话。

对我来说,这一步让体验更接近日常使用:需要查某一天的新闻时,可以直接在微信发消息。模型配置、提示词和搜索能力仍由 FastGPT 里的应用统一维护,不需要在手机上重新配置一套检索流程。

FastGPT 的微信发布入口与在线状态

扫码登录界面会查询当前会话状态,并处理确认、过期等情况。登录完成后,微信渠道收到的消息会交给共享的应用运行逻辑处理。这个关系可以从下面的回调配置看出来:

export const wechatOutlinkProvider = createWechatOutlinkProvider({
  onMessage: runOutlinkRuntime
});

这里通过 onMessage 连接微信消息和应用运行逻辑,因此同一个 Agent 的模型、提示词和搜索配置可以继续用于微信对话。

实际测试时,我在微信中询问「2026/11/7 号最近的热点新闻」。回复按主题整理了内容,并标注了媒体来源,也说明这是媒体报道摘要。相比只要求“讲讲最近发生了什么”,明确日期能让任务范围更具体,便于继续核对返回材料的时间。

通过微信向启用元宝搜索的 Agent 查询指定日期新闻

这次体验让我觉得,元宝搜索和 Agent 的组合已经可以用于制作个人资讯助手的原型:用户提出自然语言需求,应用检索网页,再把材料整理成更方便阅读的回复。微信提供了一个日常可用的提问入口。

截图证明了这条问答流程能够运行,但每条新闻的日期和具体表述仍需要与原始报道核对。当前搜索适配只传入 Query,日期主要写在检索词里,没有额外传入严格的时间筛选参数。要把它继续做成每天使用的资讯工具,我会优先补充日期过滤和原文核验。

用工作流做调研,把搜索步骤和证据处理明确下来

对话 Agent 适合临时提问。遇到需要固定步骤的研究任务,我更希望把检索角度、并发数、来源处理和失败分支配置清楚。因此,我又做了一个「元宝多角度联网调研」工作流。

这次实际运行的问题是:比较钠离子电池与磷酸铁锂电池在两轮电动车上的应用现状、成本与安全性,并说明证据局限。 这个任务既需要查近期应用情况,也需要区分不同材料里的比较条件,适合观察搜索结果如何被后续节点使用。

工作流先拆解三个研究角度,再分别调用元宝搜索,最后汇总材料、审查来源并生成报告。其中,检索完成后的几个关键连接如下:有来源时进入审查和报告节点,没有来源时进入证据不足的说明节点。

connect(parallel.nodeId, pack.nodeId),
connect(pack.nodeId, hasEvidence.nodeId),
connect(hasEvidence.nodeId, review.nodeId, 'has-sources'),
connect(hasEvidence.nodeId, noEvidence.nodeId, 'ELSE'),
connect(review.nodeId, report.nodeId)

工作流前半部分:问题拆解与三路并行元宝搜索

截图前半部分有几个节点,配置时需要关注它们之间的数据传递。

「研究问题」 是开始节点,接收用户原始问题。研究对象、比较维度和时间范围都从这里进入流程,后面的节点继续引用这份问题,避免在多次处理后偏离用户需求。

「拆解三个研究角度」 使用内容提取节点,输出三个字符串字段。代码中的定义如下:

const queries = [
  { key: 'officialQuery', label: '官方事实检索', angle: '权威机构、官方公告与原始数据' },
  { key: 'practiceQuery', label: '实践案例检索', angle: '实际应用、比较评测与可核验案例' },
  { key: 'riskQuery', label: '反例风险检索', angle: '反例、局限、争议与最新变化' }
];

这三个字段分别对应官方事实、实践案例和反例风险。拆解提示词要求每条检索词保留主题、比较对象和时间范围,最多 120 字,不直接回答问题。这样三个查询各有重点,后续更容易发现材料之间的补充和冲突。

「并行元宝检索(保留失败状态)」 接收这三个检索词组成的数组,最大并发数配置为 3,单轮流程重试次数配置为 1。每个子任务内部依次执行「当前检索词」→「元宝联网搜索」→「保留查询与原始证据」。最后一个节点保留搜索节点输出的结构化响应,其中同时包含查询词和结果。

「元宝联网搜索」 在这里是一个独立执行的工作流节点。只要流程运行到该节点,就会使用传入的检索词调用搜索。本次模板每路最多保留 5 条结果,三路最多得到 15 条,实际数量会受到空结果、失败和单路去重等情况影响。

这个节点的主要输入是查询词和结果数量上限,数量范围为 1~10,默认值为 5。执行前会先校验配置,避免无效的数量参数进入搜索流程:

const limit = IntSchema.min(1).max(10).default(5).safeParse(params.webSearchMaxResults);
if (!limit.success) {
  return getNodeErrResponse({ error: 'Search result limit must be an integer between 1 and 10' });
}

节点提供的几种输出,适合交给不同的后续处理步骤:

输出内容在流程中的用途
text标题、链接、摘要及可选日期组成的文本直接提供给模型阅读
searchResults结构化来源数组筛选、去重或进一步处理
resultCount当前保留的结果数量判断是否为空或需要补充检索
rawResponse包含查询词和限量结果的归一化响应在本模板中保留查询与证据

其中 rawResponse 是 FastGPT 整理后的响应,并不包含腾讯云接口的全部原始字段。对这个研究流程来说,保留统一结构,后续节点就能继续围绕同一批来源处理。

接下来是工作流后半部分。这里决定了搜索结果如何成为一份可以检查的报告,也决定了没有资料时应该给出什么回复。

工作流后半部分:汇总证据、判断来源、审查与报告生成

「汇集证据与失败记录」 引用并行节点的「完整结果」。这个选择是为了保留任务状态:某一路失败、返回空数组或者正常返回来源,后续都应该能够区分。只收集成功结果,会让报告遗漏本次检索实际覆盖不足的部分。

「是否找到可引用网页」 是条件判断节点。当前实现检查汇总后的结构化结果中,是否出现带 HTTP(S) 网址的 url 字段。它能判断是否存在可供引用的网页记录,但不会自动验证网页是否支持某个结论。只对搜索结果进行判断,也能避免把用户问题里自己附带的网址误认为搜索已经成功。

如果没有找到来源,就进入 「说明缺少证据与下一步」。这个节点使用预设回复,说明当前无法生成可靠的联网研究结论,并建议补充研究对象、地区与时间范围,或检查搜索服务配置。此时流程不会继续要求模型生成一份缺少外部依据的报告。

有来源时,继续进入 「交叉审查来源与结论」。这个 AI 节点读取原始问题和检索结果,提示词要求检查同源转载、日期不明、证据冲突和缺乏反例等情况,并明确说明:多个查询命中同一来源,不算独立验证;搜索摘要也不代表已经阅读全文。

最后的 「生成带来源的研究报告」 同时接收原始检索材料和审查记录。报告结构包含核心结论、分角度证据、对比或争议、局限与待核验项、来源清单。提示词要求引用网址逐字来自原始 results 的 url 字段,区分来源陈述、模型推断和未知信息。

这两个 AI 节点分别负责审查和表达。把职责明确后,可以单独调整审查要求,也可以检查最终报告是否遗漏限制。它们仍然需要人工核对关键事实;这里做的是基于现有材料的辅助审查。

看实际报告,元宝搜索提供了哪些帮助

运行工作流后,右侧预览会展示元宝联网搜索工具的调用。可以展开查看查询词和结果,再观察最终报告是否沿用真实来源。相比只展示最后一篇文本,这种方式更方便检查研究过程。

下面的长图展示了本次电池对比任务的输入、部分搜索结果和报告内容。报告围绕应用现状、成本、安全性等维度组织材料,并在相应位置附上链接。

电池对比任务的搜索记录与带来源研究报告

这份报告里,我尤其关注它对证据范围的处理。报告没有简单根据几个摘要就给两种电池做全面排名,而是指出部分成本资料比较对象不同,安全性材料也涉及不同产品和测试条件,需要进一步核对。搜索结果提供了讨论依据,后续节点则负责把依据和限制说明清楚。

运行输出还记录了本次三次查询各返回 5 条结果,同时提示了缺少原始测试报告、来源日期和样本有限等问题。这些内容让读者能够判断接下来还需要查什么。对于要拿研究结果继续做决策的人,这比只看到一段确定口吻的结论更有用。

最终报告保留来源清单,并说明证据局限与后续核验方向

回看这次接入,元宝搜索对我最直接的帮助有三个:第一,能够为具体问题返回相关网页,支持近期信息查询;第二,标题、摘要、网址和日期的结构便于继续交给模型处理;第三,同一份搜索结果可以用于 Agent 问答,也可以接入固定步骤的工作流,来源信息能够持续保留。

对我来说,这次体验最有价值的结果,是能够检查回答的依据:看到用户问题怎样转成检索词,看到元宝搜索返回了哪些网页,再看到最终报告引用了哪些材料、保留了哪些疑问。这个过程已经足够让我继续完善资讯助手和调研工具。

如果你也在开发 Agent,元宝搜索工具也许会对你的Agent起到一个很大的帮助,不妨去试试呢!

相关地址放在这里,欢迎拉取代码自行体验:

转载自 CSDN-专业IT技术社区

原文链接:https://blog.csdn.net/2301_80863610/article/details/170290688

文章来源转载

评论

评论列表

微信小程序
QQ小程序

关于作者

点赞数:0
关注数:0
粉丝:0
文章:0
关注标签:0
加入于:--