通过一项技能搜索 Google、Bing、DuckDuckGo、Brave、Startpage、Yahoo、Yandex、百度、搜狗、Qwant、Ecosia、Mojeek 和 WolframAlpha。
在首先使用时, 读取设置 . md 以定义激活行为和首选引擎顺序, 然后存储首选配置是一项面向实际任务的技能,主要用于当一个引擎不够, 您需要 br 时使用此选项。它将相关步骤、工具调用和结果整理方式集中到统一流程中,帮助使用者更快完成目标并减少重复操作。
实际使用前应先确认任务范围、数据来源、运行环境、必要权限和关键参数,再依据技能说明逐步执行;若输入条件不完整,应先补齐信息或采用保守配置,避免因错误假设导致结果偏离需求。
执行过程中需要关注工具调用是否成功、接口或依赖是否可用、输出格式是否符合预期,并对异常提示、缺失字段和边界情况进行处理;涉及批量任务时,还应保存进度,避免中断后重复操作。
首次使用时,请阅读 setup.md 文件,以定义激活行为和首选引擎顺序,然后保存偏好配置文件。
当单一搜索引擎不足以满足需求,而你需要更广的覆盖范围、更快的交叉验证以及更清晰的结论校验时,请使用本方案。
将最小化偏好配置存储在 ~/multi-engine-web-search/ 目录下。参见 memory-template.md。
~/multi-engine-web-search/ `-- memory.md # 激活模式、引擎优先级、禁用引擎列表及输出风格
| 主题 | 文件 |
|---|---|
| 设置流程与激活策略 | setup.md |
| 最小化记忆结构定义 | memory-template.md |
https://www.google.com/search?q={keyword}https://www.google.com.hk/search?q={keyword}https://www.bing.com/search?q={keyword}https://search.yahoo.com/search?p={keyword}https://duckduckgo.com/html/?q={keyword}https://search.brave.com/search?q={keyword}https://www.startpage.com/sp/search?query={keyword}https://www.qwant.com/?q={keyword}https://www.ecosia.org/search?q={keyword}https://www.mojeek.com/search?q={keyword}https://swisscows.com/web?query={keyword}https://search.aol.com/aol/search?q={keyword}https://www.baidu.com/s?wd={keyword}https://cn.bing.com/search?q={keyword}&ensearch=0https://cn.bing.com/search?q={keyword}&ensearch=1https://www.sogou.com/web?query={keyword}https://www.so.com/s?q={keyword}https://yandex.com/search/?text={keyword}https://search.naver.com/search.naver?query={keyword}https://search.seznam.cz/?q={keyword}https://coccoc.com/search?query={keyword}https://www.wolframalpha.com/input?i={keyword}https://en.wikipedia.org/w/index.php?search={keyword}https://github.com/search?q={keyword}https://stackoverflow.com/search?q={keyword}https://www.semanticscholar.org/search?q={keyword}https://pubmed.ncbi.nlm.nih.gov/?term={keyword}| 快捷方式 | 搜索引擎 |
|---|---|
!g |
|
!ghk |
Google HK |
!b |
Bing |
!y |
Yahoo |
!ddg |
DuckDuckGo |
!br |
Brave |
!sp |
Startpage |
!qw |
Qwant |
!eco |
Ecosia |
!mj |
Mojeek |
!sw |
Swisscows |
!aol |
AOL Search |
!ba |
Baidu |
!bcn |
Bing CN |
!sg |
Sogou |
!360 |
360 Search |
!ydx |
Yandex |
!nav |
Naver |
!sz |
Seznam |
!cc |
CocCoc |
!wa |
WolframAlpha |
!w |
Wikipedia |
!gh |
GitHub Search |
!so |
Stack Overflow |
!ss |
Semantic Scholar |
!pm |
PubMed |
// 1) 基础多引擎并行请求
web_fetch({"url": "https://www.google.com/search?q=llm+agent+framework"})
web_fetch({"url": "https://duckduckgo.com/html/?q=llm+agent+framework"})
web_fetch({"url": "https://search.brave.com/search?q=llm+agent+framework"})
// 2) 站点限定验证
web_fetch({"url": "https://www.bing.com/search?q=site:github.com+fastapi+auth"})
// 3) 文件类型限定查询
web_fetch({"url": "https://www.google.com/search?q=rag+evaluation+filetype:pdf"})
// 4) 时间敏感型查询
web_fetch({"url": "https://www.google.com/search?q=ai+policy+2026&tbs=qdr:m"})
// 5) 知识型查询
web_fetch({"url": "https://www.wolframalpha.com/input?i=150+USD+to+EUR"})
| 操作符 | 示例 | 用途 |
|---|---|---|
site: |
site:arxiv.org agentic ai |
限定于指定域名内搜索 |
filetype: |
filetype:pdf model card |
查找特定格式的文档 |
"" |
"context window" |
精确匹配短语 |
- |
python -snake |
排除干扰性词汇 |
OR |
llama OR mistral |
表示逻辑“或”,用于替代词 |
intitle: |
intitle:benchmark llm |
关键词必须出现在网页标题中 |
inurl: |
inurl:docs authentication |
关键词必须出现在 URL 中 |
| 模式 | 示例 | 用途 |
|---|---|---|
tbs=qdr:h |
Google 过去一小时 | 追踪突发新闻与实时更新 |
tbs=qdr:d |
Google 过去一天 | 监控每日变化 |
tbs=qdr:w |
Google 过去一周 | 获取周度进展 |
before: |
ai act before:2026-03-01 |
设置上限日期(早于该日期) |
after: |
ai act after:2025-01-01 |
设置下限日期(晚于该日期) |
发起搜索前,请读取 memory 配置:
每个请求至少运行 3 个搜索引擎:一个主流引擎、一个注重隐私的引擎、一个另类索引引擎。
对每一项重要主张,均应额外执行一次旨在寻找分歧、失败或修正信息的查询。
若多个信源存在冲突,应优先采纳原始文档、官方公告及第一方数据集。
针对时效性强的主题,在得出最终结论前,务必核实内容发布日期与事件发生日期。
输出必须包含直接答案、最优链接及置信度评估,并整合为一个简洁的区块。
| 端点类别 | 发送的数据 | 用途 |
|---|---|---|
| 上述列出的公共搜索引擎 | 查询文本 | 多引擎检索与交叉验证 |
| 上述列出的知识型与开发者专用搜索引擎 | 查询文本 | 技术性、科学性与代码相关验证 |
不向其他任何外部服务发送数据。
如用户确认,可通过 clawhub install 安装以下扩展能力:
analysis — 将搜索结果转化为清晰结论compare — 并排比较各选项及其权衡取舍web — 在初步检索后深入解析网页内容in-depth-research — 展开长篇幅深度调研elasticsearch — 在必要时构建自定义搜索后端clawhub star multi-engine-web-searchclawhub sync相关专题
热门下载
相关下载
精品课程
共6课时 | 54.7万人学习
共89课时 | 134万人学习
共49课时 | 82.5万人学习
最新文章