面经策

在 AI 超级智能体项目中，你开发的联网搜索工具是如何实现的？ ​

  • 标签：后端、编程导航

🏛 业务架构师 ​

联网搜索工具的实现链路：模型判断需要时效信息 → 调用搜索工具（关键词由模型从对话中提炼）→ 搜索 API 返回结果列表 → 抓取正文/摘要 → 结果回填模型 → 模型组织答案并标注来源。

工程实现要点：

  • 搜索源封装：接第三方搜索 API（Tavily、Bing、博查等），按"结果质量 × 单价 × 配额"选型——搜索 API 是按次计费的，工具层要配调用缓存（相同关键词短时间去重）；
  • 结果裁剪：原始网页动辄几千 token，全塞回去成本爆炸——取 top3~5 条、每条截取摘要/正文片段，出处（标题+链接）随答案返回；
  • 关键词质量：让模型把口语问题转成 2~4 个搜索关键词（"那事儿最新进展"→精确查询词），关键词生成就是一次内置的查询重写；
  • 失败兜底：搜索超时/无结果时明确告知"未找到最新信息"，禁止模型编造来源。

业务架构视角的三点：

  1. 来源标注是信任资产："根据 XX 网报道"与裸答案的可信度天差地别——AI 产品的竞争终局是信任，搜索工具天然给了溯源能力；
  2. 成本控制：一次问答 = 模型调用 + 搜索计费 + 结果回填的 token——每个工具都要算单次成本，高频工具做缓存与限流；
  3. 合规审查：抓取内容的使用边界（版权、robots 协议）与内容安全过滤（不良信息可能经搜索进入答案）——工具打开了外部世界的门，也把外部风险带了进来。

一句话：联网搜索让 AI 的答案有了时间维度，但"搜得准、裁得省、标得清"三件事决定了它是加分项还是成本黑洞。

🏗 系统架构师 ​

联网搜索工具的实现链路（Tool Calling 标准实现）：

1. 工具定义（@Tool 注解 + 精确描述）：

java
@Tool(description = "联网搜索工具：当问题涉及实时信息、新闻、最新数据或模型知识可能过期的内容时调用")
public String webSearch(@ToolParam(description = "搜索关键词，提炼问题的核心实体与意图") String query,
                        @ToolParam(description = "结果数量，默认5", required = false) Integer topK) {
    // 2. 调用搜索 API
    // 3. 结果精炼
}

2. 搜索 API 层：选型 Tavily（LLM 友好，直接返回提炼内容）/ Bing Search API / SerpAPI；封装 HTTP 客户端（超时 5s、重试 1 次、密钥配置中心管理）；参数：query、top_k、是否含摘要。

3. 结果处理（决定效果的关键）：

  • 原始结果精炼：标题 + URL + snippet 拼成紧凑文本（token 预算控制），去掉广告/无关域名；
  • 可选二次抓取：top1 结果的正文抓取（Jsoup）截断到 2000 token，给模型更完整的上下文；
  • 返回结构化文本（模型消费），失败返回明确错误信息（"搜索服务超时，请基于已有知识回答并说明"）。

4. 调用循环：模型决策调用 → 框架反射执行 → 结果回传 → 模型综合作答（引用来源 URL）；用户问复杂问题时模型可能连续多次调用（先搜实体 A 再搜实体 B）。

工程要点：搜索 API 按次计费，配全局限流与缓存（相同 query 5 分钟内复用）；Query 由模型生成，质量通常好于用户原文（这是隐含收益）；把"是否需要搜索"的判断也交给模型（描述里写清适用场景），不要在业务代码硬编码关键词路由。

💻 全栈开发专家 ​

结构：一个 @Tool 方法封装第三方搜索 API + 结果精炼，关键全在"token 纪律"。

java
public class WebSearchTool {
    private final SearchClient client;   // 博查/Tavily/SerpAPI

    @Tool(description = "联网搜索最新信息。当问题涉及实时数据、新闻、"
        + "最新版本号或你不确定时效性的事实時调用。query 为搜索关键词")
    public String webSearch(
            @ToolParam(description = "精炼的搜索关键词，不是原问题") String query) {
        try {
            List<SearchResult> results = client.search(query, 5);   // 5s 超时
            return results.stream()
                .limit(3)                                            // 只取 top3
                .map(r -> "标题:%s\n摘要:%s\n来源:%s".formatted(
                        r.title(), truncate(r.snippet(), 300), r.url()))
                .collect(Collectors.joining("\n---\n"));
        } catch (Exception e) {
            return "搜索失败:" + e.getMessage();   // 错误信息模型能读懂并应对
        }
    }
}

工程细节（拉开差距的点）：

  1. query 提炼：description 里要求"传关键词不是原问题"——用户原话往往带口语噪声，模型提炼后搜索质量更高；
  2. 结果预算：top3 × 300 字符 ≈ 1000 token，可控；绝不让原始 HTML 进上下文；
  3. 超时与降级：搜索 API 5s 超时，失败返回可读错误让模型转告用户"搜索暂不可用"，而不是整个请求失败；
  4. 白名单触发：description 明确"什么情况调/不调"，配合 system prompt（"不确定时效就先搜索"），避免模型滥用工具烧钱；
  5. 结果带来源 url，回答时模型可引用出处，可信度加分。