Web‑Search、Web‑Fetch 完整详解（适配 OpenClaw 智能体工具体系，可写入 TOOLS.md）
一、基础定义
1. Web‑Search（网页检索工具）
输入：自然语言搜索词（Query），交给搜索引擎（如 Bing、Tavily、Brave）全网检索。 输出：一批网页列表，包含标题、摘要、网页 URL，只给简略片段，不读取完整原文。
作用：发现网页、缩小信息范围、找到候选链接。
类比：在百度搜关键词，得到一排搜索结果。
2. Web‑Fetch（网页拉取 / 精读工具）
输入：固定 URL 链接。
动作：访问该网址，拉取完整 HTML，清洗广告、导航栏、页脚等无效内容，提取正文，转为 Markdown 文本，送入大模型上下文做深度阅读、提取、总结、提取数据。
作用：对已知网页进行精读、深挖细节。
类比：点开百度搜索结果里的某一条网页，阅读全文。
二、核心对比表
表格
| 对比项 | Web‑Search | Web‑Fetch |
|---|---|---|
| 入参 | 搜索语句（query 关键词） | 精准 URL 地址 |
| 输出结果 | 标题、摘要、链接列表 | 单页完整正文（清洗后） |
| 核心定位 | 发现资源、广域探索 | 精读指定页面、深度挖掘信息 |
| 使用顺序 | 前置第一步（先找链接） | 后置第二步（拿到 URL 再精读） |
| Token 消耗 | 低，只拿摘要 | 高，要加载完整页面文本 |
| 适用场景 | 不知道准确来源、查实时新闻、查新资料、探索调研 | 研读官网文档、政策原文、文章、PDF、提取表格、详细条款 |
三、标准串行工作流程（智能体标准链路）
- Web‑Search：大模型生成搜索关键词，全网检索，拿到一批候选网页 URL；
- 模型筛选高价值链接；
- 调用 Web‑Fetch，读取选定网页全文；
- 将精读后的正文作为上下文，交由大模型分析、总结、提炼结论。 一句话流程：Search 找链接 → Fetch 读原文 → LLM 做决策。
四、二者的局限性（结合前面的大模型理论）
- Web‑Search 只拿到摘要，摘要信息碎片化、信息不全，只靠摘要做决策，很容易信息片面，造成判断偏差（对应大模型依赖上下文、不确定性高、一致性差的问题）。
- Web‑Fetch 虽然原文完整，但存在两个约束：
- 页面内容过多，会大量消耗 Token；
- 无法读取 JS 动态渲染页面、登录后才能访问的内网页面；只能抓取静态网页内容。
五、适配 OpenClaw‑TOOLS.md 的工具规则定义（可直接复制）
markdown
# Web‑Search、Web‑Fetch 调用规范 1. 调用顺序约束：必须优先执行Web‑Search获取候选URL，再按需调用Web‑Fetch精读页面；禁止无目的批量Fetch，避免浪费Token。 2. 权限约束：仅主Agent可调用联网工具，子Agent只可提出联网需求，不能直接调用。 3. Web‑Search：用于查询互联网公开信息、最新行业资料、技术文档、实时资讯。 4. Web‑Fetch：仅对Search筛选后的高优先级网页执行精读；单次最多同时Fetch3个网页，防止上下文过载。 5. 内网、需要登录的页面禁止调用两个网页工具。 6. 精读后提炼的长期业务知识，由MemoryEditor工具写入MEMORY.md长期记忆，后续任务不必重复联网查询。六、结合之前的大模型理论做延伸总结
Web‑Search+Web‑Fetch 本质就是用来补充大模型截止日期之后的外部信息，补齐上下文。 可也正因大模型决策完全依赖上下文：
- 如果只依靠 Search 摘要信息做判断，上下文信息残缺，会放大模型的不确定性，更容易出现逻辑漂移、前后不一致；
- 只有通过 Fetch 精读原文，补齐完整上下文，才能让大模型的决策更严谨；
- 再依靠 OpenClaw 六份 MD 文件做刚性约束，把联网获取的信息约束在既定业务框架内，规避 “见风使舵式” 的自由决策问题。
)
