大家好！我是瓜哥。前互联网技术副总裁，现在带队死磕 AI 编程。
随着 Agent 能力越来越强，越来越多的人习惯把任务直接交给 AI，包括需要联网查资料的任务。
这件事听起来普通，实际解决的是一个很具体的问题：（智能体 + 大模型）的组合擅长理解和生成，但自身知识却存在时效性限制。
虽然今天的智能体都内置了搜索能力，比如 Codex 能直接调用的 OpenAI Web Search 能力，谷歌的 Antigravity 内置了 Google Search，都能搞定临时查资料、快速回答问题的需求。Agent 要想处理好最新实时信息，仍然需要靠谱的搜索工具。
Tavily 这类第三方搜索工具，更适配多来源研究、深度调研的业务场景，更强调搜索过程的控制、内容处理和工作流复用，更适合通过 CLI、Skill 或 MCP 接入本地 Agent 工作流。
今天，我们就来聊聊这个看似不起眼，却非常实用的工具：Tavily Search。
如果你也在自己折腾产品、天天跟 AI 写代码较劲，那这个号你大概率会觉得对味。点个关注，我会持续分享 AI 编程实战干货。
正片开始。
比如想换个手机，如果直接问 AI iPhone 17 Pro 值不值得买、某个 Skill 怎么安装、最近一周 AI 编程工具有什么更新。
没有实时搜索时，它只能调用已有知识；接入 Tavily 后，它可以先找网页，再把网页交给 Codex 继续提取、比较和整理。
所以，这篇文章不只介绍安装命令，我会先用三个任务展示效果，再解释 Tavily 是什么、怎么用，最后给出 SDK、MCP 和 CLI + Skill 三种接入方式的选择建议。
一、先看三个实操结果
1. 汇总手机评测，判断 iPhone 17 Pro 是否值得买
① 先让 Codex 找到不同来源
我给 Codex 的任务是：
我在考虑购买 iPhone 17 Pro。请搜索 Apple 官方规格页，以及 5-8 篇专业评测文章，优先选择 GSMArena、The Verge、Tom's Guide、MacRumors 等来源。请重点整理：性能、相机、续航、发热、外观、耐用性、屏幕体验、与上一代相比的升级，以及购买建议。请把结果分成：- 多个评测共同认可的优点- 多个评测提到的缺点- 只有单篇评测提到的观点- Apple 官方规格与媒体主观体验最后回答：什么人适合买？什么人不建议买？已有 iPhone 16 Pro 的用户是否值得升级？每条重要结论附原始链接，不要把单篇评测的观点写成普遍事实。这个任务里，Tavily Search 先找到 Apple 官方规格和媒体评测， Tavily Extract 再读取具体页面，Codex 最后负责归类和判断。
Apple 的官方规格页适合确认尺寸、重量、屏幕、相机、接口和续航标称值。媒体评测则负责补充真实使用感受。
- The Verge 的评测把续航、户外屏幕、前置摄像头和发热列为正向体验，同时指出重量和 Siri 等问题。
- GSMArena 提供了屏幕、续航、充电、性能和相机等分项测试，它的结论也提醒新设计和散热改进并不等于所有场景都能覆盖。
② 把正面评价和负面评价分开
经过整理后，结果不应该只有一句值得买。更有用的格式是：
| 维度 | 正向评价 | 负向评价 | 适合谁 |
|---|---|---|---|
| 性能 | 高负载任务和游戏表现强 | 普通用户未必感知明显 | 重度用户、创作者 |
| 相机 | 长焦、视频和新前置摄像头受到关注 | 部分升级集中在专业拍摄场景 | 摄影和视频用户 |
| 续航 | 多篇评测认可续航改善 | 测试条件不同，不能直接横比 | 经常出差、重度使用者 |
| 外观 | 新设计带来明显变化 | 铝金属机身和重量引发争议 | 接受新设计的人 |
| 升级价值 | 旧机型用户能得到新功能 | 上一代 Pro 用户未必需要马上换 | iPhone 13/14 等老用户 |
这比 AI 直接将所有结论混成一个总分更好。我们真正要的不是结果看起来整齐，而是这些重要的决策依据。
③ 给不同用户不同答案
另外还应按人群判断：
- 重视长焦、视频和高负载性能，值得考虑 iPhone 17 Pro。
- 主要聊天、拍照、刷视频，标准版 iPhone 可能已经够用。
- 已有上一代 Pro，先判断是否需要新相机、续航和散热。
- 在意价格、重量或耐用性，不要只看性能评价。
有了这些按不同人群，收集 - 汇总 -整理 的关键决策信息，这才真的能辅助我们做出高质量的判断。
这就是 Tavily 和 Codex 的组合价值：Tavily 汇总多篇评测，Codex 将 “别人怎么评价” 转化为 “我是否适合购买”。
2. 把 svg-architect 变成小白安装教程
① Search 找到官方仓库
想要安装一个 github 上开源 agent skill，我不需要事先知道完整安装方法。
我只给 Codex 一个 GitHub 地址和目标：
请读取这个项目的官方 GitHub 页面：https://github.com/guage1029/svg-architect提取它的项目定位、安装命令、前置依赖、使用方法和常见问题，过滤掉展示图和与安装无关的内容，最后整理成小白能执行的安装教程。Tavily Extract 能从 README 中提取项目结构、快速安装、使用方法和环境要求。
② 从原始 README 提取执行步骤
整理后，安装流程可以压缩成：
git clone https://github.com/guage1029/svg-architect.gitcd svg-architectbash scripts/install.sh如果需要在自动化环境里安装，也可以使用非交互参数：
bash scripts/install.sh \ --dest ~/.codex/skills \ --workspace ~/svg-output \ --yes \ --skip-deps*tips：实际使用时，--dest 应该根据 Agent 的 Skill 目录调整。Codex、Claude Code、OpenCode 的目录可能不同，不能把一个路径硬套到所有客户端。*
③ 生成一个本地 HTML 页面
我让 Codex 把提取结果生成一个本地 HTML 页面，页面包含：
这个 Skill 是什么安装前需要什么环境一键安装命令每一步应该看到什么结果如何确认 Agent 能发现 Skill常见安装问题官方仓库链接这个页面的意义不在于“把 README 换成网页”，而是把一个面向开发者的仓库说明，重新组织成普通用户能照着完成的操作路径。配套页面：svg-architect 小白安装指南
3. 把最近一周的 AI 动态整理成简报
① 限定搜索时间
当我们要抓取最新实时信息：
请搜索过去 7 天关于 AI 编程工具的主要动态，筛选 5 条最值得关注的消息。每条消息输出：标题、发布时间、来源、事实摘要、对普通开发者的影响，以及是否需要进一步核验。优先保留官方公告和原始报道，合并重复新闻，不要把媒体评论写成事实。对应的 CLI 命令可以写成：
tvly search "AI coding tools updates" \ --topic news \ --time-range week \ --depth advanced \ --max-results 10 \ --json② 让 Codex 处理重复和噪声
同一条新闻可能被多个媒体转载。Codex 可以先按事件去重，再保留最接近原始来源的页面。
如果某条消息需要深入阅读，可以继续提取：
tvly extract "https://example.com/article" \ --query "release details and developer impact" \ --chunks-per-source 3 \ --json③ 输出事实、影响和来源
简报不应该只给标题列表，而应该回答 “这和我有什么关系”。例如：
| 信息 | 已确认事实 | 对开发者的影响 | 来源状态 |
|---|---|---|---|
| 产品更新 | 官方公告已发布 | 可能影响现有工作流 | 官方来源 |
| 工具变化 | 媒体报道，等待官方确认 | 先观察，不急着迁移 | 待核验 |
这类任务是 Tavily Search 的典型使用方式：先发现变化，再让 Agent 继续判断变化是否值得关注。
二、Tavily Search 是什么？
1. 模型知识和实时网页信息不是一回事
① 模型擅长理解和推理
大模型擅长把复杂问题拆开，也擅长用自然语言解释结果。但它的内置知识不会随着互联网上每一篇新文章自动更新。
当我问：
- 某款手机现在值不值得买？
- 某个项目最新怎么安装？
这些问题里包含了时间因素，只靠模型记忆，答案往往是：一本正经的胡说八道。
② Tavily 提供当前网页信息
Tavily 的定位是面向 Agent 的 Web Layer（网页层）。它提供 Search、Extract、Map、Crawl 和 Research 等能力，让 Agent 能够访问当前网页信息。
简单说，模型负责理解问题，Tavily 负责把网页资料找回来。
2. Tavily 不是普通搜索框
① Search 负责发现网页
tavily-search 适合我还不知道资料在哪里的场景。它可以返回网页标题、URL、摘要和相关性信息，也支持主题、时间范围、域名和搜索深度等参数。
② Extract 负责读取正文
当我已经拿到一个网页链接，tavily-extract 更合适。它会把页面转成更适合 Agent 处理的 Markdown 或文本，适合长文、评测和官方文档。
③ Research 负责多来源综合
复杂比较、市场分析和深度调研可以交给 tavily-research。它会执行多步搜索和整理，输出带引用的研究结果。
官方推荐的工作流可以概括成：
- Search 找来源
- Extract 读页面
- Research 做多来源综合
3. Codex 和 Tavily 如何分工
① Tavily 负责找和取
不替我做最终购买决定，它的职责是提供更适合 Codex 消化的外部资料。
② Codex 负责理解和整理
Codex 可以把多篇评测归类成表格，把 README 改成安装教程，根据用户画像或要求给出不同建议。
③ 用户负责确认重要决策
对于准确性要求较高的场景，比如涉及购买、隐私、安全和资金的决定，仍然需要打开原始链接核对。搜索结果是决策材料，不是决策本身。
三、3 种接入方式怎么选
1. SDK / API 接入
① 给应用和后端使用
如果你想把 Tavily 接进自己的产品、后端服务或生产 Agent，SDK/API 是更直接的方式。可以自己控制请求参数、缓存、日志、重试和错误处理。
② 需要自己处理工程细节
SDK/API 的自由度最高，也意味着你自己搞定接入代码。它适合要把搜索能力做成产品功能的人，不适合只想在本地问几个问题的用户。
2. MCP 接入
① 适合团队共享
MCP 可以把 Tavily 作为一个标准工具接入支持 MCP 的客户端。多个 Agent 或团队成员可以共用同一套工具配置。
② 需要配置客户端和权限
MCP 的便利之处是工具会被 Agent 自动发现，代价是要处理远程服务、认证、客户端配置和权限管理。
3. CLI + Skill 接入
① 适合个人 CLI Agent
如果你只是想给 Codex、Claude Code 或 OpenCode 增加搜索能力，CLI + Skill 更轻量。Tavily 官方也把它定位为个人本地 coding 或 research session 的接入方式。
② 可以直接用自然语言调用
Skill 负责告诉 Agent 什么时候搜索、如何组织查询、什么时候提取网页。用户不需要自己拼接 API 请求。
| 接入方式 | 使用场景 | 适合人群 |
|---|---|---|
| SDK / API | 集成到应用、后端和生产 Agent | 开发者、产品团队 |
| MCP | 多个 Agent 共享统一工具 | 团队和组织 |
| CLI + Skill | 给本地 CLI Agent 增加搜索能力 | 个人开发者 |
四、我为什么选择 CLI + Skill？
1. 安装成本低
① 不需要先理解 MCP 配置
咱只需要安装 Tavily，再安装对应 Skill，就能让本地 Agent 具备搜索能力。
② 多个本地 Agent 可以复用
Skill 是文件目录。只要 Codex、Claude Code、OpenCode 指向同一个本地源目录，就能共享同一份使用规则。
2. 搜索结果容易被 Codex 继续处理
① 支持 JSON 输出
CLI 支持机器可读的 JSON 输出，适合让 Codex 继续做筛选、去重、提取和格式化。
tvly search "latest AI coding tools" --json② 可以串联多个能力
常见链路是：
- Search（搜索） → Extract（抓取） → Codex（整理）
- Search（搜索） → Research（调研） → Codex（改写）
3. 调试过程更透明
① 能直接看到命令
当搜索结果不理想时，可以修改关键词、增加域名限制或调整搜索深度，而不是猜 Agent 背后发生了什么。
② 能检查来源和失败原因
搜索失败时，可以判断是查询词不准确、目标网站无法读取，还是网页本身没有足够信息。
小结一下：相比较 Agent 内置的搜索能力，第三方搜索在功能和能力上更强大，更能胜任复杂信息查找的场景。
五、从注册到启用的完整过程
1. 准备 Node.js 和 CLI Agent
① 检查 Node.js 和 npx
先确认本地有 Node.js：
node --versionnpx --version不同版本的 Node.js 可能影响 npx skills add 的执行。如果命令不存在，先安装 Node.js，再继续下面的步骤。
② 确认 Agent 可以读取 Skill
这里以 CodexCLI 为例。Claude Code、OpenCode 等工具的 Skill 目录可能不同，安装方法一样，安装后需要重启 Agent。
2. 注册账户并安装 CLI
① 注册或登录 Tavily
打开 Tavily 官网（https://www.tavily.com/），完成注册登录。
② 在控制台创建 API Key
进入控制台后创建 API Key，并复制保存。
③ 安装配置 tvly
复制下方命令到终端，执行安装：
curl -fsSL https://cli.tavily.com/install.sh | bash安装后检查版本：
tvly --version④ 配置 API Key
把下面的占位符替换成自己的 API Key：
tvly login --api-key tvly-YOUR_API_KEY验证认证状态：
tvly auth3. 安装 Skill 并完成验证
① 安装三个常用 Skill
npx skills add tavily-ai/skills --skill tavily-search它负责发现网页和搜索资料。继续安装另外两个 Skill：
npx skills add tavily-ai/skills --skill tavily-extractnpx skills add tavily-ai/skills --skill tavily-researchtavily-extract 负责提取指定网页的正文，tavily-research 负责多来源深度研究和引用整理。
② 重启并验证
安装 Skill 后退出当前 Agent，再重新启动。
③ 执行第一次搜索
tvly search "latest AI coding tools" --json如果能看到结构化结果、网页标题和 URL，说明 CLI 已经可以工作。接着在 Codex 中输入：
搜索最近一周 AI 编程工具的主要更新，并附上来源。六、个人安装哪些 Skill 就够了
1. tavily-search
① 适合快速查资料
不知道信息在哪里时，用它发现网页、新闻和文档。
② 适合发现来源
它是日常使用频率最高的一个 Skill，购买前研究、查最新动态和寻找教程都能用。
2. tavily-extract
① 适合读取指定网页
拿到评测文章、官方文档或 GitHub 页面后，用它提取正文。
② 适合整理长文
它可以和 --query、--chunks-per-source 一起使用，只提取与当前问题有关的段落。
3. tavily-research
① 适合复杂问题调研
当问题涉及多个来源、多个维度和最终报告时，再使用它。
② 适合输出带引用报告
例如市场分析、竞品比较、技术路线调研，都比单次 Search 更适合 Research。
个人暂时不安装 tavily-map 和 tavily-crawl 也没关系。它们主要用于网站结构发现和批量网页提取，等真需要用的时候再补装即可。
七、使用 Tavily 时要知道的边界
1. 搜索结果不等于最终事实
① 需要打开原始来源
搜索摘要适合发现线索，不适合单独支撑重要结论。尤其是价格、版本、发布时间和兼容性，需要打开来源复核。
② 需要区分官方信息和媒体观点
官方页面适合确认规格和安装命令，评测文章适合补充体验，二者不能混为一谈。
2. 多篇评测不等于绝对结论
① 测试条件可能不同
续航、发热和性能测试会受到系统版本、网络、亮度和使用方式影响。
② 单篇观点不能当成普遍事实
Codex 应该标注 “多篇评测共同提到” 或 “单篇评测观点”，而不是简单计算好评数量。
3. API Key 和来源信息需要保护
① 不把 API Key 放进文章和截图
使用环境变量或 CLI 本地配置，不要把密钥提交到代码仓库。
② 重要结论保留原始链接
来源链接不仅是引用，也是复核结论的入口。
八、写在最后
Tavily 解决的是让 Agent 补上接触到最新网页信息的短板。
大模型负责理解问题，Tavily 负责寻找资料，Codex 负责比较、提取和整理。三者组合起来，搜索就不再只是返回一串链接，而是可以继续生成 评测报告、安装教程 和 关键信息 简报。
对个人用户来说，CLI + Skill 是一条比较顺手的入口。
先装 tavily-search，需要读取网页时再加 tavily-extract，复杂调研再启用 tavily-research，基本这 3 个 Skill 就能覆盖大多数人日常的使用场景。
而且tavily-search 注册免费，个人用户每月有 1000 次免费搜索额度，还等什么？
最后，欢迎在评论分享你的使用感受。
我是只分享 AI 实用干货的瓜哥，我们下期再见~
提交反馈
图文AI 擅长回答问题，但不会做研究，Codex 装上 Tavily Search，终于补上这块短板！
评论区
暂无公开评论还没有公开评论。