Tavily：为 AI Agent 而生的搜索 API——与 OpenClaw 的集成路径分析
> 来源: https://tavily.com | https://docs.tavily.com
> GitHub（MCP）: https://github.com/tavily-ai/tavily-mcp
> GitHub（Skills）: https://github.com/tavily-ai/skills
> 文档: https://docs.tavily.com/documentation/agent-skills
> 日期: 2026-03-13
📌 一句话总结
Tavily 是专为 LLM 和 AI Agent 设计的搜索 API——返回的不是传统搜索引擎的网页列表，而是对 LLM 优化的结构化内容摘要。提供 Search / Extract / Crawl / Research 四大能力，有 MCP Server 和 Agent Skills 两种接入方式。免费 1,000 credits/月。
🧠 Tavily 是什么
传统搜索 API（Google、Brave、Bing）返回的是网页标题+链接+片段，Agent 拿到后还需要 web_fetch 抓取正文、解析内容。
Tavily 的核心差异：搜索结果直接返回 LLM 可消费的内容——已经提取、清洗、排序好的文本，带有相关性评分。省掉了"搜索→抓取→解析"的中间步骤。
传统流程: web_search → 得到 URL → web_fetch → 解析 HTML → 提取正文
Tavily: tavily_search → 直接得到清洗后的内容摘要
🔧 四大 API 能力
| API | 功能 | Credit 消耗 |
|---|---|---|
| **Search** | LLM 优化的网页搜索，返回内容摘要+评分 | Basic 1 / Advanced 2 |
| **Extract** | 从指定 URL 提取干净的 Markdown/文本 | 每 5 URL = 1-2 credits |
| **Crawl** | 爬取整个网站，保存为本地 Markdown | Map + Extract 之和 |
| **Research** | AI 综合研究，带引用的深度报告 | Pro 15-250 / Mini 4-110 |
| **Map** | 网站结构映射 | 每 10 页 = 1-2 credits |
💰 定价
| 套餐 | 额度/月 | 月费 | 单价/credit |
|---|---|---|---|
| **Researcher（免费）** | 1,000 | $0 | — |
| **Project** | 4,000 | $30 | $0.0075 |
| **Bootstrap** | 15,000 | $100 | $0.0067 |
| **Startup** | 38,000 | $220 | $0.0058 |
| **Growth** | 100,000 | $500 | $0.005 |
| **PAYG** | 按用量 | — | $0.008 |
免费额度 1,000 credits/月 = 1,000 次 Basic Search 或 500 次 Advanced Search。
🔌 两种接入方式
1. MCP Server
# 远程（零安装）
https://mcp.tavily.com/mcp/?tavilyApiKey=tvly-xxx
# 本地
npx -y tavily-mcp@latest
MCP 提供 4 个标准工具：tavily-search / tavily-extract / tavily-map / tavily-crawl。任何支持 MCP 的 Agent 都能直接调用。
2. Agent Skills
npx skills add tavily-ai/skills
提供 5 个 Skill：/search /research /extract /crawl /tavily-best-practices。设计给 Claude Code、Codex、Cursor 等 Agent 使用。
🔍 与 OpenClaw 的集成分析
现状：OpenClaw 不原生支持 Tavily
OpenClaw 的 web_search 工具支持 5 个 provider：
| Provider | 状态 |
|---|---|
| Brave | ✅ 原生支持（我们在用） |
| Perplexity | ✅ 原生支持 |
| Grok | ✅ 原生支持 |
| Gemini | ✅ 原生支持 |
| Kimi | ✅ 原生支持 |
| **Tavily** | ❌ 不支持 |
OpenClaw 的 config schema 也没有 MCP 配置项，所以 Tavily MCP Server 目前无法接入。
原生支持 vs Skill 的关键区别
| 维度 | 原生 `web_search` | Skill（exec 脚本） |
|---|---|---|
| **Tool call 次数** | 1 次 | 2-3 次（读 Skill → exec → 解析） |
| **Token 开销** | 低（结果直接返回） | 高（SKILL.md + JSON 都占 context） |
| **可靠性** | 高（OpenClaw 保证） | 中（依赖 Agent 正确执行） |
| **错误处理** | 内置重试/超时/缓存 | 需要 Agent 自己处理 |
| **配置** | config 一行 | SKILL.md + 脚本 + 环境变量 |
| **Provider 切换** | 改 config 即可 | 改 Skill 文件 |
| **Agent 感知** | 无感（像调函数） | 有感（要读文档、拼命令） |
一句话：原生支持 = Agent 无感调用；Skill = Agent 手动拼接。差的是可靠性和效率。
三条集成路径
路径 A：写 OpenClaw Skill（现在就能做）
在 ~/.openclaw/skills/tavily/ 写一个 SKILL.md + search.sh 脚本：
#!/bin/bash
# tavily-search.sh
curl -s -X POST https://api.tavily.com/search \
-H "Content-Type: application/json" \
-d "{\"api_key\":\"$TAVILY_API_KEY\",\"query\":\"$1\",\"search_depth\":\"basic\",\"max_results\":5}" \
| jq '.results[] | {title, url, content}'
优点：立刻可用
缺点：多消耗 token，可靠性不如原生
路径 B：等 OpenClaw 支持 MCP（中期）
OpenClaw 加上 MCP 配置后，直接在 config 里加 Tavily MCP Server。Agent 调用 MCP 工具等同于原生支持。
优点：接近原生体验
缺点：要等 OpenClaw 更新
路径 C：向 OpenClaw 提 PR，加 Tavily 为原生 provider（最优）
在 tools.web.search.provider 里加一个 "tavily" 选项。
优点：最佳体验
缺点：需要 OpenClaw 接受 PR
🆚 Tavily vs Brave Search（我们目前的方案）
| 维度 | Brave Search | Tavily |
|---|---|---|
| **免费额度** | 2,000 次/月 | 1,000 credits/月 |
| **速率限制** | 1 req/s（Free） | 无明确限制 |
| **返回内容** | 标题+链接+片段 | **LLM 优化的内容摘要** |
| **需要 web_fetch** | ✅ 经常需要二次抓取 | ❌ 搜索直接返回内容 |
| **Extract 能力** | 无（靠 web_fetch） | ✅ 内置 Extract API |
| **Crawl 能力** | 无 | ✅ 内置 Crawl API |
| **Research 能力** | 无 | ✅ AI 综合研究+引用 |
| **OpenClaw 支持** | ✅ 原生 | ❌ 需要 Skill/MCP |
| **深度研究适配** | 中（搜索+抓取分离） | 高（一步到位） |
💡 与我们的关联
1. 深度研究流程优化：目前我们的流程是 web_search → web_fetch → 解析，Tavily 可以合并为一步。每篇报告省 2-3 次 tool call
2. Brave 的 fallback：Brave Free 限 1 req/s 且额度 2,000，经常触发 429。Tavily 1,000 credits 可作为补充
3. Research API 很诱人：Tavily 的 /research 能直接返回带引用的综合报告，可以作为我们深度研究的预研步骤
4. 成本可控：免费 1,000 credits/月，我们每篇报告约 3-5 次搜索，月产 100 篇报告够用
5. 建议先注册免费账号试用，写个简单 Skill 做 Brave 的 fallback
📊 评分
| 维度 | 评分（/10） |
|---|---|
| 产品成熟度 | 8.5 — MCP + Skills + REST API，生态完整 |
| LLM 优化度 | 9.0 — 专为 Agent 设计，返回格式最优 |
| 免费额度 | 7.0 — 1,000 credits 够小规模用 |
| OpenClaw 集成 | 5.0 — 不原生支持，需要 Skill 或等 MCP |
| 与我们的关联 | 8.0 — 直接优化深度研究流程 |
| **综合** | **7.5** |
报告由深度研究助手自动生成 | 2026-03-13
来源: https://tavily.com | https://docs.tavily.com