大模型出现后，搜索曾被视为即将消失的功能。毕竟 AI 能迅速给出完整回答，足以替代基础搜索需求。然而近半年观察发现，搜索不仅未消失，反而愈发重要，只是其核心用户已从“人”转变为"Agent"。
这一变革悄然发生。尽管用户日常使用 ChatGPT、豆包、Claude 等工具，却往往忽视其背后的搜索机制。AI 在回答问题或执行任务时，需先获取外部信息再进行整理判断。正如梁文锋所述，搜索仍是大模型系统的关键组件。AI 回答的质量并非仅取决于模型本身，更依赖于其获取信息的准确性。
#01 为什么搜索依然重要？
模型并非全知全能。在 Agent 交互中，模型负责理解问题、组织语言与推理，但答案的准确性很大程度上取决于输入信息的质量。大模型的知识源于训练数据，这些数据被压缩为参数，导致模型无法保证事实的绝对准确，也无法自动获知训练后的新动态。
因此，大模型的回答可能过时或产生“幻觉”。搜索的作用在于将外部最新信息重新注入模型，使其基于确证的事实进行总结与推理。高质量回答往往是模型能力与搜索能力共同作用的结果。
随着 Agent 成为核心应用场景，搜索的重要性进一步凸显。过去 AI 仅需回答单一问题，如今则需连续工作数小时以完成复杂任务。任务周期越长，涉及信息越多，任何错误或过时信息都可能导致最终结果偏差。
在长程任务中，搜索承担两大核心职能：
一是补充信息。Agent 无法在任务启动时掌握全部材料，需在执行过程中动态发现缺失并持续查找。
二是核查信息。获取资料后，需确认其时效性、来源可靠性及与其他材料的互证关系，遇矛盾时需追溯至原始出处。
搜索已不再是任务前的单次查询，而是贯穿 Agent 执行全过程的基础设施。任务越复杂，Agent 对搜索的依赖度越高，因为任何信息缺口都可能被后续推理放大。
#02 Agent 原生的搜索服务
对于开发 Agent 类产品，字节的豆包搜索是值得推荐的解决方案。其提供每月 500 次的免费额度，且无需付费即可上手。据产品团队调研，豆包搜索是目前行业内面向 Agent 优化的最佳搜索服务之一。
豆包搜索从设计之初便定位于"Agent 原生”，无历史包袱。以下通过内部真实案例说明其应用效果。
团队内部 CMS 后台运行着一个“讲师雷达”Agent，用于大会业务中的讲师背景调查。以往该工作由人工完成，现已升级为自动化尽调 Agent。
输入讲师基本信息后，Agent 通过多轮检索与推理输出完整报告。在处理此类任务时，Agent 往往只有一个宏观目标，需自行拆解任务线索，发起搜索并根据结果动态调整方向，直至信息完备。
豆包搜索返回可直接使用的结构化数据，省去了网页抓取、正文提取和格式清理等中间环节。此外，其信源质量管控能力尤为突出。
当前网络信息混杂，AI 生成内容、搬运信息及 SEO 堆砌页面泛滥。传统依靠域名判断可靠性的方法已显不足，同一网站内也可能良莠不齐。豆包搜索能深入判断信息本身的可靠性，并在金融、学术等高精度领域对信源分级，优先采用官网、专业机构及一手资料。
这对 Agent 至关重要。若 Agent 误用不可靠信息，后续推理将基于错误前提，导致结论根本性偏差。此外，针对天气、油价、金价等实时数据，豆包搜索亦能直接返回结构化结果。
该 Agent 采用的是 Doubao-Seed-Evolving 模型。该模型支持周级更新，无需像传统模型那样等待新版本发布、更换模型 ID 或迁移接口。开发者只需接入一次，官方即会在该分支上持续升级，近期更新已支持 1M 上下文并提升了 Token 效率。
#03 写在最后
搜索已成为 Agent 时代的信息基础设施。一个成熟的 Agent 至少需具备两种核心能力：一是理解眼前发生什么（依赖多模态能力，如看屏、读图、识文档）；二是知晓外部世界正在发生什么（依赖搜索能力，用于查找、核实和补全信息）。
Agent 时代需要与之匹配的搜索能力。过去，搜索将链接呈现给人，由人完成后续处理；而在 Agent 世界中，模型决定了是否会思考，搜索则决定了依据什么去思考。这种代际差异，标志着技术范式的深刻转移。
