8 月 21 日，Mistral 发布 Agentic Search——一套让 AI「像研究员一样查资料」的多步检索能力。它靠 search、open、navigate、read、grep 五套工具构建检索循环：模型不是一次性「搜个关键词」，而是在长文档与多信息源之间主动查找、定位、打开、阅读、过滤并交叉核验，显著提升复杂查询的准确率。对 Agent 开发者来说，这是一套可复制、可评估的检索范式。
🧩 本教程适合：正在做 RAG、深度调研类 Agent 的开发者与进阶用户。我们从「五步循环」讲起，给出可照抄的工具编排与评估方法。
先搞懂：Agentic Search 和「搜一下」差在哪
传统搜索 API 是「关键词 → 结果列表」的一次性动作；Agentic Search 是循环：模型根据已找到的内容决定下一步「搜什么、打开哪、读哪段」，直到信息交叉核验完成。五个工具各司其职：
| 工具 | 动作 | 典型用途 |
|---|---|---|
| search | 发起检索 | 根据查询词获取候选结果列表 |
| open | 打开目标 | 打开搜索结果指向的文档/页面 |
| navigate | 定位内容 | 在文档内跳转、翻页、找章节 |
| read | 阅读内容 | 读取指定段落/区域的正文 |
| grep | 过滤定位 | 按关键词/模式在长文中精确定位 |
核心区别在「多步」：一次 search 找到的答案往往不够准。Agentic Search 的价值是「读了不满意就再搜、再开、再定位」——把检索变成可控循环，而不是碰运气。
Step 1：理解五步循环的编排逻辑
1 检索不是「一次」，是「一圈」
五步循环的典型路径：
第一圈（定位）：
1. search 「XX 产品的定价策略」
→ 得到候选来源列表
2. open 排在最前的官方文档
3. navigate 找到「定价」章节
4. read 读取关键段落
5. grep 过滤出「价格/套餐/条款」
相关行
第二圈（核验）：
1. search 「XX 产品定价 评测」
→ 找第三方来源交叉验证
2. open 第三方评测页
3. read 对比官方口径
4. 发现出入 → 回到 search
继续查最新公告
第三圈（收敛）：
· 多来源一致 → 输出结论
· 不一致 → 记录分歧并标注
关键：每一圈都基于
上一圈的实际内容，
而不是重复同一个搜索词💡 检索循环的质量取决于「什么时候该停下」：定一个收敛标准（如「至少两个独立来源一致」），模型才不会永远搜下去或过早下结论。
Step 2：接入选型——用现成服务还是自建循环
2 三条接入路径对比
路径 A：用 Mistral 平台现成能力
· 直接调用 Agentic Search
相关 API/平台能力
· 优点：五工具编排已封装
· 适合：不想重复造轮子
路径 B：在自己的 Agent 里
实现五工具循环
· 用 Function Calling / Tool
定义 search/open/navigate/
read/grep 五个工具
· 优点：完全可控、可插拔
· 适合：已有 Agent 框架，
想给检索加上「多步」能力
· 可对照
《Google ADK》
《LlamaIndex Workflows》
的工具编排方式
路径 C：套在深度调研框架里
· 与现成 Deep Research 工具
结合（见
《现成 Deep Research》）
选型建议：先跑路径 A
验证效果，再决定是否自建别一上来就自研：五工具循环看着简单，但「何时 open、何时 grep、何时停下」的决策质量，需要大量调参。先用现成能力验证业务价值，再谈自建。
Step 3：用 Function Calling 实现最小循环
3 五个工具 + 一个循环调度
最小实现骨架（伪代码）：
tools = [search, open, navigate,
read, grep]
loop(query, sources):
结果 = search(query)
for src in 结果.top3:
内容 = open(src)
定位 = navigate(内容, 章节)
段落 = read(定位)
命中 = grep(段落, 关键词)
结果集.添加(命中)
if 达到收敛标准:
break
返回 汇总(结果集)
关键设计点：
1. 每步工具返回要紧凑
（只返回摘要+位置，
需要时再展开全文——
渐进式披露，参考
《上下文工程三板斧》）
2. 循环有上限
（如最多 3 圈、最多开 10 个
来源），防止无限检索
3. 收敛标准显式声明
（来源数/一致性要求）
4. 每次 search 用上一圈的
新发现重写查询词
这样实现约 100-200 行，
即可跑通最小闭环💡 渐进式披露在这里同样关键：open 先返回目录/摘要，navigate 后再 read 具体段落——避免把整篇长文一次塞进上下文烧 token。
Step 4：编排一个「复杂查询」实战
4 「某公司近一年 AI 战略变化」怎么查
复杂查询拆解（对比传统 vs Agentic）：
传统做法：
· search「XX 公司 AI 战略 2026」
· 看前几条摘要，直接作答
· 风险：信息过时、口径混杂、
把旧闻当新闻
Agentic Search 做法：
1. search「XX 公司 AI 战略 2026」
→ 官方新闻稿 + 财报 + 高管访谈
2. 对每个来源：
· open → navigate 到
「AI/战略」章节
· read 关键段落
· grep「2026」「投资」「发布」
抽取时间线证据
3. 交叉核验：
· search「XX 公司 AI 2026 报道」
→ 第三方报道验证
4. 收敛输出：
· 按时间线组织变化脉络
· 标注来源与分歧点
· 结论可回溯（每句都有出处）
结果：可审计的调研结论，
而不是「看起来像答案」的拼凑检索能力 ≠ 事实保证：五步循环提升的是「找到并核验」的概率，不是 100% 准确。高价值结论仍要人工复核，参考《Agent 评测》建评估集。
Step 5：与深度调研 Agent 结合
5 把五步循环当成「调研骨架」
深度调研 Agent = 计划 + 循环 + 汇总
1. 计划阶段
· 把大问题拆成若干子问题
· 每个子问题独立跑检索循环
2. 循环阶段（核心）
· 每个子问题：search → open
→ navigate → read → grep
· 循环内记录「证据链」
（来源 + 段落 + 时间）
3. 汇总阶段
· 合并各子问题结论
· 标注置信度与分歧
· 生成结构化报告
生态对照：
· 与《DeerFlow 深度调研》
的 Super Agent 思路互补
· 与《Firecrawl 爬虫》
组合：Firecrawl 负责
大规模抓取，Agentic Search
负责精准检索核验
· 用户侧现成工具见
《Deep Research 三件套》
分层定位：
批量抓取（Firecrawl）
→ 精准检索（Agentic Search）
→ 框架编排（Agent 框架）💡 抓取与检索是两回事：抓取解决「把网页内容拿下来」，检索解决「在海量内容里定位答案」。Agentic Search 更接近后者——它是检索层的组件，不是完整调研产品。
Step 6：评估与落地清单
6 上线前先过这六项
落地检查清单：
1. 成本控制
· 循环圈数/来源数设上限
· 渐进式披露避免全文注入
· 缓存高频查询结果
2. 质量评估
· 建 20-50 个真实查询评估集
· 对比「一次性 search」vs
「Agentic Search」准确率
3. 超时兜底
· 单查询最长耗时设阈值
· 超时返回部分结果 + 提示
4. 来源可信度
· 官方源优先，第三方核验
· 输出标注来源与时间
5. 合规边界
· 涉及付费内容/隐私数据
的抓取与引用要克制
6. 与现有栈协同
· 记忆：检索结论存入
《记忆系统》
· 评测：纳入
《Evals 流程》
判断标准：
准确率提升 + 成本可控
= 值得上线；
只提升准确率但成本翻倍，
先优化再推广别让「多步」变成「多烧」：每一圈检索都产生 token 成本。先小流量验证（评估集 + 日志监控），确认收益后逐步放开，别一上线就全量。
常见问题速查
| 你遇到的现象 | 大概率原因 & 解决 |
|---|---|
| 检索结果还是旧的 | 查询词没随新发现重写：让模型基于上一圈内容重新构造搜索词 |
| 循环停不下来 | 收敛标准缺失：声明「至少两个独立来源一致」等明确条件，并设圈数上限 |
| token 消耗暴涨 | 整篇文档进了上下文：改为渐进式披露，先摘要后按需读段落 |
| 结论和事实有出入 | 缺乏交叉核验：强制第三方来源验证，输出标注来源与置信度 |
| 不知道自建还是用现成 | 先用 Mistral 现成能力跑评估集，效果好再考虑自建循环 |