Datawhale实测

AI搜索技术：Agentic Search

放眼整个行业，这两年AI搜索的玩家其实不少。国外有Perplexity想成为新一代通用搜索，You.com在探索多模型集成，Phind主打开发者场景，SciSpace则专注学术搜索；国内的大厂和新创团队也都在不同方向不断试水。

但跟多数AI产品逐渐调整赛道、跟风追热点不同，我们有关注到，秘塔一直在搜索这条路上探索新的玩法。无论是之前推出的“今天学点啥”还是“深度研究”，都让人看到了搜索的更多可能性。这一次，在搜索方式上有了新的技术——Agentic Search。

一、Agentic Search

从官方信息来看，Agentic Search主打“边想边搜，边搜边做”。这是对传统AI搜索范式的一次系统性重构。相较于以往“单轮问答式”的搜索机制，它更强调任务感知与过程执行，即在理解用户目标的基础上，自动规划执行路径并逐步完成任务。

在具体能力层面，Agentic Search支持多步工具调度，可自主完成5–15步任务链。背后的关键技术在于：模型不仅要理解自然语言，还要根据任务逻辑动态判断所需工具、协调中间产出，并保持过程的连贯性与上下文一致性。这意味着产品能力不再局限于“答题”，而是具备了一定程度的自主规划和问题求解能力。

目前，Agentic Search已内置包括多模态搜索、代码生成、图表绘制、PPT制作、图片编辑、音频处理在内的20余种常用工具，基本覆盖了科研、内容创作、数据分析、知识整合等高频场景。这种工具体系的横向广度，加上可串联调度的纵向深度，使其在执行复杂任务时具备了较强的通用性与完成度。

为了承载更复杂的推理过程，新版本模型的参数规模也较旧版提升了10倍，在官方盲测中，新版本在同一任务集上对旧版模型的胜率更是达到了73%。这不仅带来了语义理解与任务规划能力的显著增强，也为多模态协同、上下文保持等任务提供了更强的底层支撑。

图源：秘塔官方推文

综合来看，Agentic Search并不是在传统AI搜索的基础上进行工具堆叠，而是以智能代理为核心目标，重构了搜索流程中的角色定位与系统逻辑。将“信息检索”嵌入“任务执行”流程之中，使搜索行为本身具备了问题拆解、路径规划、工具调用和结果交付的一体化能力。

二、上手实测，看看效果

作为秘塔的老用户，Agentic Search上线后，团队用它跑了几个不同类型的任务。

第1个任务：

“写歌”任务同时涉及文字创作和旋律合成，是典型的跨模态挑战。

任务结果：https://metaso.cn/s/S6vSReu

Agentic Search不仅能生成完整的歌词和配曲，还直接输出音乐。整体效果还是挺不错的，几乎可以直接投入使用。

第2个任务：

对于众多大模型来说，一些简单的计算类问题其实仍是困扰它们的难题。有时思考方向都会出错，结果正确度就更不用说了。例如下面这道函数图像问题，很多大模型都容易算错：

而Agentic Search的处理方式，是调用代码类工具来实际计算并画图。这种方式不仅结果可视化，更大幅提升了准确率和可靠性。

任务结果：https://metaso.cn/s/QHvUfcp

第3个任务：

网页生成不仅是格式转换，更考验内容解析、排版逻辑和美化输出。Agentic Search在这一点上做得比较成功，选择“美化输出”功能，不仅能准确提取正文结构，还可以自动生成排版合理、观感舒适的网页页面：

▲上下更多

任务结果：https://metaso.cn/s/2bW2b0V

对需要做知识库归档、教学资料整理的用户来说，这个能力很实用。

第4个任务：

P图是日常最高频的需求之一：

任务结果：https://metaso.cn/s/Cbb25aA

Agentic Search不仅能完成修改，而且生成速度很快，效果自然流畅。

第5个任务：

发送一封邮件的完整链路：构思内容→生成配图→排版邮件→发送。而这些，现在只需要一个搜索框就能完全搞定：

任务结果：https://metaso.cn/s/ke8BzgN

可以看到，内容、排版都是符合要求的，甚至附上了一份音频版本。可以说，Agentic Search现在已经能帮忙跑完现实生活中的一整个“办公闭环”，在提升效率和减少人工操作上很有实用价值。

三、关于AI搜索的一些思考

几个测试下来最大的感受是，Agentic Search不是传统意义上的“搜索升级”，它更像是一个“能动手干活”的智能工具入口——既能理解复杂需求，也能产出完整结果。

这也让我开始思考一个更大的问题：它和我们常说的“AI智能体”，到底有什么区别？

我的想法是，与那些追求自主性、持续感知和长期记忆的通用智能体不同，Agentic Search的目标并不是去模拟人类思维，而是专注于务实地完成任务。

它把“搜索”从简单的信息查询扩展到任务的执行上，你告诉它目标，它就能从获取信息到完成任务的整个流程都给你完成。

这种形态，恰恰可能比真正意义上的智能体更适合现在。因为它门槛更低、成本更可控、行为更稳定，而且不需要你重新学习新的交互方式，也不需要让系统维护长时间的上下文记忆。在大多数普通用户的使用场景里，与其说他们需要一个“有感知的Agent”，不如说他们更需要一个能“把事做完”的搜索工具。

所以，Agentic Search不一定是“智能体时代的终极形态”，但它绝对是最接地气、最能落地的那一步。在“AI搜索还能怎么玩”这个问题上，它做出了一个非常现实、且能立刻应用的解答。未来的方向，也许并不是一味地让搜索更聪明，而是让搜索更能帮我们“做事”，让我们从繁琐的操作中解放出来。