Cloudsway Search：排序搜索 + 动态摘要

结论先行 — Cloudsway Search 是 SandBase 上的网络搜索 API，返回排序结果 + 动态摘要，专为需要实时结构化网络数据的 AI Agent 设计。一个操作、干净输出：标题、URL、摘要片段、相关度评分和可选全文提取。最适合研究型 Agent、事实核查工作流和竞争情报，即需要权威排序结果而非语义匹配的场景。

Cloudsway Search 做什么

Cloudsway Search 是通过 SandBase 提供的搜索即服务工具。不同于 LLM 知识（训练时冻结）或向量数据库（仅限已索引内容），Cloudsway 让你的 Agent 访问实时网络结果——按相关度排序，附加摘要。

输出为 Agent 消费而结构化：

{
  "results": [
    {
      "title": "字节跳动发布 Seedream 5.0 Pro - AI 图像生成",
      "url": "https://example.com/seedream-5-release",
      "snippet": "字节跳动宣布 Seedream 5.0 Pro，最新图像生成模型...",
      "score": 0.95,
      "published_date": "2026-07-15",
      "summary": "Seedream 5.0 Pro 是字节跳动的生产级图像模型，提供两个变体..."
    }
  ],
  "query_interpretation": "image generation model bytedance 2026",
  "total_results": 142
}

核心特性：

• 排序结果 — 按相关度排列，不止关键词匹配
• 动态摘要 — AI 生成的每条结果摘要，根据查询上下文定制
• 时效性 — 实时网络索引，非过期缓存数据
• 结构化输出 — JSON 格式直接供 Agent 处理，无需解析 HTML
• 单一操作 — 一次 API 调用获取全部

SandBase 上的 API 用法

通过 SandBase 的 /v1/run 端点访问：

from openai import OpenAI

client = OpenAI(
    base_url="https://api.sandbase.ai/v1",
    api_key="your-sandbase-api-key"
)

# 基础搜索
response = client.post("/v1/run", body={
    "model": "cloudsway/search",
    "operation": "search",
    "input": {
        "query": "AI Agent 记忆架构最佳实践 2026",
        "num_results": 10
    }
})

results = response.json()["output"]["results"]
for r in results:
    print(f"[{r['score']:.2f}] {r['title']}")
    print(f"  {r['url']}")
    print(f"  {r['summary']}")

高级搜索参数

# 带过滤和选项的搜索
response = client.post("/v1/run", body={
    "model": "cloudsway/search",
    "operation": "search",
    "input": {
        "query": "企业级 AI Agent 部署策略",
        "num_results": 20,
        "include_full_text": True,    # 包含完整页面内容
        "freshness": "month",         # 仅最近一月结果
        "language": "zh",             # 语言过滤
        "include_summary": True       # 生成逐条摘要
    }
})

results = response.json()["output"]["results"]
for r in results[:3]:
    print(f"标题: {r['title']}")
    print(f"全文长度: {len(r.get('full_text', ''))} 字符")
    print(f"摘要: {r['summary']}")

架构：排序搜索 vs 语义搜索

理解何时用 Cloudsway、何时用语义搜索（如 Exa），需要理解各自机制：

维度	Cloudsway（排序搜索）	语义搜索（如 Exa）
匹配方式	相关度排序（BM25 + 神经重排）	嵌入向量相似度
索引	实时网络索引	精选网络内容
最适合	查找某主题的权威来源	按含义/概念查找内容
查询风格	自然语言或关键词	自然语言描述
时效性	实时网络	取决于爬取频率
输出	排序列表 + 摘要	内容 + 相似度分数
优势	广度、时效、权威信号	精度、概念匹配

用 Cloudsway 的场景：

• “X 领域最新进展是什么？”
• “找到关于 Y 的权威来源”
• “大家怎么评价 Z？”
• 竞争情报、市场调研、新闻监控

用语义搜索的场景：

• “找到与这篇文档相似的内容”
• “哪些页面从 Y 角度讨论了 X 概念？”
• “找到匹配这个特定技术描述的资源”

Agent 应用场景

场景一：研究型 Agent

Agent 围绕主题收集信息并生成结构化报告：

class ResearchAgent:
    """用 Cloudsway Search 收集和综合信息的 Agent。"""
    
    def __init__(self, api_key: str):
        self.client = OpenAI(
            base_url="https://api.sandbase.ai/v1",
            api_key=api_key
        )
    
    def research_topic(self, topic: str, depth: int = 3) -> dict:
        """多轮搜索研究一个主题。"""
        
        # 第一轮：宏观概览
        overview = self._search(f"{topic} 概览指南 2026", num_results=10)
        
        # 第二轮：提取子话题，逐个搜索
        subtopics = self._extract_subtopics(overview, topic)
        detailed = {}
        for sub in subtopics[:depth]:
            detailed[sub] = self._search(f"{topic} {sub} 详细", num_results=5)
        
        # 第三轮：寻找反面/替代观点
        contrarian = self._search(f"{topic} 挑战 问题 批评", num_results=5)
        
        return {
            "overview": overview,
            "subtopics": detailed,
            "challenges": contrarian
        }
    
    def _search(self, query: str, num_results: int = 10) -> list[dict]:
        response = self.client.post("/v1/run", body={
            "model": "cloudsway/search",
            "operation": "search",
            "input": {"query": query, "num_results": num_results, "include_summary": True}
        })
        return response.json()["output"]["results"]
    
    def _extract_subtopics(self, results: list[dict], topic: str) -> list[str]:
        summaries = "\n".join(r["summary"] for r in results if r.get("summary"))
        response = self.client.chat.completions.create(
            model="openai/gpt-4o-mini",
            messages=[{
                "role": "user",
                "content": f"根据以下关于'{topic}'的摘要，列出 5 个值得深入的子话题：\n\n{summaries}"
            }],
            max_tokens=200
        )
        return response.choices[0].message.content.strip().split("\n")

场景二：事实核查 Agent

通过搜索支持/反驳证据来验证声明：

class FactCheckAgent:
    """通过网络搜索证据验证声明。"""
    
    def __init__(self, api_key: str):
        self.client = OpenAI(
            base_url="https://api.sandbase.ai/v1",
            api_key=api_key
        )
    
    def verify_claim(self, claim: str) -> dict:
        """核查一条声明。"""
        support = self._search(f"{claim} 证据 确认")
        contra = self._search(f"{claim} 辟谣 错误 不实")
        
        confidence = self._score(support, contra)
        
        return {
            "claim": claim,
            "confidence": confidence,
            "verdict": self._verdict(confidence),
            "supporting": support[:3],
            "contradicting": contra[:3],
        }
    
    def _search(self, query: str) -> list[dict]:
        response = self.client.post("/v1/run", body={
            "model": "cloudsway/search",
            "operation": "search",
            "input": {"query": query, "num_results": 5, "include_summary": True}
        })
        return response.json()["output"]["results"]
    
    def _score(self, support: list, contra: list) -> float:
        s = sum(r.get("score", 0) for r in support)
        c = sum(r.get("score", 0) for r in contra)
        return s / max(s + c, 0.01)
    
    def _verdict(self, conf: float) -> str:
        if conf > 0.8: return "很可能为真"
        elif conf > 0.6: return "可能为真"
        elif conf > 0.4: return "不确定"
        elif conf > 0.2: return "可能为假"
        else: return "很可能为假"

场景三：竞争情报

监控竞争对手最新动态：

class CompetitiveIntelAgent:
    """通过网络搜索追踪竞品动态。"""
    
    def __init__(self, api_key: str):
        self.client = OpenAI(
            base_url="https://api.sandbase.ai/v1",
            api_key=api_key
        )
    
    def monitor_competitor(self, competitor: str, aspects: list[str]) -> dict:
        intel = {}
        for aspect in aspects:
            results = self._search(f"{competitor} {aspect} 2026", freshness="week")
            intel[aspect] = {
                "findings": results[:5],
                "insight": self._summarize(results, competitor, aspect)
            }
        return intel
    
    def _search(self, query: str, freshness: str = "month") -> list[dict]:
        response = self.client.post("/v1/run", body={
            "model": "cloudsway/search",
            "operation": "search",
            "input": {"query": query, "num_results": 10, "freshness": freshness, "include_summary": True}
        })
        return response.json()["output"]["results"]
    
    def _summarize(self, results: list, competitor: str, aspect: str) -> str:
        summaries = "\n".join(f"- {r['summary']}" for r in results[:5] if r.get("summary"))
        response = self.client.chat.completions.create(
            model="openai/gpt-4o-mini",
            messages=[{
                "role": "user",
                "content": f"总结关于{competitor}的{aspect}最新信息：\n{summaries}\n\n一段话，聚焦可操作情报。"
            }],
            max_tokens=150
        )
        return response.choices[0].message.content.strip()

# 使用
agent = CompetitiveIntelAgent(api_key="your-key")
intel = agent.monitor_competitor(
    competitor="OpenAI",
    aspects=["产品发布", "定价变动", "合作伙伴", "招聘"]
)

Cloudsway vs Exa：概念对比

两者都在 SandBase 生态中可用，但服务不同目的。更多搜索 API 对比参见社交媒体数据 API 指南和最佳 AI 搜索 API。

方面	Cloudsway Search	Exa Search
搜索类型	排序网络结果	语义内容匹配
最佳查询	”AI Agent 框架对比 2026"	"解释 Agent 如何选择工具的内容”
结果格式	标题 + URL + 片段 + 摘要	内容 + 高亮 + 相似度分
时效性	实时网络	取决于爬取频率
广度	整个互联网	精选高质量内容
Agent 模式	研究、监控、核查	RAG、内容发现、推荐
类比	”Agent 的 Google"	"Agent 的语义查找器”

集成模式：Cloudsway + RAG

用 Cloudsway 为 RAG 流水线补充实时网络数据：

def augmented_rag_answer(query: str, vector_results: list, api_key: str):
    """结合向量存储结果与实时网络搜索。"""
    client = OpenAI(base_url="https://api.sandbase.ai/v1", api_key=api_key)
    
    # 获取实时网络结果
    web_response = client.post("/v1/run", body={
        "model": "cloudsway/search",
        "operation": "search",
        "input": {"query": query, "num_results": 5, "include_summary": True}
    })
    web_results = web_response.json()["output"]["results"]
    
    # 合并上下文
    internal = "\n".join(f"[内部] {d['content']}" for d in vector_results)
    web = "\n".join(f"[网络: {r['url']}] {r['summary']}" for r in web_results)
    
    # 基于合并上下文生成回答
    response = client.chat.completions.create(
        model="openai/gpt-4o",
        messages=[
            {"role": "system", "content": "结合内部知识和网络来源回答，引用来源。"},
            {"role": "user", "content": f"问题: {query}\n\n内部来源:\n{internal}\n\n网络来源:\n{web}"}
        ]
    )
    return response.choices[0].message.content

定价与用量

Cloudsway Search 通过 SandBase 按次计费：

使用量级	预估月成本	日查询量
轻量（开发）	$5–15	10–50
中等（生产 Agent）	$30–100	100–500
重度（多 Agent 研究）	$200–500	1000–5000

单次查询成本远低于自建搜索基础设施。无需爬虫、无需索引、无需基础设施运维。

总结

Cloudsway Search 填补了 Agent 工具链中的特定空缺：实时、排序的网络搜索 + 结构化输出。它不是语义搜索或向量数据库的替代品——而是互补。当你的 Agent 需要知道当下正在发生什么、找到权威来源、或基于实时网络验证声明时，使用它。

单一操作的设计使集成极简：一次 API 调用、结构化 JSON 响应、直接供 Agent 消费。结合 SandBase 的统一计费和 API 管理，它自然融入任何多工具 Agent 架构。

Related Reading

• Cloudsway vs Exa：Agent 搜索 API 怎么选
• Exa Search vs Tavily vs Firecrawl vs SerpAPI：2026 年 Agent 搜索 API 怎么选
• 2026 年最适合 Agent 工作流的 6 个 AI Search API
• Exa Search on SandBase.ai：从搜索 API 到 Agent Service
• 2026 AI Agent 基础设施技术栈全景
• RAG 成本结构拆解：嵌入 + 搜索 + LLM