# 侄子用豆包搜索API做Agent Skill粉碎养生谣言

- 来源：宝玉 (@dotey)
- 发布时间：2026-07-28 11:01
- AIHOT 分数：69
- AIHOT 链接：https://aihot.virxact.com/items/cms43e9j305lyro82rz1srfa1
- 原文链接：https://x.com/dotey/status/2081937949013217534

## AI 摘要

作者侄子利用豆包搜索API开发了两个Agent Skill：一个用于识别养生谣言并给出可信度评级与温和回复，另一个用于解读体检报告并生成行动方案。豆包搜索API提供权威性分级和结构化结果，免费赠送500次/月，适合Agent检索外部资料。体检行动Skill通过两轮搜索（先找指南再找限制）确保安全，并用颜色规则分流风险。

## 正文

http://x.com/i/article/2081932477443055616

# 一个暑假，我侄子用两个 Skill 搞明白了 Agent 最难的部分

这暑假辅导下我侄子学 AI，他按照"做中学"的原则，做了两个对家人实用的健康相关的 Agent Skills，还挺有意思。以及顺便推荐下他用到的豆包搜索 API，很适合这类需要让 Agent 能检索外部资料的场景，如果使用强度不大每个月免费送的 500 次就够用了。

我爸是养生爱好者，喜欢看养生节目，往家人群里转发养生文章，虽然大部分都不太靠谱，但我现在也懒得反驳了。

我侄子是 AI 爱好者，喜欢学习 AI 技术，最近暑假在家无事，也学会了用 Agent，还看了我送的那本《图解 Skill》，就拿着榔头到处找钉子，想用 AI 做点好玩的事，不知道怎么就盯上了我爸转发的养生文章。

侄子的想法是做一台"养生谣言粉碎机"：把文章链接、短视频文案发给 Agent，它能识别夸大疗效、伪科学话术、断章取义和营销软文，给出可信度评级与通俗解释，最后再生成一段"适合转发给爷爷奶奶看"的温和回复。

最开始还雄心勃勃要写个 AI Agent，我建议他还是从 Agent Skill 开始，不用一口气吃成一个胖子。做个 Agent，哪怕是基于现成 SDK，还有不少 UI 的工作要做，而且现在 Agent 对 Skill 都支持很好，他这种需求对 UI 要求也不高，输入一段文字或者链接，返回自然语言结果就好，Skill 就足够了。

即使是做一个 Agent Skill，真去做也会发现不是那么容易的事。

## 【1】第一版翻车：光靠模型自己的知识不够

他的第一版做得很快。让 AI 帮写了段提示词，把文章全文丢进去，让模型直接输出评级和辟谣理由。但很快发现 AI 是有幻觉的，有时候给出的结论看着头头是道，追问依据就露馅了，要么含糊其辞，要么给出的"参考来源"本身也不靠谱。毕竟医疗健康这种事，还是要有最新权威的科学依据才有说服力。

这其实是所有大模型都有的幻觉问题：大模型的知识是训练时的静态快照，有截止日期，而且生成的时候是可能会编造的，没证据的事也能说得像真的。

要解决这个问题，最简单有效的办法就是让它能联网查询最新信息，而且是权威信息，这样才能降低幻觉。想让 Agent 干严肃的活，光靠模型脑子里的知识不够，必须给它配一个靠谱的外部检索工具。

所以我建议他让 Agent 借助外部工具去找证据。

## 【2】传统搜索是为人设计的

顺着这个思路，他一开始想的是接个传统搜索引擎的 API。但很快发现新的问题。

传统搜索是为人设计的。人输入关键词，得到一堆链接和摘要，需要自己点开阅读后判断哪条可信，搜不到就自己换个词再搜。整个流程里，判断和迭代都是人在做，搜索引擎只负责根据关键字和算法给你一堆网页。

Agent 要的东西完全不同。它需要自己把一个模糊的问题拆成具体的检索条件，需要一次拿到结构化的、带来源和时间的结果，如果发现结果不足以帮助自己完成任务，还需要继续发起下一轮检索。

另外 Agent 并不一定知道哪些来源权威、哪些只是营销号编造的。

## 【3】他最后接的是豆包搜索 API

豆包搜索是火山引擎面向 AI Agent 做的联网信息服务，跟豆包 App 里那个 AI 搜索同源，字节把它开放成了 API，正式面向企业和开发者开放服务，免费赠送 500 次搜索/月，个人开发者的 Skill 项目，一次任务通常就检索两三轮，这个额度足够覆盖日常开发和自用，对他的项目来说正好。

用下来，最实用的是"可信度"和"可用性"这两点。

可信度，靠的是权威分级和垂类知识。现在网上 AIGC 生成的内容越来越多，还有专门针对 AI 搜索做的 GEO 注入（就像以前对搜索引擎做 SEO 一样，现在有人专门优化内容让 AI 更容易引用），检索结果里混进不可靠信息的概率比以前高多了。豆包搜索的返回结果里每条都带权威性标注，可以在检索层就把信息源过滤干净。

可用性，靠的是深度加工和全面的字段。返回结果是前置做好结构化处理的内容，Agent 拿到就能用，省掉了额外抓取页面、理解页面的步骤，也省 Token。

开发方面倒没怎么让我操心，官方有一个示例 Skill 正好可以借鉴：https://github.com/bytedance/agentkit-samples/tree/main/skills/byted-web-search ，把链接给 Coding Agent，让它照葫芦画瓢就可以。

而且从示例代码中还发现几个有价值的参数：

- query-rewrite：口语化的问题会被改写成更容易命中的检索词。Agent 生成查询时给出的关键字有时候很奇怪，加上这个参数后可以明显提升检索质量

- auth-level：优先只要权威来源，返回结果里每条都带权威性标注

- time-range：支持按照当前、当周、当月、当年检索，也支持自定义日期区间 YYYY-MM-DD..YYYY-MM-DD（开始日期不能晚于结束日期）

auth-level 参数尤其适合核查养生谣言这种场景，第一轮检索只看卫健委、疾控、专业学会、医院和高校，就能过滤掉绝大部分不靠谱的信息源。权威结果不够时再去掉过滤扩搜，按证据层级人工筛。

写好后，我拿一条养生谣言去测试了下："每天早上空腹喝一杯醋能软化血管，已经吃降脂药的人也可以停药改喝醋。"效果很不错。

先是一句话结论，再列出包含权威网站链接的关键证据，最后还贴心地整理出适合老人看的微信留言。

做好了后，我爸再转发养生知识，侄子就用他的 Agent 去检索，用 Skill 生成的微信消息去回复。

虽然 AI 纠正的确实很准，但是后来群里有点尴尬，毕竟就算是发的文章是谣言，每次被这么在群里纠正也有点怪怪的。

## 【4】新方向：体检行动助手

正好微博 VibeLab 有一个来去之间出的题还挺好，就是针对体检报告生成日常健康行动方案。这倒是个好主意，粉碎谣言虽然好，但治标不治本，如果能给出一些针对性的健康建议其实更好。

于是侄子找到了新的方向：体检行动助手 Skill。

虽然有前面养生辟谣 Skill 的经验，但还是有些新的挑战。

辟谣是判断别人的说法对不对，而体检报告解读得先把报告上的数据准确读出来，判断哪些指标异常、异常到什么程度，再去找权威依据来解释这些异常意味着什么，最后还得给出具体可以做的事情。

这里面有一些问题需要注意：

1. 数据准确性。体检报告经常是拍照或扫描件，OCR 识别小数点、单位、阳性阴性、箭头方向经常会出错。要是一个"甘油三酯 1.8"被识别成"18"，后面的判断就全错了。所以必须加一步确认环节，把识别出的关键数据展示给用户对照报告确认下。

1. 安全边界。体检报告不是养生文章，这涉及到真实的健康决策。AI 如果说了句"你这个指标没事不用管"，然后人家真信了没去复查，出了问题谁负责？所以必须非常克制，不能诊断疾病，不能替代医生，不能建议吃什么药、停什么药。能做的只是帮忙整理信息、提供科普知识、提醒该去看医生的就去看。

1. 证据核验。这部分倒是刚好可以重用之前的豆包搜索代码。

1. 隐私保护。搜索时绝对不能把用户的姓名、报告编号、完整病史发给搜索 API。发出去的只能是标准化的指标名加上一般人群条件，比如"空腹血糖 一般成人 指南"。

虽然都用到了搜索，但是和谣言粉碎机不同，体检报告的搜索策略要精细得多。谣言粉碎机重点是这个说法对不对，一般搜一轮就够了。

而体检指标要搜两轮：

第一轮找指南。比如"甘油三酯 一般成人 国家卫健委 指南 生活方式"，目标是找到当前的官方建议和正常范围。auth-level 参数在这里就非常关键，体检指标的解读必须以权威来源为准，一个营销号说"甘油三酯高就要每天跑五公里"可能会害人。

第二轮找限制。比如"甘油三酯 禁忌 何时就医 证据局限"，这轮是主动找反面信息：哪些人不适用一般建议？什么情况下必须就医？有没有常见的误区？这一步容易被忽略，但恰恰是避免 AI 给出正确但危险建议的关键。

证据核验完成后，最关键的一步是把异常指标转化成本周行动。比如说用户体检报告中"甘油三酯偏高"，给出具体的行动建议：

- "这周三次饭后散步 30 分钟"

- "预约内分泌科复查"

每个行动都带触发条件、完成标准和暂停信号：出现胸痛、头晕这类症状就应该立刻去看医生。

完整的 Skill 是一套流水线：

> 读取报告 → 确认数据 → 风险分流 → 豆包搜索核验 → 生成行动 → 每周复盘

其中风险分流用的是确定性的规则，比如说：

- 红色（急症/危急值）

- 橙色（已确认异常）

- 灰色（数据未确认）

- 绿色（未发现异常）

每种颜色对应不同的行动类型，红色代表"立即就医"类行动，灰色代表"确认数据"类行动，避免出现危害健康的离谱建议。

正好拿我自己今年的血脂报告做了次测试。Skill 先从 PDF 中读出数据，再让我逐项确认：空腹甘油三酯 152 mg/dL，被报告标记为 High；同时结合历年趋势，发现这个指标近几年一直在正常与略高之间波动。我还补充说明自己每天服用降脂药已有三年。确认完成前，系统一直停留在灰色，不做医学解释；确认后才按规则分到橙色，表示存在已确认异常，需要近期咨询医生，但并不等于疾病诊断。

随后 Agent 只用"甘油三酯、一般成人、生活方式、复查、用药随访"等去标识化关键词调用豆包搜索 API，没有上传报告或精确数值。核对国家卫健委、ACC/AHA 和 FDA 原文后，最终给了三个本周行动：联系医生核对报告留言、用药记录和复查时间；晚餐选择无糖无酒精饮品；完成五次中等强度活动。每项都有触发条件、完成标准和暂停信号，也明确提醒不能自行调整药物。

## 【5】不止健康场景

这套"检索工具 + 流程设计"的组合，也可以应用到其他类似的场景。

比如论文检索。用 time-range 把范围圈定在近一年，再配合权威来源过滤，做某个方向的文献初筛，比自己在搜索引擎里一页页翻高效多了。

比如做行业调研。用 auth-level 把营销号和二手转载过滤掉，剩下的基本都是官方发布、机构报告和正经媒体，省掉了人工鉴别信息源的大量时间。

另外豆包搜索返回的内容本身就是 Markdown 格式，Agent 拿到结果直接就能理解和使用，不用再拿着链接自己写爬虫抓一遍页面、清洗 HTML、做页面理解，检索和内容获取一步到位。

## 【6】两个 Skill 做下来的收获

侄子跟我分享说，他的收获是对 Agent 理解更深刻了。原来以为最难的是写代码和提示词，后来发现这两部分反而是最简单的，都是 Agent 帮助完成的。难的是怎么给 Agent 提供好用的工具，比如养生辟谣，就需要靠谱的检索工具：搜什么、怎么判断搜到的东西可不可信、什么时候该换个词再搜、什么时候该承认找不到。

而豆包搜索的 auth-level、query-rewrite、time-range 这几个参数，恰好把这些工作方法变成了可配置的选项。Agent 不需要自己学会判断来源是否权威，auth-level 直接在检索层过滤；不需要自己学会改写查询，query-rewrite 自动优化。这让开发者可以把精力放在业务逻辑上，而不需要和搜索引擎较劲。

光有工具还不够，复杂的场景，还可以给 Agent 设计好科学的流程，避免 Agent 每次都要从头去摸索工作流程，就像体检行动助手的流水线：

> 读取报告 → 确认数据 → 风险分流 → 豆包搜索核验 → 生成行动 → 每周复盘

这两个 Skill 都开源了，项目地址：https://github.com/karryliu10/karryliu-skills 。用的时候需要去 https://console.volcengine.com/search-infinity/web-search-exp 申请下 API Key，每个月有 500 次免费额度。

如果你在用火山引擎的 Agent Plan，豆包搜索在里面直接就能调用，还可以搭配字节最新的 Doubao-Seed-Evolving 模型一起用，它是字节推出的持续最强 Seed 模型，没有版本号，无需更换模型 ID，自动后台升级为最新模型。在中文理解和复杂推理上的有明显提升，拿来跑这类中文核查任务挺合适。

另外侄子在开发 Skill 过程中，我还教了他一些具体的经验：

1. 没必要做一个 Agent，Skill 就可以做很多事情了

1. 不要有太多顾忌，先做出来再优化

1. 让 Agent 帮助写 Skill 和脚本

1. 写脚本的时候，没必要从零开始写，去 GitHub 找可以开源运行的例子作为参考或者二次开发更高效

1. 遇到困难可以和 Agent 一起讨论方案，但是要给足上下文

1. 验证很重要，做完要用各种场景验证，根据验证结果去优化

希望这些经验对你也有所启发。