搜索同事

记忆里没有答案的问题，Previously 不会硬编一个，也不会丢给你一屏蓝色链接。它把问题交给所里最会查资料的那位同事，然后把对方的回答——连同对方有多确定——转交给你。

是研究员，不是搜索框

webSearch 不是搜索框套了个壳。主 Agent 用自然语言把一个研究问题交给它——「帮我搞清楚这种药和咖啡到底有没有冲突」——就像你把活儿派给一位懂行的同事。它还回来的不是十条链接，而是一份读完资料之后写出的回答：你问的不是"搜一下"，而是"帮我弄明白"。

它怎么研究

研究分两道工序，都在它自己手里：

1. 搜索由 provider 侧执行，拿到候选材料。
2. 亲自读页面。 它有自己的 webFetch，会打开最有价值的页面细读——最多 3 页，配额受限——因为搜索摘要往往太薄，撑不起一个负责任的回答。

预算是 10 步、150 秒墙钟。超时不是白跑：它边研究边写答案，runner 会把已积累的部分结果交回来，而不是空手而归。

带置信度的回答

它的报告里不只有结论：

• 具名来源——每个论断挂得住出处。
• 明确的置信度与分歧评估——哪些是实的，哪些还在吵。「这件事学界目前没有共识」是回答的一部分，不是缺陷。
• 建议继续读的页面——想自己深挖时从哪儿下手。

你得到的不是答案，而是一位研究员的专业判断：答案是什么、他有多确定、人们在哪里意见不合。

它也会长进

搜索同事有自己的 playbook（memory/agent-playbooks/search.md）和自己的 fitness 桶。它研究得好不好会被记分，分数攒够了会触发它 playbook 的一次进化（见进化回路）。也就是说，它会越来越擅长按你问问题的方式去研究。

配置

相关文档

• 回忆(Recall) —— 问过去找 recall，问世界找搜索同事
• 同事制 —— 为什么主 Agent 把研究外包给同事
• 进化回路 —— fitness 分数如何驱动 playbook 进化