应用场景
找到资料，筛选上下文，保留出处。
寻找提示词之外的信息
让智能体搜索相关网页，或读取指定账号的公开推文。标题、摘要和来源链接帮助它判断下一步需要查阅什么。
围绕当前问题筛选
用 JEV 按你定义的标准分类或评分。如果用户问的是本周更新，去年的产品评测就不必占用这次回答的上下文。
让回答可以追溯到原文
将选中的文本与来源链接一起交给语言模型，让应用可以把回答与实际使用的资料对应起来。
业务示例
让产品研究助手带着合适的资料回答问题
用户问：“这个产品最新版本改了什么，会影响我们的接入吗？”回答既需要近期公开信息，也需要团队自身的接入要求。智能体可以先拆分这两类信息需求，再收集资料。
用搜索发现版本信息，从指定公开账号获取相关公告；摘要不足时，通过已有工具另行取得全文。随后让 JEV 判断候选段落是否涉及本次版本或用户关心的要求。
| 候选资料 | 需要判断的问题 | 应用中的用途 |
|---|---|---|
| 本次版本公告 | 是否介绍用户指定的版本？ | 作为版本变化的依据 |
| 较早的产品对比 | 是否与当前变化有关？ | 仅保留有用的背景 |
| 内部接入说明 | 变化涉及哪项现有要求？ | 与公开更新进行对照 |
将选中的段落、来源链接和自己系统中的内部说明交给语言模型，由它组织回答。Sukidata 提供搜索、公开时间线与 JEV 判断工具，不替代你的内部知识库。
- 检索
寻找候选资料
- 本次版本说明
- 较早的产品评测
- 自己的接入文档
- JEV
判断是否相关
- 是否对应本次版本？
- 是否涉及指定功能？
- 是否适用于当前接入？
- 你的语言模型
结合资料组织回答
- 选中的段落
- 内部接入要求
- 附上来源的回答
接入步骤
将网页检索接入 AI 工作流。
- 01
发现资料来源
通过 API 或 MCP 搜索相关网页与公开账号推文，保留来源网址和日期。
- 02
筛选有用的上下文
需要时另行获取网页全文，再用 JEV 评价候选段落与用户问题的相关性。
- 03
生成带来源的回答
将选中的资料交给语言模型，并在回答中附上对应的来源链接。
设计研究任务
让检索围绕用户的问题展开
区分寻找来源与收集依据
智能体还不知道要阅读哪个页面时，可以通过产品名、版本号或具体功能发起搜索。利用标题和摘要先选出值得查看的来源，比把所有搜索结果直接交给模型更有针对性。
选定来源后，再收集足以支撑回答的内容。详细产品对比可能需要通过现有工具读取完整页面，而不是只依赖摘要。从发现、筛选到生成回答，都让网址与对应文本一起传递。
把“相关”定义成可判断的条件
一段文字提到了正确的产品，也可能没有回答当前问题。可以把相关性具体化为用户指定的版本、所讨论的功能、适用地区，或正在研究的时间范围。
用 JEV 将这些条件作为独立问题评价：分类用于识别主题，评分用于衡量文字对问题的直接程度。应用再决定选择哪些资料，可以同时提供多个互补段落，而不必把回答押在一个匹配结果上。
从一次回答扩展到持续的研究任务
同样的检索步骤可以用于产品比较助手、客户背景简报，或需要公开信息辅助的内部知识助手。将外部来源与应用已有的文档配合使用，让网页检索补充信息，而不是承担它无法知道的内部事实。
需要在程序中控制步骤时可以调用 API，也可以通过 MCP 让兼容的智能体使用工具。最终产出应对应具体任务：带来源的对比、公告摘要，或结合用户要求的解释，而不是不加区分地堆叠检索内容。
常见问题
AI 智能体与 RAG常见问题。
AI 工具通过 MCP 可以做什么？
可以获取 Google 搜索结果和 Twitter 公开推文，辅助资料研究、信息比较与总结，并保留来源链接。
需要自己部署 MCP 服务器吗？
不需要。Sukidata 负责托管与维护 MCP 服务器，按照接入指南连接兼容的 AI 工具即可。
生成回答前，可以先筛选检索到的资料吗？
可以。用 JEV 评价候选段落与用户问题的相关性，再由应用选择交给语言模型的上下文。搜索摘要用于发现来源；需要更完整的内容时，应另行获取网页全文。
智能体也能创作图片吗？
可以。除了搜索与 Twitter 研究任务，智能体还可以通过图片工具使用 GPT Image 2.5 或 GPT Image 2 根据提示词生成图片，或编辑参考图。