火山 DeepSearch 的“三连跳”进阶玩法：MCP 如何为开发者解锁 AI 搜索的全新境界？
在近期的开发者见面会上，火山引擎推出了一系列重大更新，其中最受关注的当属 DeepSearch 深度搜索服务。该服务将 AI 搜索、信息整合及工具调用能力打包为一款即插即用的应用，使开发者能够更加便捷地构建功能强大的智能体。
本次发布的核心内容主要涵盖以下三大板块：
- 1. 豆包模型升级： 正式发布豆包深度思考模型 Doubao-1.5-thinking-pro 与全新的 视觉理解模型 Doubao-1.5-vision-pro，其视觉推理能力表现十分突出。
- 2. 方舟 × RTC 硬件： 推出方舟与 RTC 结合的硬件方案，将端侧自动唤醒 与 云端大模型语音能力 一体化集成，帮助玩具、家居、穿戴等设备快速升级为“会说话”的智能体。
- 3. DeepSearch 服务： 这部分与开发者的关系最为密切。作为一种深度搜索复合应用服务，它整合了联网搜索、知识库、网页解析、Python 代码执行器等丰富的 MCP 服务，无需复杂配置即可直接调用。
由于 RTC 硬件需要实体支持，测试条件有限，因此我们将主要聚焦于深度体验 DeepSearch 服务。当前的 Agents 服务，其核心任务是对 AI 搜索获取的信息进行加工与重组，这一过程对技术能力要求较高。火山将这一能力封装成应用，大大降低了开发者的工作负担，让每个人都能轻松运用 DeepSearch。
实际效果如何？
我们将通过两个真实的测试案例，来验证 DeepSearch 的表现究竟有多优秀。
测试一：旅游行程规划
首先从一个常见场景——旅游规划入手。多数 AI 搜索虽能输出大量内容，但常常充斥着景点介绍的冗余信息。用户真正渴求的是 实时性强、具备实际参考价值的信息，例如交通安排、最优路线、必备物品等。
问题背景： 我的朋友计划用 5 天时间，必须前往的地点包括 雨崩村 和 南极洛 进行徒步，其余行程则由 AI 负责规划。换言之，AI 需要协调这两个必去地点与沿途其他景点之间的关系，并确定合理的游览顺序。
DeepSearch 的处理方式：
- 分步规划，精准检索： DeepSearch 会首先规划搜索步骤，进而逐步执行。它并不会将所有信息一次性推送给用户，而是 针对每个具体环节进行专项搜索。例如，在研究雨崩村行程时，它只聚焦于雨崩村的相关信息，避免一次性获取过多数据导致模型上下文遗漏关键内容。
- 结果输出，简洁实用： 最终的行程安排十分合理，完全没有冗长的废话或景点介绍，全部为行程时间、真正值得关注的景点和实用建议（如门票、车程）。
- 涉及南极洛的部分，它清晰且直接地说明了出发时间、外来车辆禁入等关键信息。
- 它记住了行程是6 月，并特意提到6 月杜鹃花盛开景色优美。
- 对于存在一定风险的徒步路段，它提供了详尽的注意事项，徒步装备的介绍既实用又全面。
小提示： 如果你需要规划复杂且包含多个必去地点的行程，DeepSearch 的这种“分步检索、按需整合”能力将极具价值，它能够确保每个关键信息点都得到充分的覆盖。
测试二：行业调研与数据查询
第二个问题属于调研性质，我特意加入了 新能源汽车上险量 的数据查询，旨在测试其应对 AI 幻觉问题的能力。
问题： 请帮我监控国产“新能源汽车”行业最近一周的主要新闻，需包含相关关键数据、最新产品动态以及社交媒体上的热议话题，并生成一份涵盖关键信息摘要、数据图表（如有）和热度趋势的简报。
DeepSearch 的处理方式：
- 诚实可靠，杜绝幻觉： 它坦诚地表示未能检索到 17-24 日的上险量数据，但提供了 13-20 日 的部分数据。我点击来源链接进行核实，数据完全准确。
- 内容组织，条理清晰： 它生成的简报内容组织得十分出色。首先呈现重要的产业新闻和总体数据，随后是其他新能源车型的数据，最后才是各厂家发布的信息及社交媒体的热度信息。分类明确，完全契合问题的要求。
小提示： 对于需要数据支撑的调研任务，DeepSearch 这种“知之为知之，不知为不知”的诚实态度，能够最大限度地降低 AI 幻觉所引发的信息误导风险。
如何使用
在体验了其强大功能之后，下面我们将逐步讲解如何在火山方舟上使用 DeepSearch。
第一步：登录并找到应用
首先，登录 火山方舟平台，在左侧导航栏中找到“应用广场”，然后选择“深度推理应用”。
第二步：体验与测试
进入应用详情页面后，点击“体验应用”按钮，即可进入测试界面开始您的体验。
第三步：调整关键参数
在测试过程中，您可以调整以下参数：
- 最大拆解层数： 该参数对应模型规划的任务步骤数量，最多可设置为 10 步。对于复杂问题，可以适当提高此数值，以便模型进行更细致的规划。
- 个性化： 开启后，火山会收集测试时的提示词，并对后续的提示词进行优化调整。
第四步：查看与调整 MCP 服务
在 MCP 服务设置 区域，您可以查看 DeepSearch 在当前任务中所调用的全部 MCP 服务的详细信息，并能够选择是否启用某个特定服务。
第五步：复制为正式应用
如果您对测试效果感到满意，希望正式投入使用时，可以点击应用详情页面的“复制应用”按钮。按照指引全部开通所需的依赖服务后，便可在“我的应用”中找到并使用它。
常见问题：
- Q：我能够直接通过 API 调用 DeepSearch 吗？A： 当然可以。复制的应用对外提供 OpenAI-兼容接口，您的前端、Bot 或业务后台均可实现零改动集成。
- Q：DeepSearch 搜索的信息是否会过时？A： 不会。DeepSearch 集成了联网搜索 MCP 服务，每次调用都会实时获取最新的网络信息，从而确保搜索内容的时效性与准确性。
技术优势
如此出色的效果，背后依托的是坚实的技术架构。DeepSearch 的主要实现方式如下：
- API 网关接收指令并执行安全鉴权。
- Server 侧由 Supervisor Agent 生成规划（Planning），并将子任务分配给并行的 Work Agent。
- 各 Work Agent 通过 Search／Knowledge／LinkReader 等 MCP Server 调用外部能力，必要时写入 TLS 日志与 Trace 服务。
底层同时挂载了 Doubao-1.5-thinking-pro（长链推理）、Doubao-1.5-pro（指令遵循）以及 DeepSeek-R1 等多种模型，确保复杂逻辑处理与摘要生成各取所长。最终结果回流至 Summary Agent 进行聚合，随后返回给前端或第三方应用。
该实现方式的优势主要体现在以下三点：
- 服务即插即用： 所有 MCP 插件均遵循统一协议，新插件上线即可被 Supervisor 自动编排，接入成本极低。
- 一键复制与托管： 开发者可直接复制广场模板，以高代码方式部署至方舟 veFaaS，省去环境配置与运维的烦恼。
- 生态无缝接入： 整个服务对外暴露 OpenAI-兼容接口，前端、Bot、业务后台均可实现零改动集成。
此外，近期火山还上线了一个 MCP Servers 广场，其中提供了海量的 MCP 服务，支持一键在火山平台体验和安装。您还可以在 Trae 等 IDE 上找到相应的安装命令，使用十分便捷。
从本次发布可以看出，国内各大厂商已全面拥抱 MCP 时代。无论是开发者服务还是产品层面，都在积极整合自身生态，并大幅降低了 MCP 的使用门槛。以往，为 AI 模型增加新能力可能需要以月为周期，而 MCP 使得探索与实验的门槛显著下降。再结合火山这样的聚合服务平台，无疑开启了智能体发展的新篇章。