kagi

Kagi Skill 是一个基于 Kagi 官方 API 的智能网络搜索工具，旨在为用户提供比传统搜索引擎更高质量的检索结果和 AI 驱动的内容总结能力。该工具通过纯 Python 标准库实现，无需任何外部依赖，可直接在 OpenClaw 环境中运行，为需要精准网络信息的用户提供了可靠的解决方案。

核心用法涵盖两大功能模块：一是标准网络搜索（Kagi Search API），支持通过命令行输入关键词获取经过质量排序的网页链接、标题和摘要，支持 JSON 格式输出以便后续程序化处理；二是智能问答与总结（FastGPT），结合大语言模型与实时网络搜索结果，生成带引用来源的简洁答案，适用于快速获取某个话题的核心信息。用户只需配置 KAGI_API_TOKEN 环境变量即可使用，也可作为 Brave Search 被限速时的优质替代方案。

显著优点体现在多个维度。首先，Kagi 本身以无广告、高质量搜索著称，其 API 返回的结果往往比传统搜索引擎更精准。其次，该 Skill 采用零外部依赖设计，仅使用 Python 标准库（urllib、json 等），极大降低了供应链攻击风险和维护成本。安全性方面表现突出，代码通过 A 级安全认证，无危险函数调用，敏感信息通过环境变量管理，数据传输全程 HTTPS 加密。此外，模块化的脚本设计（kagi_search.py 与 kagi_fastgpt.py 分离）让用户能根据场景灵活选择工具。

潜在缺点与局限性亦需关注。首要门槛是需要用户自行获取 Kagi API Token（付费服务），增加了使用成本。作为 T3 来源（社区个人开发者维护），虽代码质量达标，但长期维护稳定性和官方支持度不如 T1/T2 级别的项目。功能上目前仅支持基础搜索和总结，缺乏高级筛选、批量处理或结果缓存等进阶功能。网络层面完全依赖 Kagi 服务端可用性，离线环境无法使用。

适合的目标群体主要包括：学术研究人员需要快速获取权威资料并验证来源；内容创作者进行话题调研和事实核查；开发者构建需要高质量网络数据的应用程序；以及对搜索结果质量有较高要求，不满足于传统搜索引擎体验的专业用户。

使用该技能可能存在的风险包括：所有查询内容将发送至 Kagi 服务器，涉及敏感信息的搜索存在数据隐私泄露风险；API 调用受限于 Kagi 的计费策略和速率限制，高频使用可能产生额外费用；作为第三方服务，Kagi 的 API 政策变更或服务中断将直接影响该 Skill 的可用性；此外，FastGPT 的 AI 生成内容虽基于搜索结果，但仍可能存在事实性错误，需要用户自行验证关键信息。

核心用法

Kagi Skill 是 OpenClaw 生态中的网络搜索增强组件，通过官方 API 对接 Kagi Search 与 FastGPT 两大服务。用户可通过命令行直接调用 kagi_search.py 获取带排名的搜索结果，或使用 kagi_fastgpt.py 获得基于实时网页的 AI 摘要与引用答案。该 Skill 设计为 Brave Search 的备选方案，当后者触发速率限制或用户对结果质量有更高要求时自动切换。

显著优点

极致精简的安全架构：184 行代码全部基于 Python 标准库（urllib/json/os/argparse/sys），零第三方依赖从根本上消除供应链攻击面。网络请求严格限定于 kagi.com/api/v0 官方端点，HTTPS 加密传输配合 Bot Token 认证，通信链路完全可控。

生产级凭证管理：API Token 通过 KAGI_API_TOKEN 或 KAGI_API_KEY 环境变量注入，源码中无硬编码密钥，符合企业安全合规要求。错误处理覆盖 Token 缺失、HTTP 异常、JSON 解码失败等场景，用户体验稳健。

即插即用的替代能力：与主代理的 web_search 工具链无缝兼容，支持 --json 原始输出模式便于程序化解析，也可输出人类可读的摘要格式。FastGPT 模式将 LLM 推理与实时检索融合，适合快速获取带出处的研究结论。

潜在局限

• 商业成本门槛：Kagi API 为付费服务，需用户自行承担 token 消耗费用，高频调用场景成本敏感
• 功能边界明确：仅提供搜索与摘要，不含网页内容抓取（需配合其他工具获取全文）
• 地域可用性：依赖 Kagi 官方服务可用性，部分网络环境可能需要额外配置

适合人群

researchers、分析师、开发者及任何对搜索质量有要求、愿意支付 API 费用以换取更优结果的专业用户。特别适合将 Brave Search 作为默认方案、需要高可靠备选的企业部署场景。

常规风险

API Token 泄露可能导致账户被盗用产生费用，建议通过受限权限的密钥轮换机制管理；环境变量注入需确保运行环境隔离，避免多用户场景下的意外暴露。