当前位置: 首页 > news >正文

search_reports 减少AI里Tokens 消耗

search_reports 是 Trae(准确说是 Trae Agent)里的 “搜索报告 / 搜索记录集”,用来汇总、查看、导出本次任务里所有联网搜索 / 代码搜索的结果与过程,方便复盘、去重、溯源,也能避免重复搜索浪费 token。

下面拆开讲:是什么、有什么用、怎么用(含命令 / 界面操作)。


一、search_reports 是什么?

在 Trae Agent 的工具体系里:

  • search_reports= 一次任务中所有Search/SearchCodebase/WebSearch结果集合 + 元数据
  • 本质是结构化日志文件(JSON/Markdown),记录:
    • 每一次搜索的query(关键词)
    • 命中结果列表(标题、摘要、链接 / 文件路径)
    • 搜索时间、耗时、token 消耗
    • 是否被模型采纳 / 引用

你可以把它理解成:AI 帮你查资料时的 “全部查过的东西 + 查到了什么” 清单


二、有什么作用?

1. 防重复搜索(省 token、省钱)

AI 经常反复搜同一个问题,search_reports 会做去重

  • 已搜过且结果有效 → 直接复用,不再重搜
  • 避免 “循环搜索” 导致的 token 爆掉、请求中断

2. 过程透明、可复盘

你能看到:

  • AI到底搜了什么词(不是黑盒)
  • 哪些结果它看到了、没看到
  • 为什么选了这个结果而不是那个

排查 “模型胡说、信息不准” 时特别有用。

3. 导出成报告 / 文档

可以把 search_reports 导出成:

  • Markdown:直接贴到文档 / PR 里
  • JSON:二次分析、统计、对接其他工具

4. 复杂任务必备(Research / 需求调研 / 排错)

深度调研、技术选型、Bug 排查时:

  • 会多次搜索、多轮筛选
  • search_reports 帮你保留全链路证据,最后直接生成调研报告

三、怎么用?(分:IDE 自动用、手动命令、查看报告)

1. IDE 里(你平时用的 Trae)

不用手动调用,AI 自动维护

  • 你问:帮我查一下 React 18 新特性
  • AI 会自动调用WebSearch,结果自动存入 search_reports
  • 后续追问同一话题 → AI 先看 search_reports,不重复搜

你能在聊天面板右侧 / 下方看到:

  • 🔍搜索记录:展开就是 search_reports 内容
  • 每条搜索:query + 结果摘要 + 来源

2. Trae Agent 命令行(高级用法)

(1)运行任务并自动生成 search_reports

bash

运行

trae-cli run "调研 2026 前端构建工具对比" \ --trajectory-file my_research.json # 轨迹文件(含 search_reports)

运行结束后:

  • my_research.jsonsearch_reports字段就是所有搜索记录
(2)单独导出 search_reports 为 Markdown

bash

运行

trae-cli tool:run --tool search_reports \ --arguments '{"action":"export","format":"markdown","output":"./search_results.md"}'
(3)查看当前 search_reports 列表

bash

运行

trae-cli tool:run --tool search_reports --arguments '{"action":"list"}'

3. 常见参数说明

表格

参数作用
action: search执行一次搜索并加入报告
action: list列出所有已保存的搜索报告
action: export导出为 md/json/html
format: markdown格式:json/markdown/html
query: "xxx"搜索关键词
dedup: true自动去重(默认开启)

四、和你之前遇到的 “模型循环” 关系

你之前出现:

测到模型循环,请求已被中断

很大原因就是没有用好 search_reports

  • AI 反复搜同一个东西 → 无限循环 → 系统熔断
  • 开启 search_reports 去重后,循环概率会明显下降
http://www.gsyq.cn/news/1375408.html

相关文章:

  • 【云服务器内网穿透】Debian + Nginx + HTTPS + SSH反向隧道
  • 从备份到部署:用Clonezilla为网吧/机房批量克隆系统镜像的实战流程
  • 在Ubuntu 22.04上,用AutoDockTools给蛋白-小分子做对接,保姆级避坑指南
  • 2026年智己LS8优势深度解析:家庭SUV续航痛点与实用价值 - 品牌推荐
  • 华为OD机试真题 新系统 2026-05-20 C++ 实现【多模型版本的最优调度】
  • 鸿蒙 Location Kit:设备定位与位置服务(一)
  • GNN+CatBoost:图神经网络特征提取在材料性能预测中的实践
  • 低代码平台和AI低代码平台
  • 核方法检验条件均值函数:非参数统计与机器学习实践
  • Docker从安装到代码打包到部署云服务器全过程保姆级教程
  • 机器学习赋能冷等离子体种子处理:Extra Trees模型精准预测发芽率提升
  • 2025-2026年尚百年电话查询:定制全铝家居前需核实资质与合同条款 - 品牌推荐
  • 工业相机和镜头参数和选型
  • Liunx常用命令
  • RHEL9.2保姆级安装教程:从VMware虚拟机创建到系统配置的完整避坑指南
  • Linux系统篇,开发工具(六):文件的编译配置、调试的理解、cgdb和gdb的操作使用
  • 基于对比学习的机器遗忘框架CoUn:原理、实现与调优指南
  • 基于Intel Xe GPU与SYCL的AI模型完整性验证框架设计与实现
  • ML系统可持续性工程实践:从能耗优化到全生命周期管理
  • 告别Alt+F4秒退!在UE4/UE5中实现窗口事件监听的三种方法全评测
  • MyBatis 与 MySQL 执行流程
  • 从spring到spring boot——JAVA项目开发
  • UE4项目实战:用两个Widget组件搞定3DUI穿模问题(附蓝图与材质设置)
  • 2026年4月惠州知名的设备运输服务商推荐,精密设备搬迁/工厂设备搬运/设备安装搬迁/平台吊装,设备运输一站式服务哪家好 - 品牌推荐师
  • Armv9 SME指令集:FMLS与FMLSL浮点运算优化
  • 跨VM RowHammer攻击防御技术与DRAM安全研究
  • LLM推理解耦技术:提升大型语言模型推理效率的关键方法
  • BFloat16与SME2指令集在AI加速中的应用
  • 亚秒级计时电流法在室温离子液体中的突破应用
  • Mysql:事务管理(上)