本文详细介绍了百度AppBuilder提供的AI搜索功能，该功能结合了传统搜索引擎与大语言模型，为开发者提供强大的信息获取工具。文章解析了三种集成方式：一键添加、AppBuilder-SDK（Python）以及cursor配置。针对每种方式，提供了详细的代码示例、参数配置和服务配置说明，旨在帮助开发者快速将AI搜索功能集成到自己的应用中，并实现定制化的搜索体验。同时，还提供了最佳实践建议，确保搜索结果的准确性和相关性。

💡百度AppBuilder AI搜索功能融合了传统搜索与大语言模型，为开发者提供强大的信息处理能力，旨在帮助开发者快速集成AI搜索功能到应用中。

🛠️开发者可以通过三种方式集成AI搜索功能：一键添加到应用（快速配置）、AppBuilder-SDK（Python，代码示例详细）和cursor配置（集中管理服务端点）。

⚙️AI搜索功能提供丰富的参数配置，包括查询关键词、模型选择、输出风格、随机性控制、时效性范围、域名过滤和资源类型选择，开发者可根据需求进行定制化设置，如使用ERNIE-3.5-8K模型进行智能总结。

🔗通过cursor配置，开发者可以使用JSON配置文件统一管理服务端点，方便集中管理多个服务，通过@符号引用MCP Server配置并发送指令请求。

百度AppBuilder提供的AI搜索功能，通过结合传统搜索引擎与大语言模型的能力，为开发者提供了强大的信息获取与处理工具。本文将全面解析百度AppBuilder AI搜索功能的三种使用方式、详细参数配置以及最佳实践，帮助开发者快速集成这一功能到自己的应用中。

三种集成方式详解

1. 一键添加到应用中使用

对于追求快速集成的开发者，百度AppBuilder提供了最简单的一键添加方式。这种方式虽然文档中没有展示具体代码，但通过平台提供的可视化界面，开发者可以快速配置搜索功能并嵌入到自己的应用中，特别适合不熟悉编程或需要快速验证概念的场景。

2. 通过AppBuilder-SDK使用（Python实现）

对于需要更多定制化需求的Python开发者，可以使用AppBuilder提供的SDK进行集成。以下是完整的代码示例和解析：

import asynciofrom appbuilder.mcp_server.client import MCPClientasync def main():    # 创建MCP客户端实例    client = MCPClient()        # 连接到服务器，需替换service_url中的API Key    await client.connect_to_server(service_url=service_url)        # 打印可用的工具列表    print(client.tools)        # 调用AI搜索工具，查询"大连美食有哪些"    result = await client.call_tool("AIsearch", {"query": "大连美食有哪些"})        # 打印搜索结果    print(result)if __name__ == "__main__":    # 服务URL，注意保留Bearer和API Key之间的"+"    service_url = (        "http://appbuilder.baidu.com/v2/ai_search/mcp/sse?api_key=Bearer+<AppBuilder API Key>"    )        # 获取事件循环并运行主函数    loop = asyncio.get_event_loop()    loop.run_until_complete(main())

3. 通过cursor配置使用

对于需要集中管理多个服务的应用，可以使用JSON配置文件统一管理服务端点：

{    "mcpServers": {        "AISearch": {            "url": "http://appbuilder.baidu.com/v2/ai_search/mcp/sse?api_key=Bearer+<AppBuilder API Key>"        }    }}

服务配置

百度 MCP Server URL

console.bce.baidu.com/iam/#/iam/a…

AI search

搜索实时信息，并使用大模型进行总结回复。

配置说明：

字段	类型	是否必须	说明
query	string	是	搜索查询关键词或短语，用于指定需要搜索的内容。 支持自然语言查询，可以包含多个关键词。Agent应该根据用户意图构建合适的查询语句，确保搜索结果的准确性和相关性。 最佳实践： 1) 使用简洁明确的关键词组合； 2) 对于复杂查询，可以拆分为多个简单查询； 3) 避免使用过于宽泛或模糊的词语。
model	string	否	指定是否使用大语言模型对搜索结果进行总结，以及使用哪个模型进行总结。 默认值为空字符串，表示直接返回原始搜索结果。 当指定模型名称时（如"ERNIE-3.5-8K"），系统将使用对应的大模型对搜索结果进行智能总结。 此参数会显著影响其>他参数的行为： 1) 当未指定时，temperature、top_p等LLM相关参数将失效； 2) 当指定时，搜索结果会经过LLM处理，可能改变原始结果的呈现方式。 最佳实践： 1) 对于需要深入分析或总结的查询，建议使用ERNIE-3.5-8K或更高级的模型； 2) 对于只需要原始搜索结果的查询，保持默认值即可； 3) 根据实际需求选择合适的模型版本。
instruction	string	否	用于控制搜索结果输出风格和格式的指令参数。 如：结果排序方式、内容过滤条件、输出格式等。 当未指定时，将使用默认的搜索结果展示方式。 最佳实践： 1) 明确指定需要的输出格式（如列表、摘要等）； 2) 指定结果排序>方式（如按时间、相关性等）； 3) 设置内容过滤条件（如排除特定类型的内容）。
temperature	float	否	控制模型输出随机性的采样参数，取值范围为(0, 1]。默认值为1e-10。 该参数仅在model参数指定了LLM模型时生效。 参数影响模型输出的多样性和稳定性： 值越大，输出结果越多样化但可能不够稳定； 值越小，输出结果越确定和集中。 最佳实践： 1) 对于事实性查询，建议使用较低>的值（如0.1）； 2) 对于创意性内容，可以使用较高的值（如0.7）； 3) 避免使用极端值（接近0或1）。
top_p	float	否	控制模型输出多样性的核采样参数，默认值为1e-10。 该参数仅在model>参数指定了LLM模型时生效。 参数通过设置累积概率阈值来筛选候选词： 值越小，模型会从更少的候选词中选择，输出更加确定和保守； 值越大，模型会考虑更多的候选词，输出更加多样和创造性。 最佳实践： 1) 通常建议设置为0.7-0.9之间； 2) 与temperature参数配合使用，共同控制输出质量； 3) 对于需要高准确性的场景，建议使用较低的值。
search_recency_filter	string	否	控制>搜索结果的时效性范围，用于筛选指定时间范围内的网页内容。 可选枚举值包括：week（7天）、month（30天）、semiyear（180天）和year（365天）。 最佳实践： 1) 新闻类查询建议使用week或month>； 2) 技术文档查询建议使用month或semiyear； 3) 历史资料查询建议使用year； 4) 根据查询内容的时效性要求选择合适的范围。
search_domain_filter	list[string ]	否	用于限制搜索结果来>源的域名过滤列表。 Agent可以指定一个或多个域名（如["baidu.com"]），系统将只返回这些指定域名的网页内容。 最佳实践： 1) 对于需要权威信息的查询，建议限制在官方或知名网站； 2) 可>以组合多个相关领域的权威网站； 3) 避免过度限制导致结果不足； 4) 根据查询主题选择合适的域名范围。
search_resource_type	list	是	指定搜索资源的类型和每种类型返回的结果数量。 默认配置为[{"type": "web","top_k": 10}]，表示只返回网页类型的搜索结果，且最多返回10条。 每种资源类型（web、image、video等）的top_k取值范围为1~10。 当与search_top_k参数同时存在时，本参数具有更高的优先级，即会覆盖search_top_k的设置。 例如： 当search_top_k=10且search_resource_type=[{"type": "web","top_k": 4}]时，实际返回的网页数量为4。 最佳实践： 1) 根>据查询需求选择适当的资源类型组合； 2) 合理分配各类型资源的返回数量； 3) 对于多类型查询，建议每种类型设置3-5条结果； 4) 避免请求过多不必要的结果类型。

Cursor 配置与应用

新建一个MCP Server，当我们看到绿色的圆点代表配置成功。

接下来使用@符号，来引用我们的MCP Server配置，并发送指令请求。

现在来看下最终效果吧。