简介
Brave Search MCP 是 ModelContextProtocol 官方仓库维护的联网搜索服务器。在 MCP 基础系列 中我们介绍过它的基础用法，本文聚焦进阶场景：搜索查询优化、结果过滤、与 RAG 结合、多策略组合。
核心能力回顾
| 工具名 | 用途 | 关键参数 |
|---|---|---|
brave_web_search | 网页搜索 | query、count、offset |
brave_local_search | 本地商家搜索 | query、count |
进阶 1：搜索查询优化
LLM 默认的搜索查询往往不是最优的。通过 Prompt 引导，可以显著提升搜索质量。
问题：LLM 生成的查询太长
❌ 用户：OpenAI 最新估值
LLM 生成的查询：OpenAI 最新估值 2026 年 8 月 新闻
→ 搜索结果：混杂旧新闻
✅ 优化后：OpenAI valuation 2026
→ 搜索结果：精准匹配最新
优化 Prompt
搜索前，请按以下规则优化查询：
1. 提取核心关键词（去掉"的""了""吗"等虚词）
2. 英文搜索比中文结果更全（技术类优先英文）
3. 查询长度 ≤ 6 个词
4. 加时间限定（如"2026"）获取最新
5. 用引号锁定精确匹配（如"\"GPT-5\""）
6. 用 site: 限定来源（如"site:arxiv.org RAG"）
原问题：{{user_question}}
优化后的查询：?
查询优化示例
| 用户问题 | 优化查询 | 说明 |
|---|---|---|
| "React 19 有什么新特性" | React 19 new features 2026 | 英文+时间 |
| "如何用 RAG 做客服机器人" | "RAG" customer service bot tutorial | 引号+关键词 |
| "GPT-5 发布了吗" | "GPT-5" release date site:openai.com | 引号+site |
| "最好的向量数据库对比" | vector database comparison 2026 benchmark | 英文+时间 |
进阶 2：结果过滤与排序
Brave Search 返回多个结果，LLM 需要筛选与排序。
过滤策略
搜索后，请按以下规则过滤结果：
1. 相关性过滤：只保留与问题直接相关的结果（Top 5）
2. 时效性过滤：优先最近 3 个月的内容
3. 权威性过滤：优先官方文档/知名媒体/学术论文
4. 多样性过滤：避免同一来源多个结果
5. 语言过滤：中文问题优先中文结果，技术问题优先英文
## 搜索结果
{search_results}
## 用户问题
{user_question}
## 输出
筛选后的 Top 5 结果（含筛选理由）
权威性排序
权威性优先级：
1. 官方文档（如 react.dev、python.org）
2. 学术论文（arxiv.org、aclanthology.org）
3. 知名媒体（TechCrunch、The Verge）
4. 高质量博客（Medium 高赞、Dev.to）
5. 论坛讨论（Reddit、Stack Overflow）
6. 其他
进阶 3：多轮搜索策略
复杂问题需多轮搜索逐步精炼：
策略 1：宽-窄搜索
第 1 轮（宽）：搜索"RAG 技术"→ 了解概况
第 2 轮（窄）：搜索"RAG 分块策略"→ 深入具体
第 3 轮（更窄）：搜索"RAG semantic chunking vs fixed chunking"→ 对比
策略 2：多角度搜索
问题：Claude 3.5 vs GPT-4o 哪个好？
角度 1：搜索"Claude 3.5 vs GPT-4o benchmark"
角度 2：搜索"Claude 3.5 coding performance"
角度 3：搜索"GPT-4o reasoning ability"
角度 4：搜索"Claude vs GPT developer review 2026"
→ 综合多角度结果
策略 3：验证性搜索
LLM 回答：OpenAI 估值 5000 亿美元
验证搜索 1："OpenAI valuation 5000 billion"
验证搜索 2：site:bloomberg.com OpenAI valuation
→ 确认信息真实性
进阶 4：与 RAG 结合
Brave Search + RAG = 实时知识增强：
用户问题
↓
判断：是否需要联网？
├─ 是 → Brave Search 获取最新信息
└─ 否 → 本地 RAG 检索知识库
↓
合并搜索结果 + RAG 结果
↓
LLM 生成回答（标注来源）
路由判断 Prompt
判断以下问题是否需要联网搜索：
## 问题
{question}
## 判断标准
需要联网：
- 时效性信息（新闻、价格、天气）
- 最新数据（排名、统计）
- 本地信息（商家、地点）
- 知识库可能没有的信息
不需要联网：
- 通用知识（历史、科学原理）
- 本地知识库已覆盖的内容
- 计算/推理类问题
## 输出
是否联网：是/否
若联网，搜索查询：?
合并回答 Prompt
基于以下信息回答问题：
## 本地知识库
{rag_results}
## 联网搜索
{search_results}
## 要求
1. 优先使用本地知识库（更可信）
2. 联网信息补充时效性内容
3. 标注每条信息的来源
4. 若两者冲突，说明差异
5. 若都不包含答案，说明"信息不足"
进阶 5：搜索 + 代码执行
Brave Search + 代码执行 = 数据分析：
用户：分析 AI 公司融资趋势
步骤 1：Brave Search 搜索"AI funding 2026"
步骤 2：提取融资数据
步骤 3：用 Python 代码分析趋势
步骤 4：生成图表
步骤 5：总结洞察
实战场景
场景 1：技术调研助理
调研"RAG 技术最新进展"：
1. 搜索"RAG 2026 advances arxiv"→ 找最新论文
2. 搜索"RAG benchmark 2026"→ 找性能对比
3. 搜索"Advanced RAG techniques"→ 找技术综述
4. 综合生成调研报告，含：
- 最新论文 Top 5（含摘要）
- 技术趋势（3 个方向）
- 性能对比表
- 实践建议
场景 2：竞品监控
监控竞品 Notion 最新动态：
1. 搜索"site:notion.so blog 2026"→ 官方博客
2. 搜索"Notion new feature 2026 August"→ 新功能
3. 搜索"Notion pricing change 2026"→ 定价变动
4. 汇总为竞品动态报告
场景 3：事实核查
核查"GPT-5 已发布"是否属实：
1. 搜索"GPT-5 release"→ 看是否有官方公告
2. 搜索"site:openai.com GPT-5"→ 官方网站
3. 搜索"OpenAI announcement August 2026"→ 近期公告
4. 综合判断：已发布/未发布/不确定
场景 4：新闻摘要
生成"AI 行业今日新闻摘要"：
1. 搜索"AI news today 2026-08-11"
2. 搜索"artificial intelligence latest 2026 August"
3. 去重、筛选 Top 10
4. 每条新闻一句话摘要
5. 标注来源与时间
注意事项
- API 限额：Brave Search 免费版每月 2000 次，超出需付费。
- 搜索延迟：每次搜索增加 1-3 秒延迟，多轮搜索累积明显。
- 结果质量：Brave Search 对中文支持一般，技术类建议英文搜索。
- 信息时效：搜索结果可能有缓存延迟，非完全"实时"。
- 内容可信：搜索结果质量参差，需 LLM 判断可信度。
- 隐私边界：用户敏感信息不要作为搜索查询。
- 成本控制：多轮搜索成本高，建议设置最大搜索次数。
与其他搜索 MCP 的对比
| MCP | 特点 | 适合 |
|---|---|---|
| Brave Search MCP | 隐私优先、免费额度 | 通用搜索 |
| Google Search MCP | 结果最全 | 深度搜索 |
| Tavily MCP | AI 优化搜索 | AI 应用 |
| Exa MCP | 语义搜索 | 精准检索 |
建议：Brave Search 做通用搜索，Tavily 做 AI 优化搜索，按需选择。
小结
Brave Search MCP 的进阶用法核心是搜索策略：查询优化、结果过滤、多轮搜索、与 RAG 结合。掌握这些，就能让 AI 助理从"只懂训练数据"进化为"实时联网的智能分析师"。
MCP 进阶系列下一篇将讲 GitHub MCP 进阶：让 LLM 深度参与代码协作的进阶用法。