AI Gateway集成DeepSeek搜索与抓取工具，一个API Key搞定联网检索

Vercel AI Gateway 近日上线了两个新工具——DeepSeek^广告 Search 和 DeepSeek Fetch，让开发者无需单独注册 DeepSeek 账号，就能通过统一的 AI Gateway API Key 为任意支持工具调用的模型接入联网搜索与网页抓取能力。据 RSS 来源披露，这一更新直接瞄准了多模型开发中「工具与供应商绑定」的痛点。

两个工具分别解决什么问题

DeepSeek Search 负责发现信息：它返回相关页面的标题、URL 和摘要，让模型先判断哪些结果值得深入。DeepSeek Fetch 则负责取回内容：把目标页面正文转成 Markdown 格式，供模型直接阅读和引用。

这种「先搜索、后抓取」的两段式设计符合实际检索场景——搜索接口通常只提供摘要，模型需要完整正文才能做出可靠总结。两个工具可以单独使用，也可以串联成完整的工作流。

工具调用（Tool Calling / Function Calling） 是大模型的一种能力：模型在生成回复时，可以按照预先定义的 JSON Schema 声明自己要调用某个外部函数及参数，由宿主程序执行后把结果回传给模型继续推理。它是让模型「联网」的通用机制——搜索和抓取本质上都是被模型按需触发的函数。AI Gateway 把 DeepSeek Search/Fetch 封装成标准的 tool 定义，因此任何具备工具调用能力的模型都能复用，这正是「工具与模型解耦」在协议层面的依据。需要注意的是，模型只负责决定调用什么、传什么参数，真正的网络请求和结果解析由 Gateway 完成。

一个 API Key，跨模型复用工具

这套工具的核心价值在于解耦。官方说明指出，只要模型支持工具调用，就可以配合 DeepSeek Search 和 Fetch 使用，且全程只需一个 AI Gateway API Key，无需单独的 DeepSeek 账户。更关键的是，开发者在切换模型供应商时，工具配置可以保持不变。

对于需要在多个模型之间做路由、重试和故障转移的项目来说，这意味着工具层不再随模型层变动而重写。AI Gateway 本身提供的统一模型调用、用量与成本追踪、路由与故障转移配置，也因此延伸到了工具调用这一层。

代码层面的接入方式

使用前需将 AI SDK 升级到相应版本：v6 线需 6.0.321 及以上，v7 线需 7.0.160 及以上，并通过 pnpm add ai@latest 更新，同时设置 AI_GATEWAY_API_KEY。

组合搜索与抓取的典型写法，是在 streamText 的 tools 字段中同时传入两个 helper：

import { gateway, streamText } from 'ai';

const result = streamText({
  model: 'deepseek/deepseek-v4.1-flash-1017',
  prompt: 'Find the latest Vercel AI Gateway announcement, fetch it, and summarize it.',
  tools: {
    deepseek_search: gateway.tools.deepseekSearch({ count: 3 }),
    deepseek_fetch: gateway.tools.deepseekFetch(),
  },
});

for await (const text of result.textStream) {
  process.stdout.write(text);
}

有意思的是，示例中的模型并非 DeepSeek 自家模型也能调用这两个工具，印证了工具与模型解耦的设计。

AI SDK 与 AI Gateway 的关系：AI SDK 是 Vercel 提供的开源 TypeScript 工具库，streamText、generateText 等函数负责把提示词、模型和工具编排成一次调用，并处理流式输出的增量解析。AI Gateway 则是托管服务层，统一承接各家模型供应商的请求、鉴权和计费。代码中 gateway.tools.deepseekSearch() 返回的是一个符合 AI SDK 工具接口的 helper，它声明了参数 schema 并在内部代理到 Gateway 的工具端点，所以开发者无需自己编写 fetch 逻辑或管理 DeepSeek 的密钥。版本要求（v6 线 6.0.321+、v7 线 7.0.160+）是因为 gateway tools helper 是较新引入的 API，旧版本缺少对应导出。

搜索失败时的多工具降级策略

单一搜索源总有失败风险。官方给出的备选方案是：在工具列表中同时挂载 DeepSeek Search、Exa Search 和 Parallel Search，并通过 system prompt 指示模型按顺序尝试——先试 deepseek_search，出错则依次切到 exa_search 和 parallel_search，搜索成功后再用 deepseek_fetch 抓取结果 URL。

这种降级由模型自主决策，官方也坦承搜索回退是「模型导向」的，因此供应商顺序和重试次数只能尽力而为，并非强保证。不过 DeepSeek Fetch 本身可以抓取上述任一搜索工具返回的 URL，这让组合策略在工程上具备可行性。

降级（Fallback）与「尽力而为」的含义：传统工程里的降级通常由代码显式控制——try/catch 后按固定顺序切换。这里的不同在于决策主体是模型本身：系统提示词只是「建议」尝试顺序，模型可能跳过某个源、重复调用，或在第一次失败后直接放弃。因此官方称其为 model-directed，不提供强一致性保证。更稳妥的做法是在应用层补充校验，例如检查返回结果是否为空、对关键查询设置最大工具调用轮次，或结合 AI Gateway 自带的路由与故障转移配置处理模型侧的不稳定。对成本敏感的 Agent，还应限制单次会话的工具调用总次数，避免模型陷入反复重试的循环。

计费方式与成本边界

Search 和 Fetch 各按每 1,000 次可计费请求 0.75 美元收费。失败请求、超时和空结果不产生工具费用，模型 token 另行计费。这个计费口径对高频重试的 Agent 场景相对友好——失败不收费，意味着降级重试策略不会因搜索源不稳定而额外烧钱。

AI Gateway 同时支持使用平台 API Key 或自带供应商密钥（bring your own provider key），为有合规或成本核算需求的团队留出了空间。

对开发者意味着什么

把搜索和抓取做成 Gateway 层的标准工具，实质上是把「联网能力」从模型供应商的私有特性，变成了可跨模型迁移的基础设施。对于构建 RAG、研究助手或自动化信息聚合的团队，工具层的稳定性和可替换性，往往比单个模型的性能差异更影响长期维护成本。此次更新提供的多搜索源降级模式，也反映出官方对单一搜索源可靠性的务实态度。

更多配置选项和定价细节，可查阅 DeepSeek Search 与 DeepSeek Fetch 的官方文档。