searxng-use-cli/README.md

# SearXNG CLI 技能包

[![Python 3.8+](https://img.shields.io/badge/python-3.8+-blue.svg)](https://www.python.org/downloads/)
[![License: MIT](https://img.shields.io/badge/License-MIT-yellow.svg)](LICENSE)

一个面向 AI Agent 的网络搜索与网页抓取技能包。AI 通过终端调用 CLI 脚本即可获得"搜索网络"和"抓取网页"两项核心能力，无需 API Key，路由通过用户自建的 SearXNG 实例完成。

**这不是给人用的工具，而是给 AI 用的技能。** 任何能执行终端命令的 AI Agent（Hermes、Claude Code、Codex、OpenCode、Cursor、Trae 等）均可直接调用。

## 为什么需要这个技能

AI Agent 在以下场景中需要实时网络信息：
- 查询最新新闻、文档、技术资料
- 验证事实、获取实时数据
- 抓取网页内容进行阅读和分析

传统方案依赖付费搜索 API（Google、Bing）或专有爬虫服务。本技能通过用户自建的 SearXNG 实例（隐私元搜索引擎，聚合 70+ 搜索服务）实现零成本、零 API Key、隐私可控的网络搜索能力。

## AI 如何使用

### 搜索网络

```bash
python scripts/search.py -q "搜索词" -i https://your-searxng-instance
```

AI 调用后，stdout 输出 JSON 格式搜索结果，AI 可解析并使用：

```json
{
  "query": "搜索词",
  "results": [
    {"title": "...", "url": "https://...", "content": "摘要...", "engine": "google", "score": 1.0}
  ],
  "suggestions": ["相关建议词"],
  "answers": ["直接答案（如有）"]
}
```

### 抓取网页

```bash
python scripts/fetch.py -u "https://example.com" --extract markdown
```

AI 调用后，stdout 输出网页正文（text/html/markdown 三种格式），AI 可直接阅读分析。

### 输入输出约定（AI 必读）

| 通道 | 内容 | 说明 |
|------|------|------|
| stdout | 数据 | JSON/CSV/文本，AI 解析的唯一来源 |
| stderr | 日志 | 进度、警告、错误，AI 可忽略或用于调试 |
| exit 0 | 成功 | 有结果 |
| exit 1 | 失败 | 致命错误（所有实例不可用、参数错误等） |
| exit 2 | 空结果 | 搜索成功但无结果 |

**错误处理**：`--format json` 模式下，错误以 JSON 输出到 stdout（非 stderr），格式为 `{"error": "...", "error_code": "E_NETWORK", "recovery_hint": "...", "exit_code": 1, "query": "..."}`，AI 可程序化捕获并按 `recovery_hint` 采取恢复行动。

**错误码体系**（`error_code` + `recovery_hint` 字段）：

| 错误码 | 含义 | recovery_hint（节选） |
|--------|------|----------------------|
| `E_CONFIG` | 配置错误（无实例） | 设置 `-i`/`SEARXNG_INSTANCE`/配置文件 |
| `E_AUTH` | 认证失败（401/403） | 检查凭证、token 过期与权限 |
| `E_NETWORK` | 网络错误（连接失败、5xx） | 重试退避、切换实例、检查代理 |
| `E_RATE_LIMIT` | 限流（429） | 等待重试、降低频率、分散负载 |
| `E_PARSE` | 解析错误 | 切换实例、切换 `--method` |
| `E_EMPTY` | 空结果（exit 2） | 调整查询词、扩大 `--time-range`/`--categories` |
| `E_INPUT` | 输入错误（参数/文件） | 检查语法、标志组合、文件路径 |
| `E_INTERNAL` | 内部错误 | 用 `--verbose` 重跑并报告 |

### 流式输出与进度事件（AI 高级用法）

**`--stream`**：JSON Lines 流式输出，每条结果一行 JSON，AI 可增量处理：
```
{"type": "result", "result": {"title": "...", "url": "..."}}
{"type": "done", "schema_version": "1.0", "count": 10, "query": "..."}
```
搜索失败时输出 error 事件（含 `recovery_hint`）：
```
{"type": "error", "error": "...", "error_code": "E_AUTH", "recovery_hint": "Verify credentials...", "query": "..."}
```
注意：`--stream` 仅在单查询 + `--format json` 下有效；与 `--queries-file` 或非 json 格式同用会立即报 `E_INPUT`。

**`--progress`**：进度事件流（JSON Lines 到 stderr），AI 可实时跟踪执行：
```
{"event": "start", "query": "...", "instances": 2}
{"event": "instance_try", "url": "https://inst1.example.com", "attempt": 1}
{"event": "instance_ok", "url": "https://inst1.example.com", "latency": 0.342, "results": 10}
{"event": "instance_fail", "url": "https://inst2.example.com", "error": "HTTP 503", "error_code": "E_NETWORK"}
{"event": "cache_hit", "query": "...", "ttl": 30}
{"event": "fetch_ok", "url": "...", "chars": 12345}
{"event": "done", "results": 10, "query": "..."}
```

**`--dump-schema`**：输出当前版本的 JSON Schema 到 stdout 并退出，AI 可程序化发现字段名与类型，无需解析文档。

```bash
# AI 推荐用法：流式输出 + 进度事件
python scripts/search.py -q "research" -i https://your-instance --stream --progress
```

## 部署

### 前置条件

- Python 3.8+（3.11+ 开箱即用；3.8-3.10 使用 `searxng.toml` 配置需 `pip install tomli`）
- 一个 SearXNG 实例 URL（自建或受信任的实例）

### 安装

```bash
git clone https://git.metona.cn/MetonaTeam/searxng-use-cli.git
```

无需安装依赖。`search.py` 仅使用 Python 标准库，开箱即用。

可选安装：
```bash
# 提升 fetch.py 抓取质量（HTTP 连接池 + HTML 解析）
pip install requests beautifulsoup4

# Python 3.8-3.10 使用 searxng.toml 配置文件时需要（3.11+ 内置 tomllib）
pip install tomli
```

### 配置实例

AI Agent 无需每次传入实例 URL 和认证信息，支持通过配置文件一次性设置：

1. **CLI 参数**：`-i https://your-instance`（最高优先级）
2. **环境变量**：`export SEARXNG_INSTANCE="https://your-instance"`
3. **配置文件**：`./searxng.toml` → `~/.config/searxng-cli/searxng.toml` → `%APPDATA%/searxng-cli/searxng.toml`（Windows）

```toml
# searxng.toml
[searxng]
instance = "https://your-searxng.example.com"
# 私有实例认证（可选，二选一）：
auth_basic = "user:password"        # Basic 认证
# auth_bearer = "sk-token-123"      # Bearer Token（与 auth_basic 同时设置时 bearer 优先）
```

**认证优先级**（从高到低）：`--auth-*` CLI 参数 > `--auth-*-file` 文件 > `searxng.toml` 配置 > 环境变量

> **安全提醒**：配置文件中的明文密码有泄露风险。生产环境推荐使用 `--auth-basic-file ~/.searxng_auth` 或环境变量。

## 参数参考

### search.py — 网络搜索

```bash
python scripts/search.py -q "查询词" -i https://your-instance \
  [--format json|brief|urls|csv] \
  [--engines google,bing,brave] \
  [--time-range day|month|year|none] \
  [--language zh-CN] \
  [--sort-by score|date|engine|none] \
  [--no-dedup] \
  [--max-results 10] \
  [--fetch 3] \
  [--fetch-report] \
  [--no-fallback] \
  [--referer URL] \
  [--request-delay 0.3] \
  [--cache-ttl 30] \
  [--queries-file queries.txt] \
  [--research "研究主题"] \
  [--include-domain example.com] \
  [--exclude-domain spam.com] \
  [--proxy http://corp:8080] \
  [--auth-bearer-file ~/.token] \
  [--verify] \
  [--stream] \
  [--progress] \
  [--verbose|-v] [--quiet]
```

| 参数 | 说明 | 默认值 |
|------|------|--------|
| `-q / --query` | 搜索词（必填，除非用 `--verify`/`--queries-file`/`--clear-cache`/`--cache-stats`） | — |
| `-i / --instance` | SearXNG 实例 URL，逗号分隔实现故障转移 | — |
| `-f / --format` | 输出格式：json/brief/urls/csv | json |
| `--engines` | 搜索引擎列表 | google,bing,brave,duckduckgo,startpage,wikipedia,wikidata |
| `-t / --time-range` | 时间范围：day/month/year/none | year |
| `-s / --safesearch` | 安全搜索：0/1/2 | 0（关闭） |
| `-l / --language` | 语言代码 | — |
| `-p / --pageno` | 页码 | 1 |
| `--sort-by` | 排序：score/date/engine/none | score（降序） |
| `--no-dedup` | 禁用跨引擎去重 | 默认开启去重 |
| `--max-results` | 限制结果数（去重+排序后截取） | 不限 |
| `--fetch N` | 自动抓取前 N 个结果的网页正文 | 0（不抓取） |
| `--fetch-report` | v2.0.0 抓取报告（stderr，含 WAF/兜底/限流统计） | 关闭 |
| `--no-fallback` | v2.0.0 禁用 Wayback Machine 兜底 | 默认启用兜底 |
| `--referer` | v2.0.0 设置 Referer 头 | 实例 URL |
| `--request-delay` | v2.0.0 抓取请求间隔秒数（自适应限流可能增大） | 0.3 |
| `--cache-ttl` | 缓存分钟数 | 0（不缓存） |
| `--queries-file` | 批量查询文件（每行一个查询） | — |
| `--research` | v2.1.0 研究模式：给定主题自动扩展 5 个多角度查询 | — |
| `--include-domain` | 域名白名单 | — |
| `--exclude-domain` | 域名黑名单 | — |
| `--proxy` | 代理 URL | — |
| `--auth-bearer-file` | Bearer Token 文件 | — |
| `--auth-basic-file` | Basic Auth 文件 | — |
| `--verify` | 实例健康检查模式 | — |
| `--config` | 指定配置文件 | 自动发现 |
| `--stream` | JSON Lines 流式输出（每条结果一行） | 关闭 |
| `--progress` | 进度事件（JSON Lines 到 stderr） | 关闭 |
| `-v / --verbose` | 调试日志 | — |
| `--quiet` | 仅输出警告和错误 | — |

### fetch.py — 网页抓取

```bash
python scripts/fetch.py -u https://example.com \
  --extract text|html|markdown \
  [--encoding gbk] \
  [--max-size 5242880] \
  [--timeout 15] \
  [--retries 3] \
  [--no-redirect] \
  [--referer https://google.com/] \
  [--proxy http://corp:8080] \
  [--auth-bearer-file ~/.token]
```

| 参数 | 说明 | 默认值 |
|------|------|--------|
| `-u / --url` | 目标 URL（必填） | — |
| `-e / --extract` | 提取模式：text/html/markdown | text |
| `--encoding` | 强制字符编码 | 自动检测 |
| `--max-size` | 最大字节数 | 不限 |
| `--timeout` | 超时秒数（v2.0.0 内部拆分为 connect/read） | 15 |
| `--retries` | 重试次数 | 3 |
| `--no-redirect` | 不跟随重定向 | 跟随 |
| `--no-fallback` | v2.1.0 禁用 Wayback Machine 兜底 | 默认启用兜底 |
| `--referer` | 设置 Referer 头（v2.0.0 反爬措施） | — |
| `--proxy` | 代理 URL | — |
| `--auth-bearer-file` | Bearer Token 文件 | — |
| `--auth-basic-file` | Basic Auth 文件 | — |

## 能力清单

**搜索**
- 多实例故障转移 + 并行探测
- 指数退避重试（429/5xx/连接错误）
- 跨引擎去重（忽略 utm_*/gclid 等跟踪参数）
- 结果排序（score/date/engine）
- 域名白名单/黑名单
- 批量查询（`--queries-file`）
- v2.1.0 研究模式（`--research`）：给定主题自动扩展 5 个多角度查询（overview/profile/background/works/review），输出含 `research_topic` 和 `research_queries` 元数据
- 实例健康检查（`--verify`）

**输出**
- JSON（默认，含完整元数据）
- brief（标题+URL+摘要）
- urls（纯 URL 列表）
- CSV（表格导出）
- 结构化 JSON 错误输出

**网页抓取**
- text：提取纯文本
- html：原始 HTML
- markdown：增强 Markdown 转换（GFM 表格、代码块、引用块、嵌套列表、定义列表）
- v2.0.0 readability-lite：`<article>`/`<main>` 缺失时，用文本密度算法选最可能正文的 `<div>`

**反爬与抓取稳定性（v2.0.0）**
- 浏览器指纹头：`build_browser_headers()` 发送完整 Sec-Ch-Ua / Sec-Fetch-* / Accept-Language，不仅靠 User-Agent
- 12 个 UA 池：Chrome/Edge/Firefox × Windows/macOS/Linux × 129-131 版本
- 确定性 UA 轮换：`get_ua_for_domain()` 用 SHA-256 为每个域名固定一个 UA（会话内稳定，跨进程可复现）
- requests.Session 复用：连接池 + cookie 持久化 + TLS 会话恢复
- 超时分离：`(connect, read)` 元组，避免大页面下载中途超时浪费已建连接
- Retry-After 遵守：429/503 响应读取 Retry-After header（数字或 HTTP date）作为最小重试延迟
- 退避封顶 60s：原公式无上限，N=10 时达 1536s 会卡死进程
- WAF 指纹库：识别 Cloudflare / Imperva / PerimeterX / DataDome / Akamai / 通用反爬页，全文档扫描（非仅前 2000 字符）
- Wayback Machine 兜底：404/403/超时自动尝试 `https://web.archive.org/web/2/<url>`，默认启用，`--no-fallback` 关闭
- v2.1.0 fetch.py 独立调用也支持 Wayback 兜底（之前仅 search.py --fetch 路径有）
- v2.1.0 被墙站点智能回退：`is_hard_blocked_domain()` 识别百度百科/知乎/微博/微信公众号/豆瓣等强反爬站点，403 时自动优先 Wayback
- 自适应限流：`AdaptiveThrottle` 状态机，连续 3 次失败自动翻倍延迟 + 减半并发，429 触发全局暂停 30s
- `--fetch-report`：结构化抓取报告到 stderr（每 URL 状态/WAF 类型/兜底方式/字符数 + JSON 摘要）
- `--referer` / `--request-delay`：精细控制 Referer 头和请求间隔
- fetch 结果新增字段：`anti_bot_detected`（bool）、`waf_type`（str|null）、`fallback_used`（str|null）

**缓存**
- SQLite 缓存（`--cache-ttl`），相同查询在 TTL 内跳过网络
- `--clear-cache` / `--cache-stats` 管理缓存

**网络**
- 代理支持（`--proxy`）
- 认证（Bearer/Basic，支持 CLI/文件/配置文件/环境变量四级优先级）
- `searxng.toml` 配置 `auth_basic` / `auth_bearer` 字段，AI Agent 一次配置即可
- 凭证文件权限警告（POSIX）

**工程**
- 共享 `common.py`（统一重试/字符集/认证/日志/UA池/浏览器头/退避）
- 结构化日志（`--verbose` / `--quiet`）
- UTF-8 stdout 强制（`force_utf8_stdout()`，修复 Windows GBK 崩溃）
- Windows 配置路径发现（`%APPDATA%/searxng-cli/`）
- fetch.py 失败诊断增强（`status_code=` / `cause=` / `url=` 字段）
- 结构化错误码 + `recovery_hint` 恢复建议（`E_NETWORK` / `E_AUTH` / `E_RATE_LIMIT` 等）
- JSON 输出含 `schema_version` 字段，`--dump-schema` 输出 JSON Schema 文档
- JSON Lines 流式输出（`--stream`，含 `error` 事件类型）
- 进度事件（`--progress`，含 `instance_try`/`instance_ok`/`instance_fail`，JSON Lines 到 stderr）
- batch 模式统一 schema（`status` 字段区分成功/失败）
- 503 个单元+集成测试

## 跨 Agent 兼容性

本技能与 Agent 无关——任何能执行终端命令的 AI 均可使用：

| Agent | 调用方式 |
|-------|---------|
| Hermes | `python scripts/search.py -q "..." -i https://your-instance` |
| Claude Code | 同上，通过终端工具调用 |
| Codex (OpenAI) | 同上 |
| OpenCode | 同上 |
| Cursor | 同上 |
| Trae | 同上 |

设计要点：
- 零外部依赖（`search.py` 仅标准库）
- 脚本自注入目录到 `sys.path`，可从任意工作目录运行
- stdout 纯数据，stderr 纯日志
- 无 Agent 专属 API 调用，纯 CLI，跨平台可移植

## 测试

```bash
pip install pytest
pytest -q
```

503 个测试覆盖：缓存操作、认证解析、域名过滤、Markdown 转换、搜索逻辑、集成流程、日志配置、HTML 回退、自动抓取、健康检查、输出格式化、实例解析、并行搜索、CLI 端到端、错误码分类、流式输出、进度事件、配置文件认证、schema_version、recovery_hint、batch 统一 schema、--dump-schema、UTF-8 stdout 强制、Windows APPDATA 路径、v2.0.0 浏览器指纹头、WAF 反爬检测（v2.0.1 收窄误判 + title 精准检测）、Wayback Machine 兜底（v2.0.1 修复 HTTP 200 反爬页触发）、自适应限流、v2.1.0 Wayback 共享逻辑（should_try_wayback/build_wayback_url）、被墙站点智能回退（is_hard_blocked_domain）、--research 研究模式（多角度查询扩展）。

## 项目结构

```
├── scripts/
│   ├── search.py      # 搜索（多实例故障转移/缓存/批量/域名过滤）
│   ├── fetch.py       # 网页抓取（text/markdown 提取）
│   ├── common.py      # 共享工具（认证/重试/字符集/日志）
│   ├── cache.py       # SQLite 结果缓存
│   └── _config.py     # 版本号 + User-Agent
├── tests/             # pytest 单元+集成测试
├── SKILL.md           # 完整技能文档（Agent 技能描述）
├── pytest.ini         # 测试配置
└── README.md
```

## 许可证

MIT