DeepSeek 和 Kimi：公开了什么，没公开什么？
截至 2026 年 9 月 28 日，两家公开的程度差得远。
Kimi 把筛选原则和爬虫都写进了自己的页面：帮助中心说联网时按相关性、权威性、时效性筛信源，「优先收录」政府机构官网、权威媒体、学术期刊、官方财报渠道，「自动剔除」低质聚合站、未经证实的自媒体、过期缓存页，还公开了三个爬虫的名字和 UA。DeepSeek 公开的是训练那一头：预训练数据来自互联网公开信息和第三方授权数据。回答是按概率逐词生成的，不是检索原文。2024 年 12 月的官方说明写联网搜索上了网页端，并写「API 暂不支持搜索功能」；现行文档里只有接入 Claude Code 那一页写了由 DeepSeek 的 API 执行搜索。两家都没公开的是：底层用哪家搜索引擎，「权威」怎么打分。DeepSeek 连爬虫的名字都没公开，网上流传的 DeepSeekBot、MoonshotBot 在两家官方页面上都找不到，照着写 robots.txt，对不上 Kimi 公布的名字。做 GEO（AI 搜索优化）的人可以直接拿 Kimi 的那一页对照自己。
把 DeepSeek 和 Kimi 放在一起写，是因为两家正好是两个极端：一家几乎不说自己怎么找资料，一家把筛选原则、爬虫名字、专业数据库都写在了帮助页上。对做 GEO（AI 搜索优化）的品牌方来说，知道哪家说了什么、哪家没说，比听人转述的「DeepSeek 偏 CSDN 和知乎」要有用得多。
DeepSeek：公开的是训练，不是搜索
DeepSeek 关于「资料从哪来」的官方说法，几乎都在训练这一头。
《模型原理与训练方法说明》写，预训练数据主要是两类：互联网上公开可用的信息，以及与第三方合作获取的信息。2026 年 4 月的 V4 模型卡说得更直白一点，公开数据是「采用技术手段获取和过滤」的，另有跟数据提供商签协议拿到的授权数据。模型卡没写采集器的名称，也没写守不守 robots 协议。
同一份说明还解释了回答是怎么出来的：按上下文逐个词元往下猜，「并非简单检索或“复制粘贴”模型训练数据中的原始文本」，模型也不存那份原文的副本。不开联网时，官方说的就是这一套。至于它会不会吐出学过的句子，原理说明里没写。
论文里最具体的一次交代是 2024 年 1 月那篇 DeepSeek LLM：对整个 Common Crawl 去重。之后的 V3 技术报告给了 14.8 万亿 token，也说了提高数学和编程的比例、多语言扩到中英文以外，仍然没给来源网站。2025 年 9 月 R1 论文发在 Nature 上，审稿文件里审稿人认为 DeepSeek 在预训练数据上还可以比现在更透明，这样才好判断 R1 的能力从哪来；DeepSeek 在回复里补了几句：V3-Base 的数据全部来自网络、反映自然分布，只用普通网页和电子书、没有加入合成数据，网页里可能附带含有别的模型生成的内容，数据截至 2024 年 7 月。来源清单还是没有。
联网搜索这一头，协议只下了定义。《用户协议》第 1.2 条：开启联网搜索后，产品「先检索互联网的公开信息，并根据检索的公开信息生成内容」。第 5.2 条说联网「或将在一定程度上提升」准确性和时效性，第 5.1 条说输出可能出错，仅供参考。2024 年 12 月的官方发布说明还写了，联网模式下模型会「自动提取多个关键词并行搜索」。搜哪家的索引、检索多少条、怎么选引用，没有。隐私政策只说用搜索服务时会接收你输入的信息，用来提供实时结果；随附的《第三方信息共享清单》列了 9 个 SDK，登录、风控、分析都在，搜索服务商不在。
有一点值得单独记。那份 2024 年 12 月的发布说明写联网搜索上了网页端，并写着「目前，API 暂不支持搜索功能」。我们 2026 年 9 月 28 日查当前的 Chat Completions 参数表和更新日志，也没看到搜索参数；API 文档里只有《接入 Claude Code》那一页写了，DeepSeek 的 API 原生支持 Claude Code 的联网搜索，由 DeepSeek 提供的 API 执行。市面上别的「能联网的 DeepSeek」，得单独看它接的是不是自己的搜索。
DeepSeek 用哪家搜索引擎，查过的协议、隐私政策、共享清单和官网新闻里都没点名。目前看到的一手说法来自一家叫博查的搜索接口公司自己：它的 CTO 2025 年 3 月接受《每日经济新闻》采访时说，DeepSeek 爆火之前就接入了博查的搜索 API。这是供应商的自述，DeepSeek 没有确认过，现在还用不用博查、是不是只用一家，都不知道。
Kimi：把筛选原则和爬虫都写出来了
Kimi 帮助中心有一页《Kimi Agentic 搜索介绍》，写了 DeepSeek 没写的那些。开启联网后，Kimi 自己判断当前问题要不要实时数据，「智能调用搜索引擎与垂直数据库」。筛选信源看三个维度：相关性、权威性、时效性。「优先收录」的是政府机构官网、权威媒体、学术期刊、官方财报渠道；「自动剔除」的是低质聚合站点、未经证实的自媒体、过期缓存页面。它还说覆盖「100+ 经过验证的可信来源」，这些信源会在回答里打上官网认证、学术认证、媒体认证之类的图标，所有基于搜索的回答都附参考来源链接。
专业数据库要用户在输入框旁的「+」菜单里自己选：同花顺 iFinD 的金融数据，天眼查的工商、股权、司法风险，还有世界银行等机构的数据。
爬虫也公开了。《Kimi Crawlers》页列了三个：KimiBot 抓可能用于训练的内容，屏蔽它就是声明你的内容不要拿去训练；Kimi-User 处理用户触发的实时读取，因为这些读取由用户主动发起，「robots.txt 规则可能不直接适用」，屏蔽它「可能减少」用户触发的可见性；Kimi-SearchBot 给搜索建索引，屏蔽它，站点就不会出现在 Kimi 的搜索结果里。三个都给了完整的 UA，并附 2026 年 5 月 18 日的 IP 列表，各 4 个地址，Kimi 写明地址会变。帮助页还提了一句，限制爬取的网页可能打不开。所以 Kimi 写的是：屏蔽 Kimi-SearchBot，站点不进它的搜索结果；训练抓取是另一个爬虫 KimiBot；用户贴链接时，robots 规则不一定管用，也不保证一定读得到。
用户协议的风险提示有三条：不要把输出当唯一的事实来源；输出提到第三方产品，不代表那个第三方认可这段话，也不代表它和月之暗面有关联；联网时来源显示在网页右侧的搜索栏，这句说的是网页版。
Kimi 也有没公开的：底层调的是哪家搜索引擎，「权威性」怎么打分，那 100 多个可信来源具体是哪些。开放平台给开发者的内置联网工具页写着「模型只负责生成搜索参数，搜索本身由 Kimi 大模型定义并执行」，同页写明这个工具预计 2026 年 10 月 20 日下线，新接入改走独立的搜索接口。独立接口的说明里，联网搜索 Pro 会返回一个 authority 字段标注来源的权威等级，正文片段按相关性排序，条数默认 5 条、范围 1 到 20 条。评级怎么打，两套文档都没写。K2 技术报告只给了预训练语料的四个领域和 15.5 万亿 token 的总量。
两家都没说的
一是底层用哪家搜索引擎，二是「权威」怎么打分。这两件事，两家的协议、隐私政策、备案公示、帮助文档里都没有。
DeepSeek 连爬虫的名字都没公开。网上流传的说法是它的爬虫叫 DeepSeekBot，Kimi 的叫 MoonshotBot，好几篇讲 robots.txt 配置的文章和爬虫目录站都这么列，有配置文直接让人把这两个名字写进 robots.txt。DeepSeek 的官网、透明度中心、协议、API 文档里都没找到 DeepSeekBot；Kimi 官方公布的三个名字里没有 MoonshotBot。照着写，对不上 Kimi 公布的名字；DeepSeek 实际用什么 UA，这些页面证明不了。
还有一种说法，「DeepSeek 偏 CSDN 和知乎」，原话是「DeepSeek偏CSDN+知乎」，出自 2026 年 7 月一篇 GEO 服务商的博客，没有问题集和样本。DeepSeek 官方没有任何关于选源偏好的说明。
这些结论别往外推
- 「没公开」是指我们在两家官方页面上没找到。DeepSeek 的 V4 技术报告和 chat.deepseek.com 的 robots.txt 这次没能打开，没读到。
- 在我们核过的 DeepSeek、元宝、Kimi 里，Kimi 是把筛选原则和爬虫写进自己页面的那家；头条搜索公开过 Bytespider，只是页面上没写豆包，所以不能说 Kimi 是国内唯一。
- Kimi 帮助页上的「优先收录」「自动剔除」是它自己写的筛选原则，不是别人测出来的结果。它实际引了谁，得另外测。我们在《问「哪家好」时，AI 的推荐名单从哪来？》里记过一份第三方统计，口径不同，不能直接对比。
- 审稿文件里说的 2024 年 7 月只对 V3-Base 成立，之后的版本没有对应说法。
- 博查那句话说的只是 2025 年初的合作状态，只代表供应商一方。
我们的判断是：两家里，Kimi 的文档可以直接拿来对照自己的官网和被提到的地方，看看落在它「优先收录」那一列还是「自动剔除」那一列；DeepSeek 没有给你这张表，只能拿真问题去测。至于两家都没公开的排序规则，谁说自己知道，你先问一句出处在哪。
出处 15 条，A 级 9 条、B 级 4 条、C 级 2 条 · 展开全部
DeepSeek《模型原理与训练方法说明》（页面无日期）：预训练「主要使用以下两个类别的数据用于训练：(1) 互联网上公开可用的信息，(2) 我们与第三方合作获取的信息」；生成「并非简单检索或“复制粘贴”模型训练数据中的原始文本，模型也并未存储用于训练的原始文本数据副本」；同页把检索增强生成列为降低幻觉的手段之一。 原文
DeepSeek《DeepSeek V4 模型卡》（透明度中心，2026-04-27）：「公开数据：我们使用互联网上公开可用的信息来构建模型对世界知识的广泛理解。我们采用技术手段获取和过滤这些可自由获取的数据」；「授权数据：我们与第三方数据提供商合作，通过合法签署的协议获取专有数据集」。 原文
DeepSeek《用户协议》（2025-09-05 生效）第 1.2 条：「开启该功能后，产品将按照输入信息和指令先检索互联网的公开信息，并根据检索的公开信息生成内容」；第 5.1 条：输出「可能出现错误或遗漏，仅供您参考」；第 5.2 条：联网「或将在一定程度上提升输出生成内容的准确性和时效性」；第 8.2 条（7）：来自插件、第三方网站的内容「不保证……真实性、合法性、安全性」；第 4.5 条讲的是用 Robots 协议防第三方抓取用户分享页。 原文
DeepSeek API 文档新闻《DeepSeek V2 系列收官，联网搜索上线官网》（新闻编号 news1210，按编号推定 2024-12-10）：「DeepSeek-V2.5-1210 版本支持了联网搜索功能，并已上线网页端……目前，API 暂不支持搜索功能。……模型将自动提取多个关键词并行搜索」。2026-09-28 查当前 Chat Completions 参数表和更新日志，没有搜索参数；API 文档里《接入 Claude Code》一页写明 DeepSeek API 原生支持其 Web Search，由 DeepSeek 提供的 API 执行搜索。 原文
DeepSeek《隐私政策》（2026-02-10 生效）：「当您使用搜索服务时，我们会自动接收您主动输入的信息，以便向您自动提供实时搜索结果。」随附《第三方信息共享清单》列了 9 个 SDK（登录、风控、分析、一键登录、HTTPDNS），没有搜索服务商。 原文
DeepSeek-AI《DeepSeek LLM: Scaling Open-Source Language Models with Longtermism》，预印本，2024-01：「deduplicating the entire Common Crawl corpus results in higher removal of duplicate instances compared to deduplicating within a single dump」。V3 技术报告（2024-12）：14.8T token，提高数学和编程比例，多语言扩到中英文以外，没给来源网站。 原文
DeepSeek-R1 论文（Nature，2025-09-17）审稿文件里作者回复：「all training data are sourced from the web and reflect a natural distribution. Consequently, any exposure to synthetic content is incidental and indirect……the pre-training data for DeepSeek-V3-Base was collected with a cutoff date of July 2024」；另一处回复称 V3-Base 只用普通网页和电子书、未加入合成数据。同一文件里审稿人写「Certainly, DeepSeek can be more transparent about the pretraining data than it currently is--especially as it would lead to a better understanding of where the sources of R1's strength are.」 原文
博查 CTO 翁柔莹接受《每日经济新闻》专访，2025-03-08：「我们产品于去年7月上线，DeepSeek在爆火之前，就已经接入了博查搜索API。」供应商自述，DeepSeek 未确认。 原文
Kimi 帮助中心《Kimi Agentic 搜索介绍》（页面无日期）：「开启后，Kimi 将自主判断当前问题是否需要实时数据，智能调用搜索引擎与垂直数据库完成信息检索与整合」；「覆盖 100+ 经过验证的可信来源（主流新闻媒体、政府公告、金融数据平台、学术期刊库）」；「基于相关性、权威性、时效性三重维度筛选信息源」；「自动剔除：低质聚合站点、未经证实的自媒体、过期缓存页面 优先收录：政府机构官网、权威媒体、学术期刊、官方财报渠道」；「所有基于搜索的回答均附带参考来源链接」；可手动调用同花顺 iFinD、天眼查等专业数据库；限制爬取的网页可能打不开。 原文
Kimi《用户服务协议》（2026-08-31 生效）风险提示：「请不要将输出视为唯一的事实来源或绝对真实信息」；「如果输出提及任何第三方产品或服务，这并不意味着该第三方认可该内容，或该第三方与月之暗面有关联」；「若您选择使用联网搜索功能，我们会自动搜索第三方公开发布的信息帮助回复您的输入，网页右侧的搜索栏会显示搜索来源」。 原文
Kimi《Kimi Crawlers》（页面无日期，IP 列表生成于 2026-05-18，各 4 个地址，页面写明地址会变）：「KimiBot crawls content potentially used to train Kimi's foundation models. Disallowing this bot signals that your content should not be used for model training.」「Kimi-User handles user-initiated actions in Kimi … because actions are user-triggered, robots.txt rules may not directly apply.」屏蔽 Kimi-User「may reduce」用户触发的可见性。「Kimi-SearchBot powers Kimi's search features: it analyzes pages for relevance and builds the search index.」屏蔽它，站点不会出现在 Kimi 搜索结果里。附三个爬虫的完整 UA。 原文
Kimi 开放平台《使用 $web_search 内置工具联网搜索》《联网搜索最佳实践》（无日期）：「模型只负责生成搜索参数，搜索本身由 Kimi 大模型定义并执行」；$web_search 页写明该内置工具预计 2026-10-20 下线，新接入改走独立搜索接口；《联网搜索最佳实践》页：联网搜索 Pro「返回 authority（来源权威性等级）字段」，正文片段按相关性排序，条数默认 5、范围 1 到 20，sites 参数可限定最多 5 个站点。只对 API。 原文
Kimi《算法及模型备案信息公示说明》（2026-08-24 更新）：模型应用场景含「信息搜索与内容总结」，对搜索来源和选源规则没有说明。 原文
Kimi Team《Kimi K2: Open Agentic Intelligence》，预印本，2025-07：「The Kimi K2 pre-training corpus comprises 15.5 trillion tokens of curated, high-quality data spanning four primary domains: Web Text, Code, Mathematics, and Knowledge.」没给网页来源站点或占比。 原文
流传说法：CSDN 博客《robots.txt AI 爬虫配置全指南》，2026-08-18，表格写「DeepSeek | DeepSeekBot」「Kimi | MoonshotBot」；同样的名字也见于更早的配置文和爬虫目录站。DeepSeek 官方页面上没有 DeepSeekBot；Kimi 官方公布的是 KimiBot、Kimi-User、Kimi-SearchBot。 原文
大家也这样问
- DeepSeek联网搜索从哪找资料？
- Kimi的信息来源是什么？