工具：Tavily搜索引擎

Tavily

官网：https://tavily.com/

介绍

Tavily是一个为大型语言模型（LLMs）和检索增强生成（RAG）优化的搜索引擎，旨在提供高效、快速且持久的搜索结果。该产品由Tavily团队开发，目标用户是AI开发者、研究人员以及需要实时、准确、有根据的信息的企业。Tavily Search API通过连接LLMs和AI应用程序到可信赖的实时知识，减少了幻觉和整体偏见，帮助AI做出更好的决策。

核心功能：

• 深度研究：通过单一的API调用，简化数据收集，提供来自可信来源的聚合和精选结果。
• 智能查询建议和答案：装备AI以自动化的方式深化知识，通过细微的答案和后续查询。
• 多源优化：与Bing、Google和SerpAPI等其他API相比，Tavily Search API会审查多个来源，从每个来源中找到最相关的内容，以优化LLM上下文。
• 灵活性和成本效益：Tavily Search API提供更灵活的定价计划和更实惠的成本。

价格计费，Tavily提供不同的定价计划，以满足不同用户的需求：

• Researcher计划：免费，每月1,000次API调用。
• Project计划：$30/月，每月4,000次API调用。
• Bootstrap计划：$100/月，每月15,000次API调用。
• Startup计划：$220/月，每月38,000次API调用。
• Growth计划：$500/月，每月100,000次API调用。
• Add-On计划：$100一次性购买，额外8,000次API调用。
• Enterprise计划：提供定制API调用、生产就绪的速率限制、定制的主题和来源以及企业级的安全和隐私。

使用

我们可以通过谷歌账号或者Github账号直接注册Tavily账号。

要使用Tavily，我们可以通过Python SDK轻松与API交互，直接在Python程序中利用搜索功能。我们还可以自定义字段，如上下文等，以优化搜索结果。Tavily的搜索结果基于来源的可信度和内容质量进行索引和排名，并且能够自主地构建后续查询，深入主题以提供细微的答案和全面的分析。

原生使用

模块安装：

pip install tavily-python

内容搜索：

import os
os.environ["TAVILY_API_KEY"] = "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"

# 1. 初始化搜索引擎客户端
from tavily import TavilyClient
# client = TavilyClient(api_key="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")
client = TavilyClient() # 如果不填写，则默认从本地系统变量中提取TAVILY_API_KEY的值作为key

# 2. 执行搜索
response = client.search("2024年第三季度中，中国与美国的GDP是多少?")

# 3. 获取结果，后续可以提供给大模型进行推理
print(response)

结合lagnchain进行使用

import os
os.environ["TAVILY_API_KEY"] = "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"


from langchain_ollama import ChatOllama
llm = ChatOllama(model="qwen2.5:7b")
# from langchain_openai import ChatOpenAI
# llm = ChatOpenAI(model='gpt-4', temperature=0)

from tavily import TavilyClient
client = TavilyClient()

query = "北京今天的天气以及温度?"
content = client.search(query, search_depth="advanced", max_results=2)["results"]

prompt = [
    {
    "role": "system",
    "content":  f'You are an chinese\'s AI critical thinker research assistant. '
                f'Your sole purpose is to write well written, critically acclaimed,'
                f'objective and structured reports on given text.'
    }, {
    "role": "user",
    "content": f'Information: """{content}"""\n\n'
               f'Using the above information, answer the following'
               f'query: "{query}" in a detailed report --'
               f'Please use markdown format and markdown syntax and chinese language.'
}]

report = llm.invoke(prompt).content

print(report)

除了上面用法，也可以基于Agent来进行使用，langchain内置了tvly的Agent工具包，代码：

import os
os.environ["TAVILY_API_KEY"] = "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"

from langchain_community.tools import TavilySearchResults

tool = TavilySearchResults(
    max_results=5,  # 最大返回搜索数量
    include_answer=True, # 是否包含答案
    include_raw_content=True, # 是否包含原始内容
    include_images=True, # 是否包含图片
    # search_depth="advanced", # 是否进行高级搜索【深度搜索】
    # include_domains = [], # 包含的搜索引擎的域名
    # exclude_domains = []  # 排除的搜索引擎的域名
)

# 结果后续交给LLM去处理的
response = tool.invoke({'query': '中国历史上最美丽的女人是谁？'})
print(response)

结合大模型推理，最终代码：

import os
os.environ["TAVILY_API_KEY"] = "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"

from langchain_community.tools.tavily_search import TavilySearchResults
tools = [TavilySearchResults(max_results=5)]

# 导入 LangChain Hub
from langchain import hub
# 从 LangChain Hub中获取 ReAct的提示
prompt = hub.pull("hwchase17/react")

from langchain_ollama import ChatOllama
llm = ChatOllama(model="qwen2.5:7b")

# 导入 create_react_agent 功能
from langchain.agents import create_react_agent
# 构建 ReAct Agent
agent = create_react_agent(llm, tools, prompt)
# 导入 AgentExecutor
from langchain.agents import AgentExecutor
# 创建 Agent 执行器并传入 Agent 和工具
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 调用 AgentExecutor
response = agent_executor.invoke({"input": "韩国目前总统是谁?"})
print(response)