在上篇我们学习了LangChain教程——历史消息管理（Memory类），这篇我们学习LangChain教程——Tavily搜索引擎。

Tavily

Tavily是一个专门为大语言模型设计的网络搜索引擎，可以将搜索结果输出为结构化、可解析的形式。

在使用Tavily前，需要在Tavily官网创建账号，创建完成后就会自动获取到每月1000次的搜索额度，如下图所示：

使用

首先执行如下代码安装tavily-python，

pip install tavily-python

tavily常用的方法有：

• search：从网络中搜索问题内容；

• extract：从指定url列表中提取和分析网页内容；

search方法

search方法可以从网络中搜索问题相关的内容，示例代码如下：

from tavily import TavilyClient

tavily_client = TavilyClient(api_key="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")
response = tavily_client.search("NBA中外号是白巧克力的球员名字是什么")

for result in response:
    print(result, "：", response[result])

运行结果如下：

返回数据字段如下表所示：

字段	类型	描述
query	str	搜索的问题
follow_up_questions	str	后续的问题
answer	str	LLM生成的对用户查询的简短回答
images	list	返回的图像列表
results	list	搜索返回结果，需开启include_sense
response_time	float	完成请求所用时间
request_id	str	搜索请求ID

在results中：

字段	描述
url	文章链接
title	文章标题
content	最相关的内容摘要
score	相关性得分
raw_content	原始HTML内容

在search方法中，可以添加如下表参数：

参数	类型	描述	默认值	可选值
query	str	搜索的内容，必填
auto_parameters	bool	根据查询内容自动配置搜索参数，当	false	false、true
topic	str	搜索主题	general	general、news
search_depth	str	搜索深度，basic需要消耗1个api，简单返回通用内容片段，advanced需要消耗2个api，返回最相关的源和内容片段	basic	basic、advanced
chunks_per_source	int	每个数据源返回相关块的长度，仅当search_depth处于advanced时可用	3
max_results	int	最大搜索结果数	5
time_range	str	时间范围，支持 “day”, “week”, “month”, “year”（“d”, “w”, “m”, “y”）
days	int	从当前日期（发布日期）算起的天数，当topic=news时使用	7
start_date	str	将返回指定开始日期（发布日期）后的所有结果。格式：YYYY-MM-DD
end_date	str	将返回指定结束日期（发布日期）前的所有结果。格式：YYYY-MM-DD
include_answer	bool或str	搜索结果生成的回答，basic或true为简要回答，advanced为详细回答	false	basic、true、false、advanced
include_raw_content	bool或str	解析的原始HTML内容，markdown或true为Markdown格式，text为纯文本	false	true、false、markdown、text
include_images	bool	返回与查询相关的图片列表	false	true、false
include_image_descriptions	bool	返回图片及其自动生成的描述	false	true、false
include_favicon	boolean	返回每个结果包含favicon的url	false	true、false
include_domains	list[str]	指定包含的域名	[]
exclude_domains	list[str]	指定不包含的域名	[]
country	str	优先搜索所选国家的内容，当topic=general时使用

extract方法

extract从指定url列表中提取和分析网页内容，示例代码如下：

from tavily import TavilyClient

# 初始化客户端
tavily_client = TavilyClient("tvily的key")

# 执行提取请求
result = tavily_client.extract(
    urls=["https://sports.sina.cn/nba/2019-11-05/detail-iicezuev7034711.d.html"],
    include_images=False
)

for i in result:
    print(i, "：", result[i])

运行结果如下：

langchain_tavily

langchain_tavily库封装Tavily为LangChain工具，让LangChain获得强大的网络搜索能力和内容提取能力。

注意：上面的tavily请求参数同样适用langchain_tavily。

langchain_tavily主要提供两大工具：

• TavilySearch：实时网络搜索；

• TavilyExtract：从指定一个或多个URL中提取和分析网页内容；

在使用前执行如下代码安装langchain_tavily：

pip install langchain_tavily

TavilySearch

TavilySearch在网络中搜索并返回结构化结果，其语法格式如下：

TavilySearch(
    tavily_api_key  # tavily的key
)

示例代码如下：

from langchain_tavily import TavilySearch

# 初始化搜索工具，可配置参数
tool = TavilySearch(
    max_results=1,  # 最大结果数，默认5
    topic="general",  # 搜索主题：general, news, finance
    search_depth="basic",  # 搜索深度：basic 或 advanced
    tavily_api_key='tavily的key'
)
# 执行搜索
result = tool.invoke("NBA中外号是白巧克力的球员名字是什么")
for i in result:
    print(i, "：", result[i])

运行结果如下：

TavilyExtract

TavilyExtract可以从指定一个或多个URL中提取和分析网页内容，其语法格式如下：

extract_tool = TavilyExtract(
    tavily_api_key
)
extract_tool.invoke(
 {
  "urls":[ url列表 ] 
 }
)

示例代码如下：

from langchain_tavily import TavilyExtract

# 初始化提取工具
extract_tool = TavilyExtract(
    extract_depth="basic",  # 提取深度：basic 或 advanced
    include_images=False,  # 是否包含图片
    tavily_api_key='tavily的key'
)

# 提取网页内容
result = extract_tool.invoke({"urls": ["https://sports.sina.cn/nba/2019-11-05/detail-iicezuev7034711.d.html"]})
for i in result:
    print(i, "：", result[i])

运行结果如下：

好了，LangChain教程——Tavily搜索引擎就讲到这里了。

公众号：白巧克力LIN

该公众号发布Java、Python、数据库、Linux、Flask、Django、自动化测试、Git、算法、前端、服务器、AI等相关文章！

• END -