Skip to main content

Tavily爬取

Tavily 是专为 AI 代理（LLMs）构建的搜索引擎，能快速提供实时、准确和基于事实的结果。Tavily 提供了四个主要端点，其中之一是 Crawl，它是一个基于图的网站遍历工具，可以并行探索数百条路径，并具有内置的提取和智能发现功能。

本指南简要介绍了如何开始使用 Tavily 工具。如需对 Tavily 工具进行更详细的介绍，请参阅API 参考文档。

概览​

集成详情​

类别包Python 支持最新版本
TavilyMap@langchain/tavily✅NPM - 版本

配置​

该集成在@langchain/tavily包中，你可以通过以下方式安装：

:::提示 请参阅安装集成包的一般说明部分。 :::

yarn add @langchain/tavily @langchain/core

凭据​

在此处链接设置 API 密钥，并将其设置为名为TAVILY_API_KEY的环境变量。

process.env.TAVILY_API_KEY = "YOUR_API_KEY";

另外，设置LangSmith对于获得最佳观测能力也有帮助（非必需）：

process.env.LANGSMITH_TRACING = "true";
process.env.LANGSMITH_API_KEY = "your-api-key";

实例化​

你可以通过以下方式导入并实例化 TavilyCrawl 工具：

import { TavilyCrawl } from "@langchain/tavily";

const tool = new TavilyCrawl({
  maxDepth: 3,
  maxBreadth: 50,
  // extractDepth: "basic",
  // format: "markdown",
  // limit: 100,
  // includeImages: false,
  // allowExternal: false,
});

调用​

使用参数直接调用​

Tavily 爬虫工具在调用时接受以下参数：

  • url（必填）：一个自然语言搜索查询

  • 也可以在调用期间设置以下参数：instructions、selectPaths、selectDomains、excludePaths、excludeDomains、allowExternal、categories。

await tool.invoke({
  url: "https://docs.tavily.com",
});

使用工具调用调用​

我们还可以使用模型生成的 ToolCall 来调用工具，在这种情况下，将返回一个 ToolMessage：

// This is usually generated by a model, but we'll create a tool call directly for demo purposes.
const modelGeneratedToolCall = {
  args: {
    url: "https://docs.tavily.com",
  },
  id: "1",
  name: tool.name,
  type: "tool_call",
};

await tool.invoke(modelGeneratedToolCall);

链式调用​

我们可以通过首先将工具绑定到一个工具调用模型，然后调用它，从而在链式结构中使用我们的工具：

Pick your chat model:

Install dependencies

tip

See this section for general instructions on installing integration packages.

yarn add @langchain/groq

Add environment variables

GROQ_API_KEY=your-api-key

Instantiate the model

import { ChatGroq } from "@langchain/groq";

const llm = new ChatGroq({
  model: "llama-3.3-70b-versatile",
  temperature: 0
});
import { HumanMessage } from "@langchain/core/messages";
import { ChatPromptTemplate } from "@langchain/core/prompts";
import { RunnableLambda } from "@langchain/core/runnables";

const prompt = ChatPromptTemplate.fromMessages([
  ["system", "You are a helpful assistant."],
  ["placeholder", "{messages}"],
]);

const llmWithTools = llm.bindTools([tool]);

const chain = prompt.pipe(llmWithTools);

const toolChain = RunnableLambda.from(async (userInput: string, config) => {
  const humanMessage = new HumanMessage(userInput);
  const aiMsg = await chain.invoke(
    {
      messages: [new HumanMessage(userInput)],
    },
    config
  );
  const toolMsgs = await tool.batch(aiMsg.tool_calls, config);
  return chain.invoke(
    {
      messages: [humanMessage, aiMsg, ...toolMsgs],
    },
    config
  );
});

const toolChainResult = await toolChain.invoke("https://docs.tavily.com");
const { tool_calls, content } = toolChainResult;

console.log(
  "AIMessage",
  JSON.stringify(
    {
      tool_calls,
      content,
    },
    null,
    2
  )
);

代理​

关于如何在代理中使用 LangChain 工具的指南，请参阅 LangGraph.js 文档。

API 参考文档​

有关 Tavily 爬虫 API 所有功能和配置的详细文档，请访问 API 参考页面：

https://docs.tavily.com/documentation/api-reference/endpoint/crawl

相关内容​

Was this page helpful?


You can also leave detailed feedback on GitHub.