Skip to main content

Tavily 提取

Tavily 是专为 AI 代理（LLMs）构建的搜索引擎，能够快速提供实时、准确且基于事实的结果。Tavily 提供了四个关键端点，其中之一是提取（Extract），它可以从 URL 中提供原始提取的内容。

本指南简要概述了如何开始使用 Tavily 工具。如需对 Tavily 工具的详细说明，您可以在 API 参考文档 中找到更详细的信息。

概述​

集成详情​

类别包PY 支持包最新版本
TavilyExtract@langchain/tavily✅NPM - 版本

安装设置​

该集成位于 @langchain/tavily 包中，您可以按照以下方式安装：

:::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 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 以获得最佳观测性是有帮助的（但不是必需的）：

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 TavilyExtract 工具：

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

const tool = new TavilyExtract({
  extractDepth: "basic",
  includeImages: false,
});

调用​

使用参数直接调用​

Tavily Extract 工具在调用期间接受以下参数：

  • urls（必填）：要从中提取内容的 URL 列表。

  • 在调用期间也可以设置 extractDepth 和 includeImages

await tool.invoke({
  urls: ["https://en.wikipedia.org/wiki/Lionel_Messi"],
});

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: { urls: ["https://en.wikipedia.org/wiki/Lionel_Messi"] },
  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，然后再调用它，以实现链式使用：

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://en.wikipedia.org/wiki/Albert_Einstein','https://en.wikipedia.org/wiki/Theoretical_physics']"
);
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​

如需详细了解 Tavily Extract API 的所有功能和配置，请前往 API 参考文档：

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

相关内容​

Was this page helpful?


You can also leave detailed feedback on GitHub.