Skip to main content

Tavily搜索结果（已弃用）

弃用通知

此工具已被弃用。请改用 @langchain/tavily 包中的 TavilySearch 工具。

Tavily 搜索是一个专为 LLM 代理定制的强大搜索 API。它能够与各种数据源无缝集成，以确保更高级别、更相关的搜索体验。

本指南提供了开始使用 Tavily 工具 的快速概览。如需关于 Tavily 工具的完整详细文档，您可以在 API 参考文档 中找到。

概览​

集成详情​

类名包名Python 支持最新包版本
TavilySearchResults@langchain/community✅NPM - 版本

安装配置​

该集成在 @langchain/community 包中，您可以按如下方式安装：

:::提示 请参阅安装集成包的一般说明部分。 :::

yarn add @langchain/community @langchain/core

凭证​

在此处 链接 设置一个 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 以获得最佳观测能力也是有帮助的（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 TavilySearchResults 工具：

import { TavilySearchResults } from "@langchain/community/tools/tavily_search";

const tool = new TavilySearchResults({
  maxResults: 2,
  // ...
});

调用​

使用参数直接调用​

你可以像这样直接调用工具：

await tool.invoke({
  input: "what is the current weather in SF?",
});

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 ToolMessage：

// This is usually generated by a model, but we'll create a tool call directly for demo purposes.
const modelGeneratedToolCall = {
  args: {
    query: "what is the current weather in SF?",
  },
  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其绑定到一个工具调用模型，然后调用它，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(
  "what is the current weather in sf?"
);
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​

如需详细了解所有 TavilySearchResults 的功能和配置，请前往 API 参考文档：

https://api.js.langchain.com/classes/langchain_community_tools_tavily_search.TavilySearchResults.html

相关内容​

Was this page helpful?


You can also leave detailed feedback on GitHub.