尧图网页设计 
AI工程师手册实战Tavily 搜索 API 集成指南让 Agent 掌握联网深度研究能力【免费下载链接】ai-angineers-handbook项目地址: https://gitcode.com/gh_mirrors/ai/ai-angineers-handbookTavily 搜索 API 集成是让 AI Agent 突破训练数据时效限制的关键一步。本文以 AI 工程师手册中的 Deep Research Agent 项目为例手把手教你完成 Tavily 搜索 API 的配置、调用与调优让 Agent 具备真正的联网深度研究能力。整个集成过程只需三步申请密钥、配置环境变量、运行一条命令。即使你是完全没有接触过 AI 工程的新手也能在 10 分钟内跑通首个联网研究智能体。为什么 Agent 需要 Tavily 搜索 API大语言模型虽然知识渊博但训练数据存在截止日期无法回答实时问题更无法追踪最新动态。Tavily 搜索 API 正是为解决这一痛点而生——它是专为 LLM Agent 设计的搜索接口返回结果经过结构化清洗附带raw_content原始正文方便模型直接阅读。与普通搜索引擎 API 相比Tavily 搜索 API 的优势非常明显特性普通搜索 APITavily 搜索 API返回格式杂乱网页片段结构化 JSON含正文摘要Agent 友好度需要二次解析开箱即用含原始正文调用成本高提供免费额度适合学习集成难度中一行代码完成搜索Deep Research Agent 整体架构一图看懂在动手之前先理解 AI 工程师手册中 deep_research_agent 的整体工作流程。这个项目没有使用任何 LLM 编排框架纯粹从零构建非常适合学习 Agent 的底层原理。如上图所示整个流程分为四步用户输入研究主题TopicLLM 生成报告大纲Report Plan拆解为多个段落每个段落分别进入 Research 研究环节通过 Tavily 搜索 API 获取实时资料汇总所有研究成果生成最终 Markdown 报告第一步注册获取 Tavily API Key2 分钟集成 Tavily 搜索 API 的第一步是获取密钥。访问 Tavily 官方平台注册账号在控制台即可生成TAVILY_API_KEY。免费额度对于学习本项目绰绰有余。第二步克隆项目并配置环境变量3 分钟首先克隆项目仓库git clone https://gitcode.com/gh_mirrors/ai/ai-angineers-handbook进入 Deep Research Agent 目录复制环境变量模板cd ai-angineers-handbook/building_agents_from_scratch/deep_research_agent cp env.example .env打开 .env 文件填入刚才获取的密钥SAMBANOVA_API_KEY你的密钥 SAMBANOVA_BASE_URLhttps://api.sambanova.ai/v1 LLM_REASONINGDeepSeek-R1-Distill-Llama-70B LLM_REGULARMeta-Llama-3.3-70B-Instruct TAVILY_API_KEY你的Tavily密钥项目使用 uv 管理依赖在 pyproject.toml 中已经声明了tavily-python、openai等依赖执行uv sync即可一键安装。第三步一行命令运行联网深度研究1 分钟配置完成后运行以下命令启动研究uv run --env-file .env src/topology.py --topic 你感兴趣的研究主题例如研究人类物种的有趣特性uv run --env-file .env src/topology.py --topic Something interesting about humans执行大约需要 5 分钟最终报告会以 Markdown 格式自动保存到reports目录文件名带时间戳方便追溯每次研究结果。核心揭秘Tavily 搜索 API 在代码中如何被调用整个集成的核心代码非常简洁。在 utils.py 中tavily_search函数封装了完整的搜索逻辑def tavily_search(query, include_raw_contentTrue, max_results5): tavily_client TavilyClient(api_keyos.getenv(TAVILY_API_KEY)) return tavily_client.search(query, include_raw_contentinclude_raw_content, max_resultsmax_results)三个关键参数值得注意include_raw_contentTrue返回网页原始正文这是模型直接阅读的基础max_results控制单次搜索返回结果数量密钥通过环境变量读取避免硬编码泄露搜索结果随后通过 state.py 中定义的Search数据结构存入研究历史供后续反思环节使用。联网深度研究的灵魂反思-搜索迭代循环 Deep Research Agent 的真正亮点在于反思Reflection机制。单次搜索往往遗漏关键信息所以项目设计了搜索 → 反思 → 再搜索的迭代循环。如图所示每个段落的研究流程包含LLM 根据段落主题生成最优质的搜索查询Search Query通过 Tavily 搜索 API 获取结果LLM 反思当前资料是否遗漏关键信息若有遗漏生成补充搜索查询再次搜索迭代 n 次后汇总所有资料生成段落这个循环在 topology.py 中实现默认执行 2 轮反思NUM_REFLECTIONS 2你可以根据研究深度需求调整。每一轮的搜索查询与反思逻辑由 prompts.py 中的提示词驱动感兴趣的朋友可以深入研究。常见问题与调优建议 问题 1报告内容不够丰富提高max_results参数或增加反思轮数让 Agent 获取更多网页资料。问题 2搜索速度太慢减少反思轮数或在免费额度有限的情况下适当降低max_results。问题 3想自定义搜索策略修改 utils.py 中的tavily_search函数可以按域名过滤、设置搜索时间范围定制专属搜索策略。进阶玩法结合项目中的 tool_use 和 reflection 子项目可以进一步理解工具调用与反思规划在 Agent 中的组合应用构建更复杂的智能体系统。结语让 Agent 真正活起来 通过本文的 Tavily 搜索 API 集成指南你已经掌握了让 AI Agent 联网的关键技能。从申请密钥、配置环境到理解反思迭代循环Deep Research Agent 项目用最少的代码展示了联网深度研究的完整实现。动手跑一遍你就能深刻理解搜索引擎 API 与 LLM 协同工作的精髓为后续构建更强大的 AI 应用打下坚实基础。【免费下载链接】ai-angineers-handbook项目地址: https://gitcode.com/gh_mirrors/ai/ai-angineers-handbook创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 AI工程师手册实战：Tavily 搜索 API 集成指南，让 Agent 掌握联网深度研究能力
AI工程师手册实战Tavily 搜索 API 集成指南让 Agent 掌握联网深度研究能力【免费下载链接】ai-angineers-handbook项目地址: https://gitcode.com/gh_mirrors/ai/ai-angineers-handbookTavily 搜索 API 集成是让 AI Agent 突破训练数据时效限制的关键一步。本文以 AI 工程师手册中的 Deep Research Agent 项目为例手把手教你完成 Tavily 搜索 API 的配置、调用与调优让 Agent 具备真正的联网深度研究能力。整个集成过程只需三步申请密钥、配置环境变量、运行一条命令。即使你是完全没有接触过 AI 工程的新手也能在 10 分钟内跑通首个联网研究智能体。为什么 Agent 需要 Tavily 搜索 API大语言模型虽然知识渊博但训练数据存在截止日期无法回答实时问题更无法追踪最新动态。Tavily 搜索 API 正是为解决这一痛点而生——它是专为 LLM Agent 设计的搜索接口返回结果经过结构化清洗附带raw_content原始正文方便模型直接阅读。与普通搜索引擎 API 相比Tavily 搜索 API 的优势非常明显特性普通搜索 APITavily 搜索 API返回格式杂乱网页片段结构化 JSON含正文摘要Agent 友好度需要二次解析开箱即用含原始正文调用成本高提供免费额度适合学习集成难度中一行代码完成搜索Deep Research Agent 整体架构一图看懂在动手之前先理解 AI 工程师手册中 deep_research_agent 的整体工作流程。这个项目没有使用任何 LLM 编排框架纯粹从零构建非常适合学习 Agent 的底层原理。如上图所示整个流程分为四步用户输入研究主题TopicLLM 生成报告大纲Report Plan拆解为多个段落每个段落分别进入 Research 研究环节通过 Tavily 搜索 API 获取实时资料汇总所有研究成果生成最终 Markdown 报告第一步注册获取 Tavily API Key2 分钟集成 Tavily 搜索 API 的第一步是获取密钥。访问 Tavily 官方平台注册账号在控制台即可生成TAVILY_API_KEY。免费额度对于学习本项目绰绰有余。第二步克隆项目并配置环境变量3 分钟首先克隆项目仓库git clone https://gitcode.com/gh_mirrors/ai/ai-angineers-handbook进入 Deep Research Agent 目录复制环境变量模板cd ai-angineers-handbook/building_agents_from_scratch/deep_research_agent cp env.example .env打开 .env 文件填入刚才获取的密钥SAMBANOVA_API_KEY你的密钥 SAMBANOVA_BASE_URLhttps://api.sambanova.ai/v1 LLM_REASONINGDeepSeek-R1-Distill-Llama-70B LLM_REGULARMeta-Llama-3.3-70B-Instruct TAVILY_API_KEY你的Tavily密钥项目使用 uv 管理依赖在 pyproject.toml 中已经声明了tavily-python、openai等依赖执行uv sync即可一键安装。第三步一行命令运行联网深度研究1 分钟配置完成后运行以下命令启动研究uv run --env-file .env src/topology.py --topic 你感兴趣的研究主题例如研究人类物种的有趣特性uv run --env-file .env src/topology.py --topic Something interesting about humans执行大约需要 5 分钟最终报告会以 Markdown 格式自动保存到reports目录文件名带时间戳方便追溯每次研究结果。核心揭秘Tavily 搜索 API 在代码中如何被调用整个集成的核心代码非常简洁。在 utils.py 中tavily_search函数封装了完整的搜索逻辑def tavily_search(query, include_raw_contentTrue, max_results5): tavily_client TavilyClient(api_keyos.getenv(TAVILY_API_KEY)) return tavily_client.search(query, include_raw_contentinclude_raw_content, max_resultsmax_results)三个关键参数值得注意include_raw_contentTrue返回网页原始正文这是模型直接阅读的基础max_results控制单次搜索返回结果数量密钥通过环境变量读取避免硬编码泄露搜索结果随后通过 state.py 中定义的Search数据结构存入研究历史供后续反思环节使用。联网深度研究的灵魂反思-搜索迭代循环 Deep Research Agent 的真正亮点在于反思Reflection机制。单次搜索往往遗漏关键信息所以项目设计了搜索 → 反思 → 再搜索的迭代循环。如图所示每个段落的研究流程包含LLM 根据段落主题生成最优质的搜索查询Search Query通过 Tavily 搜索 API 获取结果LLM 反思当前资料是否遗漏关键信息若有遗漏生成补充搜索查询再次搜索迭代 n 次后汇总所有资料生成段落这个循环在 topology.py 中实现默认执行 2 轮反思NUM_REFLECTIONS 2你可以根据研究深度需求调整。每一轮的搜索查询与反思逻辑由 prompts.py 中的提示词驱动感兴趣的朋友可以深入研究。常见问题与调优建议 问题 1报告内容不够丰富提高max_results参数或增加反思轮数让 Agent 获取更多网页资料。问题 2搜索速度太慢减少反思轮数或在免费额度有限的情况下适当降低max_results。问题 3想自定义搜索策略修改 utils.py 中的tavily_search函数可以按域名过滤、设置搜索时间范围定制专属搜索策略。进阶玩法结合项目中的 tool_use 和 reflection 子项目可以进一步理解工具调用与反思规划在 Agent 中的组合应用构建更复杂的智能体系统。结语让 Agent 真正活起来 通过本文的 Tavily 搜索 API 集成指南你已经掌握了让 AI Agent 联网的关键技能。从申请密钥、配置环境到理解反思迭代循环Deep Research Agent 项目用最少的代码展示了联网深度研究的完整实现。动手跑一遍你就能深刻理解搜索引擎 API 与 LLM 协同工作的精髓为后续构建更强大的 AI 应用打下坚实基础。【免费下载链接】ai-angineers-handbook项目地址: https://gitcode.com/gh_mirrors/ai/ai-angineers-handbook创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考