在构建高级 AI Agent 或 RAG (Retrieval-Augmented Generation) 系统时，开发者们经常面临一个棘手的问题：如何从浩瀚的互联网中，快速、准确地获取最相关的信息？传统的搜索引擎虽然强大，但其结果充满了广告、SEO 优化内容和导航链接，对于需要纯净、高密度信息的 AI 模型来说，这无异于在噪音中寻找信号。

“垃圾进，垃圾出”（Garbage In, Garbage Out，简称 GIGO）。如果输入到AI模型中的训练数据是低质量、有偏见、不准确或不相关的上下文，那么模型产出的结果也必然是低质量、不可靠或有害的输出结果。

因此，当 AI Agent 进行网络搜索时，我们需要为 AI 提供一个专门为其设计的搜索引擎，该搜索引擎能理解 AI 的需求，直接返回干净、精炼、可直接用于模型推理的数据（高质量的上下文）。本文介绍一个专为 AI Agent 打造的搜索引擎 API：Tavily Search：https://tavily.com/https://link.zhihu.com/?target=https%3A//tavily.com/

什么是 Tavily Search？

简单来说，Tavily Search 是一个专为大型语言模型（LLM）和 AI Agent 优化的搜索引擎 API。它的目标不是服务于人类的日常搜索，而是成为 AI 应用的“外部知识大脑”，提供实时、准确、无干扰的搜索结果。

Tavily Search 不仅仅是一个简单的搜索接口，更是一个智能的信息处理层。当一个查询被发送到 Tavily 时，它会在后台执行复杂的搜索、抓取、过滤和信息提取流程，最终将最核心、最相关的内容整合起来 ，以一种对 LLM 友好的格式返回。

Tavily Search 的核心优势

Tavily 专为 AI 设计的特性：

• 精准聚焦，专为 AI：不同于通用搜索引擎，Tavily 的算法经过特殊优化，能够更好地理解 AI Agent 的查询意图，过滤掉无关的“噪音”（如用户评论、广告、导航栏等），直接命中问题的核心信息。
• 自动降噪，信息精炼：它能够自动对搜索到的网页内容进行清洗和提炼，将冗长的文章浓缩成关键事实和摘要。这意味着模型不再需要处理杂乱的 HTML 源码，而是可以直接使用高度结构化的信息。
• ⚡️无缝集成，快速开发：Tavily 提供了清晰的 API 和完善的 Python 库，并且与 LangChain、LlamaIndex 等主流 AI 开发框架深度集成。开发者只需几行代码，就能让自己的 Agent 拥有强大的在线搜索能力。
• 全面覆盖，兼顾速度：它能全面扫描互联网，并可以根据需求指定搜索深度、包含或排除特定域名，甚至聚焦于“新闻”、“学术”等特定领域，在保证信息广度的同时，也优化了响应速度。

在 LangChain 中使用 Tavily

下面通过一个简单的 Python 代码示例，展示在 LangChain 中集成 Tavily

1、获取 Tavily API key

在 https://www.tavily.com/ 的官网，使用邮箱注册账号（或，直接使用 github 账号登录）：

获取 API Key

账号登录后，可以在 https://app.tavily.com/home 查看 API keys（每个月有 1000 次免费调用额度）：

直接工具调用

1.设置环境变量

将 API keys 设置为环境变量 TAVILY_API_KEY

2、langchain-tavily 安装

运行以下命令，安装 langchain-tavily 包：

pip install langchain-tavily

3、Python 代码示例

import os
from langchain_tavily import TavilySearch
from dotenv import load_dotenv

load_dotenv(override=True)
# 强烈建议将 API 密钥设置为环境变量
os.environ["TAVILY_API_KEY"] = os.getenv("TAVILY_API_KEY")

# 初始化搜索工具
# max_results=3 表示我们希望获取前3个最相关的搜索结果
search = TavilySearch(max_results=3)

# 发起搜索查询
# 这里的查询是一个实际的、需要实时信息的问题
query = "2025年世俱杯决赛的对阵双方和最终比分是多少？"
results = search.invoke(query)

search_results = results["results"]  # 获取结果列表
for index, result in enumerate(search_results):
    print(f"结果 {index + 1} (相关性评分: {result['score']:.4f}):")
    print(f"  标题: {result['title']}")
    print(f"  来源: {result['url']}")
    print(f"  内容摘要: {result['content']}")
    print("-" * 30)

示例输出：

{
 'query': 'What happened at the last wimbledon',
 'follow_up_questions': None,
 'answer': None,
 'images': [],
 'results': [
   {'url': 'https://en.wikipedia.org/wiki/Wimbledon_Championships',
    'title': 'Wimbledon Championships - Wikipedia',
    'content': 'Due to the COVID-19 pandemic, Wimbledon 2020 was cancelled ...',
    'score': 0.62365627198,
    'raw_content': None},
   {'url': 'https://www.cbsnews.com/news/wimbledon-men-final-carlos-alcaraz-novak-djokovic/',
    'title': "Carlos Alcaraz beats Novak Djokovic at Wimbledon men's final to ...",
    'content': 'In attendance on Sunday was Catherine, the Princess of Wales ...',
    'score': 0.5154731446,
    'raw_content': None}
 ],
 'response_time': 2.3
}

对于追求更高质量、更少幻觉、更具时效性的 AI 应用开发者来说，Tavily Search 提供了一个极具吸引力的解决方案。它将复杂的网络信息检索工作变成了一个简单的 API调用，让开发者可以更专注于模型逻辑和应用创新本身。

可用参数

• max_results（可选，整数）：要返回的最大搜索结果数。默认值为 5。
• topic（可选，字符串）：搜索类别。可以是“general”、“news”或“finance”。默认值为“general”。
• include_answer（可选，布尔值）：是否在结果中包含对原始查询的回答。默认值为 False。
• include_raw_content（可选，布尔值）：是否包含每个搜索结果的已清理和解析的 HTML 代码。默认值为 False。
• include_images（可选，布尔值）：是否在响应中包含查询相关的图像列表。默认值为 False。
• include_image_descriptions（可选，布尔值）：是否为每张图片添加描述性文字。默认值为 False。
• search_depth（可选，字符串）：搜索深度，可以是“基本”或“高级”。默认值为“基本”。
• time_range（可选，字符串）：从当前日期（发布日期）向前推算的时间范围，用于筛选结果——“日”、“周”、“月”或“年”。默认值为 None。
• start_date（可选，字符串）：返回指定开始日期（发布日期）之后的所有结果。必须采用 YYYY-MM-DD 格式。默认值为 None。
• end_date（可选，字符串）：返回指定结束日期之前的所有结果。必须采用 YYYY-MM-DD 格式。默认值为 None。
• include_domains（可选，List[str]）：要包含的域名列表。最多 300 个域名。默认值为 None。
• exclude_domains（可选，List[str]）：要明确排除的域名列表。最多 150 个域名。默认值为 None。
• include_usage（可选，布尔值）：是否在响应中包含信用额度使用信息。默认值为 False。

与agent一起使用

from langchain.agents import  create_agent
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
from rich import print
from langchain_tavily import TavilySearch
import os

load_dotenv(override=True)

#定义模型,调用的是ChatDeepseek()
model=init_chat_model(
    model='deepseek:deepseek-v4-pro'
)

#定义工具 使用内置的
web_search=TavilySearch(
    tavily_api_key=os.getenv("TAVILY_API_KEY"),
    # 返回条数
    max_results=2
)

agent=create_agent(
    model = model,
    tools = [web_search]
)

result = agent.invoke(
{"messages": [{"role": "user", "content": "请帮我查询2024年诺贝尔物理学奖得主是谁？"}]}
)
print(result)

提示：为了获得更相关且更具时效性的结果，请在系统提示中输入今天的日期。这有助于代理在搜索最新信息时理解当前上下文。例如：f"You are a helpful research assistant. Today's date is {datetime.today().strftime('%B %d, %Y')}. Use web search to find accurate, up-to-date information."