跳到主要内容
Tavily 是一款专为 AI 代理 (LLMs) 构建的搜索引擎，能够快速提供实时、准确且真实的结果。Tavily 提供四个关键端点，其中之一是 Crawl，它提供了一个基于图的网站遍历工具，可以并行探索数百条路径，并内置了提取和智能发现功能。 本指南提供了 Tavily 工具的快速入门概述。有关 Tavily 工具的完整详细信息，请参阅API 参考中的更详细文档。

​
概览

​
集成详情

类别包PY 支持版本
TavilyMap@langchain/tavily✅NPM - Version

​
设置

该集成位于 @langchain/tavily 包中，您可以按如下所示安装 
npm install @langchain/tavily @langchain/core

​
凭据

在此处设置 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"
设置 LangSmith 以获得一流的可观察性也很有帮助（但不是必需的） 
process.env.LANGSMITH_TRACING="true"
process.env.LANGSMITH_API_KEY="your-api-key"

​
实例化

您可以像这样导入并实例化 TavilyCrawl 工具的实例 
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

​
直接使用参数调用

Tavily 爬取工具在调用期间接受以下参数
  • url (必需)：自然语言搜索查询
  • 以下参数也可以在调用期间设置：instructions、selectPaths、selectDomains、excludePaths、excludeDomains、allowExternal、categories。 
await tool.invoke({
  url: "https://docs.tavily.com"
});

​
使用 ToolCall 调用

我们还可以使用模型生成的 ToolCall 调用该工具，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: {
    url: "https://docs.tavily.com"
  },
  id: "1",
  name: tool.name,
  type: "tool_call",
}

await tool.invoke(modelGeneratedToolCall)

​
链接

我们可以将工具绑定到 工具调用模型，然后调用它，从而在链中使用我们的工具。 
// @lc-docs-hide-cell

import { ChatOpenAI } from "@langchain/openai"

const llm = new ChatOpenAI({
  model: "gpt-4o",
  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

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

​
API 参考

有关所有 Tavily Crawl API 功能和配置的详细文档，请前往 API 参考： docs.tavily.com/documentation/api-reference/endpoint/crawl
在 GitHub 上编辑此页面源文件。
以编程方式连接这些文档到 Claude、VSCode 等，通过 MCP 获取实时答案。
© . This site is unofficial and not affiliated with LangChain, Inc.