Améliorez les agents d'IA avec l'intégration de recherche LangChain Tavily

Name

Lynn Mikami

Published on 30/04/2024

Tavily Search : Amélioration des agents d'IA grâce à des capacités de recherche en temps réel

Résumé de l'article :

• Tavily Search est un moteur de recherche conçu pour fournir des résultats en temps réel, exacts et basés sur des faits spécifiquement pour les agents d'IA.
• L'intégration de Tavily Search avec les agents d'IA améliore leurs capacités en leur permettant d'accéder à des informations à jour.
• Cet article décrit le processus de configuration de l'intégration, l'utilisation de Tavily Search individuellement et son intégration avec d'autres outils et plateformes d'IA.

Introduction

Imaginez que vous travaillez sur l'entraînement d'un agent d'IA de modèle linguistique. Vous avez passé des heures à peaufiner ses réponses pour vous assurer qu'il génère des informations exactes et utiles. Cependant, il manque une chose - un moteur de recherche fiable capable de fournir des résultats en temps réel, exacts et basés sur des faits. C'est là qu'intervient Tavily Search, un moteur de recherche spécialisé conçu spécifiquement pour les agents d'IA comme le vôtre. Dans cet article, nous explorerons comment Tavily Search peut améliorer les capacités des agents d'IA et fournir des instructions étape par étape sur son intégration.

Configuration de l'intégration

Avant de plonger dans les détails de l'utilisation de Tavily Search, discutons du processus de configuration initial. Pour commencer, vous devrez installer deux packages Python : langchain-community et tavily-python. Ces packages peuvent être facilement installés à l'aide de pip. Une fois installés, vous devrez définir votre clé d'API Tavily en tant que variable d'environnement. Cette clé est nécessaire pour authentifier vos requêtes à l'API de recherche Tavily.

Utilisation de Tavily Search individuellement

Une fois que vous avez réussi à configurer l'intégration, vous pouvez commencer à utiliser Tavily Search individuellement. Pour ce faire, vous devrez importer la classe TavilySearchResults du module langchain_community.tools.tavily_search.

Pour effectuer une recherche à l'aide de Tavily Search, vous devrez d'abord créer une instance de la classe TavilySearchResults. Cette instance servira de point d'entrée à la fonctionnalité de recherche de Tavily. Une fois créée, vous pouvez utiliser la méthode invoke() de cette instance pour effectuer une recherche. Cette méthode prend en entrée un dictionnaire avec une clé "query", et elle renvoie une liste de résultats de recherche.

Disons que vous souhaitez rechercher des informations sur les dernières inondations à Burning Man. Vous pouvez simplement créer une instance de la classe TavilySearchResults et invoquer la méthode invoke() avec la requête "Qu'est-il arrivé lors des dernières inondations à Burning Man ?". La méthode renverra une liste de résultats de recherche, chacun contenant une URL et un extrait du contenu lié à votre requête.

Intégration de Tavily Search avec d'autres outils et plateformes d'IA

Bien que l'utilisation de Tavily Search individuellement puisse être extrêmement utile, son véritable potentiel réside dans son intégration avec d'autres outils et plateformes d'IA. Jetons un coup d'œil à une intégration exemple avec OpenAI Functions et LangSmith Hub.

Pour intégrer Tavily Search à ces outils, vous devrez installer deux packages Python supplémentaires : langchain-openai et langchainhub. Une fois installés, vous pouvez créer un agent d'IA à l'aide de la classe AgentExecutor du module langchain.agents. Cette classe vous permet de configurer votre agent d'IA avec un modèle linguistique ChatOpenAI (LLM) et l'outil TavilySearchResults.

Maintenant, vous pouvez utiliser la méthode agent_executor.invoke() pour exécuter votre chaîne d'agent et récupérer les résultats de recherche. Cette méthode déclenche l'exécution de votre agent d'IA, ce qui inclut la génération de réponses à l'aide du modèle linguistique ChatOpenAI et la récupération d'informations pertinentes à l'aide de Tavily Search.

Compréhension de la sortie

Lorsque vous recevez les résultats de recherche de Tavily Search, vous remarquerez un format structuré qui inclut des URL et des extraits de contenu liés à votre requête. Prenons l'exemple de la requête "Qu'est-il arrivé lors des dernières inondations à Burning Man ?" et de sa sortie correspondante.

La sortie peut inclure des liens vers des articles de presse, des billets de blog ou d'autres sources pertinentes qui fournissent des informations sur les dernières inondations à Burning Man. Chaque résultat de recherche comprend également un extrait de contenu, vous donnant un aperçu des informations disponibles à l'URL fournie.

Il est important de noter que la sortie obtenue à partir de Tavily Search est adaptée à votre requête de recherche spécifique. Cela signifie que le moteur de recherche prend en compte le contexte de votre requête et s'efforce de fournir les résultats les plus pertinents et précis.

En intégrant Tavily Search à vos agents d'IA, vous pouvez vous assurer qu'ils ont accès à des informations en temps réel, exactes et basées sur des faits. Que vous formiez un agent d'IA de modèle linguistique ou l'utilisiez à des fins de recherche, Tavily Search peut considérablement améliorer ses capacités.

Dans la section suivante, nous explorerons les avantages et les inconvénients de l'utilisation de Tavily Search et discuterons de ses éventuelles limitations. Nous fournirons également des ressources supplémentaires pour approfondir vos recherches.

Avantages de l'utilisation de Tavily Search :

• Fournit des résultats en temps réel, exacts et basés sur des faits adaptés aux besoins des agents d'IA.
• Peut être facilement intégré à d'autres outils et plateformes d'IA.
• Offre un processus de configuration simple et des capacités de recherche en temps réel.

Inconvénients et limitations potentielles :

• Documentation limitée sur les fonctionnalités et les capacités spécifiques.
• Les exemples fournis dans la documentation sont basiques et peuvent ne pas couvrir tous les cas d'utilisation potentiels.

Maintenant que nous avons exploré le processus de configuration et l'utilisation individuelle de Tavily Search, examinons de plus près certaines comparaisons de référence et des tutoriels détaillés étape par étape sur l'intégration de Tavily Search avec d'autres outils et plateformes d'IA.

![langchain tavily ai

Intégration de Tavily Search avec les agents d'IA : Guide étape par étape

Introduction

Imaginez avoir un agent d'IA qui peut vous fournir des informations en temps réel, précises et factuelles. Que vous soyez un développeur ou un utilisateur, avoir accès à un moteur de recherche spécialement conçu pour les agents d'IA peut considérablement améliorer les capacités de vos applications d'IA. C'est là qu'intervient Tavily Search, un puissant moteur de recherche optimisé pour les agents d'IA. Dans ce guide, nous vous guiderons à travers le processus d'intégration de Tavily Search avec vos agents d'IA, leur permettant d'accéder à la multitude d'informations disponibles sur le web.

Configuration de l'intégration

Avant de plonger dans le processus d'intégration, il y a quelques étapes préliminaires que vous devez suivre pour configurer Tavily Search.

1. Installez les paquets nécessaires : Pour utiliser Tavily Search, vous devrez installer les paquets langchain-community et tavily-python en utilisant pip. Exécutez la commande suivante dans votre terminal :

   pip install langchain-community tavily-python

2. Configurez la clé d'API Tavily : Pour authentifier vos requêtes auprès de l'API Tavily Search, vous devrez définir votre clé d'API Tavily en tant que variable d'environnement. Cela peut être fait en ajoutant la ligne suivante à votre code :

   os.environ["TAVILY_API_KEY"] = "<YOUR_API_KEY>"

   Assurez-vous de remplacer <YOUR_API_KEY> par votre clé d'API Tavily réelle.

Avec ces étapes préliminaires terminées, vous êtes maintenant prêt à commencer à utiliser Tavily Search avec vos agents d'IA.

Utilisation de Tavily Search individuellement

Si vous souhaitez utiliser Tavily Search seul, sans l'intégrer à d'autres outils ou plateformes d'IA, vous pouvez le faire en suivant ces étapes :

1. Importez la classe TavilySearchResults : Commencez par importer la classe TavilySearchResults du module langchain.tools.tavily_search. Cette classe fournit les méthodes nécessaires pour interagir avec l'API Tavily Search.

   from langchain.tools.tavily_search import TavilySearchResults

2. Créez une instance de la classe TavilySearchResults : Ensuite, créez une instance de la classe TavilySearchResults en appelant son constructeur.

   tavily_tool = TavilySearchResults(api_wrapper=search)

3. Effectuez une recherche : Enfin, vous pouvez effectuer une recherche en utilisant la méthode invoke() de la classe TavilySearchResults. Fournissez simplement une requête en tant qu'argument de la méthode invoke().

   query = "Qu'est-il arrivé lors des dernières inondations de Burning Man ?"
   results = tavily_tool.invoke(query)

   La méthode invoke() renverra une liste de résultats de recherche, que vous pourrez ensuite traiter et afficher.

Intégration de Tavily Search avec d'autres outils et plates-formes d'IA

Tavily Search peut également être intégré de manière transparente avec d'autres outils et plates-formes d'IA. Voici un exemple d'intégration de Tavily Search avec OpenAI Functions et LangSmith Hub :

1. Installez les paquets supplémentaires : En plus des paquets langchain-community et tavily-python, vous devrez également installer les paquets langchain-openai et langchainhub. Exécutez la commande suivante dans votre terminal :

   pip install langchain-openai langchainhub

2. Créez un agent d'IA : Ensuite, vous devrez créer un agent d'IA en utilisant la classe AgentExecutor du module langchain.agents. Cette classe vous permet de définir une séquence d'actions à exécuter par l'agent.

   from langchain.agents import initialize_agent, AgentType
   from langchain.tools.tavily_search import TavilySearchResults
    
   llm = ChatOpenAI(model_name="gpt-4", temperature=0.7)
   search = TavilySearchAPIWrapper()
   tavily_tool = TavilySearchResults(api_wrapper=search)
    
   agent_chain = initialize_agent(
       [tavily_tool],
       llm,
       agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,
       verbose=True,
   )

3. Exécutez l'agent : Enfin, vous pouvez exécuter l'agent en appelant la méthode run() de la classe AgentExecutor et en fournissant une requête en tant qu'argument.

   query = "Qu'est-il arrivé lors des dernières inondations de Burning Man ?"
   response = agent_chain.run(query)

   La méthode run() exécutera la séquence d'actions définie pour l'agent, y compris l'action Tavily Search, et renverra la réponse finale.

Compréhension de la sortie

Lorsque vous effectuez une recherche avec Tavily Search, vous recevez une liste de résultats de recherche. Chaque résultat de recherche contient une URL et un extrait de contenu qui fournit un bref résumé du contenu de la page. La sortie est adaptée à la requête de recherche, vous fournissant les résultats les plus pertinents et informatifs.

Par exemple, supposons que vous effectuez une recherche avec la requête "Qu'est-il arrivé lors des dernières inondations de Burning Man ?" La sortie pourrait ressembler à ceci :

[{'url': 'https://www.theguardian.com/culture/2023/sep/03/burning-man-nevada-festival-floods', 'content': 'More on this story\nMore on this story\nBurning Man revelers begin exodus from festival after road reopens\nBurning Man festival-goers trapped in desert as rain turns site to mud\n\nOfficials investigate death at Burning Man as thousands stranded by floods\n\nBurning Man festivalgoers surrounded by mud in Nevada desert – video\nBurning Man attendees roadblocked by climate activists: ‘They have a privileged mindset’\n\nin our favor. We will let you know. It could be sooner, and it could be later,” said an update on the Burning Man website on Saturday evening.'}, {...}, {...}]

Dans cet exemple, vous pouvez voir que les résultats de recherche incluent des URL vers des articles pertinents ou des pages web liées aux inondations de Burning Man, ainsi que des extraits de contenu qui donnent un aperçu des informations disponibles sur ces pages. En conclusion, l'intégration de Tavily Search avec vos agents IA ouvre un monde de possibilités pour accéder à des informations en temps réel, précises et factuelles. Que vous utilisiez Tavily Search individuellement ou l'intégriez avec d'autres outils et plateformes d'IA, vous pouvez améliorer les fonctionnalités de vos applications IA et fournir aux utilisateurs les informations dont ils ont besoin. Alors pourquoi attendre ? Commencez dès aujourd'hui à intégrer Tavily Search avec vos agents IA et débloquez la puissance de la recherche en temps réel !