Skip to main content
本指南介绍如何使用 SearchApi 与 LangChain 加载网络搜索结果。

​
概述

SearchApi 是一个实时 API，允许开发者访问来自各种搜索引擎的结果，包括 Google Search、Google News、Google Scholar、YouTube Transcripts 等引擎，或文档中可找到的任何其他引擎。该 API 使开发者和企业能够直接从所有这些搜索引擎的结果页面抓取和提取有意义的数据，为不同的用例提供有价值的见解。 本指南介绍如何在 LangChain 中使用 SearchApiLoader 加载网络搜索结果。SearchApiLoader 简化了从 SearchApi 加载和处理网络搜索结果的过程。

​
设置

您需要注册并获取您的 SearchApi API 密钥。

​
用法

以下是使用 SearchApiLoader 的示例： 
import { ChatOpenAI, OpenAIEmbeddings } from "@langchain/openai";
import { MemoryVectorStore } from "@langchain/classic/vectorstores/memory";
import { TokenTextSplitter } from "@langchain/textsplitters";
import { SearchApiLoader } from "@langchain/community/document_loaders/web/searchapi";
import { ChatPromptTemplate } from "@langchain/core/prompts";
import { createStuffDocumentsChain } from "@langchain/classic/chains/combine_documents";
import { createRetrievalChain } from "@langchain/classic/chains/retrieval";

// 初始化必要组件
const llm = new ChatOpenAI({
  model: "gpt-3.5-turbo-1106",
});
const embeddings = new OpenAIEmbeddings();
const apiKey = "Your SearchApi API key";

// 定义您的问题和查询
const question = "Your question here";
const query = "Your query here";

// 使用 SearchApiLoader 加载网络搜索结果
const loader = new SearchApiLoader({ q: query, apiKey, engine: "google" });
const docs = await loader.load();

const textSplitter = new TokenTextSplitter({
  chunkSize: 800,
  chunkOverlap: 100,
});

const splitDocs = await textSplitter.splitDocuments(docs);

// 使用 MemoryVectorStore 将加载的文档存储在内存中
const vectorStore = await MemoryVectorStore.fromDocuments(
  splitDocs,
  embeddings
);

const questionAnsweringPrompt = ChatPromptTemplate.fromMessages([
  [
    "system",
    "根据以下上下文回答用户的问题：\n\n{context}",
  ],
  ["human", "{input}"],
]);

const combineDocsChain = await createStuffDocumentsChain({
  llm,
  prompt: questionAnsweringPrompt,
});

const chain = await createRetrievalChain({
  retriever: vectorStore.asRetriever(),
  combineDocsChain,
});

const res = await chain.invoke({
  input: question,
});

console.log(res.answer);
在此示例中，使用 SearchApiLoader 加载网络搜索结果，然后使用 MemoryVectorStore 将其存储在内存中。接着使用检索链从内存中检索最相关的文档，并基于这些文档回答问题。这演示了 SearchApiLoader 如何简化加载和处理网络搜索结果的过程。
在 GitHub 上编辑此页面 或 提交问题。
连接这些文档 到 Claude、VSCode 等，通过 MCP 获取实时答案。