并行搜索集成

Parallel 是一个专为 LLM 和 AI 应用程序设计的实时网络搜索和内容提取平台。

ParallelWebSearchTool 提供了对 Parallel 搜索 API 的访问，该 API 将传统的搜索 → 抓取 → 提取流程简化为单个 API 调用，返回结构化的、针对 LLM 优化的结果。

概述

集成详情

类	包	可序列化	JS 支持	包最新版本
`ParallelWebSearchTool`	`langchain-parallel`	❌	❌

工具特性

实时网络搜索：访问网络上的最新信息
结构化结果：返回压缩的、针对 LLM 优化的摘录
灵活输入：支持自然语言目标或特定搜索查询
域过滤：使用源策略包含或排除特定域
可定制输出：控制结果数量（1-40）和摘录长度（最少 100 个字符）
丰富元数据：可选的搜索时间、结果计数和查询信息
异步支持：完整的异步/等待支持，具有适当的执行器处理
错误处理：全面的错误处理，提供详细的错误消息

设置

集成位于 langchain-parallel 包中。

pip install -qU langchain-parallel

凭证

前往 Parallel 注册并生成 API 密钥。完成后，设置 PARALLEL_API_KEY 环境变量：

import getpass
import os

if not os.environ.get("PARALLEL_API_KEY"):
    os.environ["PARALLEL_API_KEY"] = getpass.getpass("Parallel API key:\n")

实例化

这里我们展示如何实例化 ParallelWebSearchTool 的实例。该工具可以使用 API 密钥和基础 URL 参数进行配置：

from langchain_parallel import ParallelWebSearchTool

# 基本实例化 - 从环境获取 API 密钥
tool = ParallelWebSearchTool()

# 使用显式 API 密钥和自定义基础 URL
tool = ParallelWebSearchTool(
    api_key="your-api-key",
    base_url="https://api.parallel.ai",  # 默认值
)

调用

直接使用参数调用

您可以使用 objective（自然语言描述）或特定的 search_queries 调用该工具。该工具支持各种配置选项，包括域过滤和元数据收集：

# 使用特定搜索查询和高级选项
result = tool.invoke(
    {
        "search_queries": [
            "AI breakthroughs 2024",
            "machine learning advances",
            "generative AI news",
        ],
        "max_results": 8,
        "excerpts": {"max_chars_per_result": 2000},
        "mode": "one-shot",  # 使用 'agentic' 以获得令牌高效的结果
        "source_policy": {
            "include_domains": ["arxiv.org", "nature.com"],
            "exclude_domains": ["reddit.com", "twitter.com"],
        },
        "fetch_policy": {
            "max_age_seconds": 86400,  # 缓存内容 1 天
            "timeout_seconds": 60,
        },
        "include_metadata": True,
        "timeout": 120,  # 自定义超时（秒）
    }
)

print(result)

# 使用目标（自然语言）和元数据
result = tool.invoke(
    {
        "objective": "What are the latest developments in artificial intelligence in 2024?",
        "max_results": 5,
        "include_metadata": True,  # 包含搜索时间和统计信息
    }
)

print(result)

# 响应结构示例：
# {
#     "search_id": "search_abc123...",
#     "results": [
#         {
#             "url": "https://example.com/ai-news",
#             "title": "Latest AI Developments 2024",
#             "excerpts": [
#                 "Recent breakthrough in transformer architectures...",
#                 "New applications in computer vision..."
#             ]
#         }
#     ],
#     "search_metadata": {
#         "search_duration_seconds": 4.123,
#         "search_timestamp": "2024-01-15T10:30:00",
#         "max_results_requested": 5,
#         "actual_results_returned": 4,
#         "search_id": "search_abc123...",
#         "query_count": 1,
#         "source_policy_applied": false
#     }
# }

使用 `ToolCall` 调用

我们也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：

# 这通常由模型生成，但为了演示目的，我们将直接创建一个工具调用。
model_generated_tool_call = {
    "args": {
        "objective": "Find recent news about climate change initiatives",
        "max_results": 3,
        "source_policy": {"include_domains": ["ipcc.ch", "unfccc.int", "nature.com"]},
        "include_metadata": True,
    },
    "id": "call_123",
    "name": tool.name,  # "parallel_web_search"
    "type": "tool_call",
}

result = tool.invoke(model_generated_tool_call)
print(result)
print(f"Tool name: {tool.name}")  # parallel_web_search
print(f"Tool description: {tool.description}")

异步用法

该工具支持完整的异步/等待操作，以在异步应用程序中获得更好的性能：

async def search_async():
    return await tool.ainvoke(
        {
            "objective": "Latest quantum computing breakthroughs",
            "max_results": 5,
            "include_metadata": True,
        }
    )


# 运行异步搜索
result = await search_async()
print(result)

参数详情和验证

该工具执行全面的输入验证，并支持以下参数：

必需参数

必须提供以下至少一项：

objective：自然语言描述（最多 5000 个字符）
search_queries：搜索查询列表（最多 5 个查询，每个 200 个字符）

可选参数：

max_results：要返回的结果数量（1-40，默认：10）
excerpts：摘录设置字典（例如 {"max_chars_per_result": 1500}）
mode：搜索模式 - ‘one-shot’ 用于全面结果，‘agentic’ 用于令牌高效的结果
source_policy：域过滤，包含 include_domains 和/或 exclude_domains 列表
fetch_policy：缓存控制字典（例如 {"max_age_seconds": 86400, "timeout_seconds": 60}）
include_metadata：包含搜索时间和统计信息（默认：True）
timeout：请求超时（秒）（可选）

错误处理：

该工具为验证失败和 API 错误提供详细的错误消息。

# 综合参数使用示例
result = tool.invoke(
    {
        "objective": "Find comprehensive information about renewable energy policies in European countries",
        "max_results": 15,
        "excerpts": {
            "max_chars_per_result": 2500
        },  # 更长的摘录以获取详细信息
        "mode": "one-shot",  # 全面结果
        "source_policy": {
            "include_domains": ["europa.eu", "iea.org", "irena.org"],
            "exclude_domains": ["wikipedia.org", "reddit.com"],
        },
        "fetch_policy": {
            "max_age_seconds": 86400,  # 1 天缓存
            "timeout_seconds": 90,
        },
        "include_metadata": True,
        "timeout": 180,  # 为全面搜索延长超时
    }
)

# 访问结果和元数据
print(f"Found {len(result['results'])} results")
if "search_metadata" in result:
    metadata = result["search_metadata"]
    print(f"Search took {metadata['search_duration_seconds']}s")
    print(f"Source policy applied: {metadata.get('source_policy_applied', False)}")

链式调用

我们可以在链中使用我们的工具，首先将其绑定到工具调用模型，然后调用它：

👉 阅读 OpenAI 聊天模型集成文档

pip install -U "langchain[openai]"

import os
from langchain.chat_models import init_chat_model

os.environ["OPENAI_API_KEY"] = "sk-..."

model = init_chat_model("gpt-5.2")

👉 阅读 Anthropic 聊天模型集成文档

pip install -U "langchain[anthropic]"

import os
from langchain.chat_models import init_chat_model

os.environ["ANTHROPIC_API_KEY"] = "sk-..."

model = init_chat_model("claude-sonnet-4-6")

👉 阅读 Azure 聊天模型集成文档

pip install -U "langchain[openai]"

import os
from langchain.chat_models import init_chat_model

os.environ["AZURE_OPENAI_API_KEY"] = "..."
os.environ["AZURE_OPENAI_ENDPOINT"] = "..."
os.environ["OPENAI_API_VERSION"] = "2025-03-01-preview"

model = init_chat_model(
    "azure_openai:gpt-5.2",
    azure_deployment=os.environ["AZURE_OPENAI_DEPLOYMENT_NAME"],
)

👉 阅读 Google GenAI 聊天模型集成文档

pip install -U "langchain[google-genai]"

import os
from langchain.chat_models import init_chat_model

os.environ["GOOGLE_API_KEY"] = "..."

model = init_chat_model("google_genai:gemini-2.5-flash-lite")

👉 阅读 AWS Bedrock 聊天模型集成文档

pip install -U "langchain[aws]"

from langchain.chat_models import init_chat_model

# 按照此处步骤配置您的凭据：
# https://docs.aws.amazon.com/bedrock/latest/userguide/getting-started.html

model = init_chat_model(
    "anthropic.claude-3-5-sonnet-20240620-v1:0",
    model_provider="bedrock_converse",
)

👉 阅读 HuggingFace 聊天模型集成文档

pip install -U "langchain[huggingface]"

import os
from langchain.chat_models import init_chat_model

os.environ["HUGGINGFACEHUB_API_TOKEN"] = "hf_..."

model = init_chat_model(
    "microsoft/Phi-3-mini-4k-instruct",
    model_provider="huggingface",
    temperature=0.7,
    max_tokens=1024,
)

👉 阅读 OpenRouter 聊天模型集成文档

pip install -U "langchain-openrouter"

import os
from langchain.chat_models import init_chat_model

os.environ["OPENROUTER_API_KEY"] = "sk-..."

model = init_chat_model(
    "auto",
    model_provider="openrouter",
)

# | output: false
# | echo: false

# !pip install -qU langchain langchain-openai
from langchain.chat_models import init_chat_model

llm = init_chat_model(model="gpt-4.1", model_provider="openai")

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnableConfig, chain

prompt = ChatPromptTemplate(
    [
        ("system", "You are a helpful assistant."),
        ("human", "{user_input}"),
        ("placeholder", "{messages}"),
    ]
)

# 指定 tool_choice 将强制模型调用此工具。
llm_with_tools = llm.bind_tools([tool], tool_choice=tool.name)

llm_chain = prompt | llm_with_tools


@chain
def tool_chain(user_input: str, config: RunnableConfig):
    input_ = {"user_input": user_input}
    ai_msg = llm_chain.invoke(input_, config=config)
    tool_msgs = tool.batch(ai_msg.tool_calls, config=config)
    return llm_chain.invoke({**input_, "messages": [ai_msg, *tool_msgs]}, config=config)


tool_chain.invoke("What are the latest breakthrough discoveries in quantum computing?")

最佳实践

使用具体目标：更具体的目标会带来更好、更有针对性的结果
应用域过滤：使用 source_policy 聚焦于权威来源或排除不可靠域
包含元数据：设置 include_metadata: True 以进行调试和性能优化
优雅地处理错误：该工具为验证和 API 故障提供详细的错误消息
使用异步以获得性能：在异步应用程序中使用 ainvoke() 以获得更好的性能

响应格式

该工具返回一个结构化的字典，格式如下：

{
    "search_id": "search_abc123...",  # 唯一搜索标识符
    "results": [  # 搜索结果列表
        {
            "url": "https://example.com/page",
            "title": "Page Title",
            "excerpts": [  # 相关文本摘录
                "First relevant excerpt...",
                "Second relevant excerpt..."
            ]
        }
    ],
    "search_metadata": {  # 可选元数据（如果 include_metadata=True）
        "search_duration_seconds": 4.123,
        "search_timestamp": "2024-01-15T10:30:00",
        "max_results_requested": 10,
        "actual_results_returned": 8,
        "search_id": "search_abc123...",
        "query_count": 3,  # 使用的查询数量
        "queries_used": ["query1", "query2", "query3"],  # 如果提供了 search_queries
        "source_policy_applied": true,  # 如果使用了 source_policy
        "included_domains": ["nature.com"],  # 包含的域
        "excluded_domains": ["reddit.com"]   # 排除的域
    }
}

API 参考

有关所有功能和配置选项的详细文档，请访问 ParallelWebSearchTool API 参考或 Parallel 搜索参考。

在 GitHub 上编辑此页面或提交问题。

通过 MCP 将这些文档连接到 Claude、VSCode 等以获取实时答案。

Popular Providers

Integrations by component

概述

集成详情

工具特性

设置

凭证

实例化

调用

直接使用参数调用

使用 `ToolCall` 调用

异步用法

参数详情和验证

必需参数

可选参数：

错误处理：

链式调用

最佳实践

响应格式

API 参考

Popular Providers

Integrations by component

​概述

​集成详情

​工具特性

​设置

​凭证

​实例化

​调用

​直接使用参数调用

​使用 ToolCall 调用

​异步用法

​参数详情和验证

​必需参数

​可选参数：

​错误处理：

​链式调用

​最佳实践

​响应格式

​API 参考

概述

集成详情

工具特性

设置

凭证

实例化

调用

直接使用参数调用

使用 `ToolCall` 调用

异步用法

参数详情和验证

必需参数

可选参数：

错误处理：

链式调用

最佳实践

响应格式

API 参考