并行搜索集成

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

ParallelWebSearchTool 提供对 Parallel 搜索 API 的访问，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`	❌	❌

工具功能

实时网络搜索：访问当前网络信息
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
领域过滤：通过源策略包含或排除特定领域
可定制输出：控制结果数量（1-40）和摘录长度（最小 100 字符）
丰富元数据：可选的搜索时间、结果数量和查询信息
异步支持：完整的 async/await 支持及适当的执行器处理
错误处理：全面的错误处理及详细的错误消息

设置

该集成位于 langchain-parallel 包中。

pip install -qU langchain-parallel

凭据

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

此处展示如何实例化 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 - API 密钥来自环境变量
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 来调用该工具。该工具支持各种配置选项，包括领域过滤和元数据收集：

# 使用特定的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' 以获得节省 token 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,  # 自定义超时秒数
    }
)

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)

# 示例响应结构：
# {
#     "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 来调用该工具，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 async/await 操作，以便在异步应用中获得更好的性能：

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（最大 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：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’ 用于节省 token 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：请求超时秒数（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
        },  # 较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,  # 扩展超时以进行综合搜索
    }
)

# 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

我们可以通过首先将其绑定到工具调用模型然后调用它来在链中使用我们的工具：

👉 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

# 按照以下步骤配置您的凭据：
# 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,
)

# | 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：更具体的目标能带来更好、更有针对性的结果
应用领域过滤：使用 source_policy 专注于权威来源或排除不可靠的域
包含元数据：设置 include_metadata: True 用于调试和性能优化
优雅处理错误：该工具为验证和 API 失败提供详细的错误消息
使用异步以提高性能：在异步应用中使用 ainvoke() 以获得更好的性能

响应格式

该工具返回一个具有如下格式的 structured dictionary：

{
    "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，请前往 ParallelWebSearchTool API 参考或 Parallel 搜索参考。

Edit this page on GitHub or file an issue.

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.

Popular Providers

Integrations by component

概述

集成详情

工具功能

设置

凭据

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

Documentation Index

​概述

​集成详情

​工具功能

​设置

​凭据

​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

工具功能

设置

凭据

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