Wykorzystanie API wyszukiwania web Ollama w Pythonie

Buduj agenty AI do wyszukiwania w Pythonie i Ollamie

Page content

Biblioteka Python Ollama zawiera obecnie natywne możliwości przeszukiwania sieci za pomocą Ollama. Wystarczy kilka linii kodu, aby wzbogacić Twoje lokalne modele LLM o bieżące informacje z sieci, co zmniejsza halucynacje i poprawia dokładność.

przestrzeń cyfrowa

Szybki start

Jak zainstalować bibliotekę Python Ollama do wyszukiwania w sieci? Zainstaluj wersję 0.6.0 lub nowszą, używając polecenia pip install 'ollama>=0.6.0'. Ta wersja zawiera funkcje web_search i web_fetch.

pip install 'ollama>=0.6.0'

Aby zarządzać środowiskami i pakietami Pythona, rozważ użycie uv – szybkiego menedżera pakietów Python – lub skonfiguruj wirtualne środowisko za pomocą venv, aby utrzymać izolację zależności.

Utwórz klucz API z konta Ollama i ustaw go jako zmienną środowiskową:

export OLLAMA_API_KEY="twoj_klucz_api"

W przypadku systemu Windows PowerShell:

$env:OLLAMA_API_KEY = "twoj_klucz_api"

Podstawowe wyszukiwanie w sieci

Najprostszy sposób wyszukiwania w sieci z użyciem Ollama:

import ollama

# Proste wyszukiwanie w sieci
response = ollama.web_search("What is Ollama?")
print(response)

Wyjście:

results = [
    {
        "title": "Ollama",
        "url": "https://ollama.com/",
        "content": "Cloud models are now available in Ollama..."
    },
    {
        "title": "What is Ollama? Features, Pricing, and Use Cases",
        "url": "https://www.walturn.com/insights/what-is-ollama",
        "content": "Our services..."
    },
    {
        "title": "Complete Ollama Guide: Installation, Usage & Code Examples",
        "url": "https://collabnix.com/complete-ollama-guide",
        "content": "Join our Discord Server..."
    }
]

Kontrolowanie liczby wyników

import ollama

# Uzyskanie większej liczby wyników
response = ollama.web_search("latest AI news", max_results=10)

for result in response.results:
    print(f"📌 {result.title}")
    print(f"   {result.url}")
    print(f"   {result.content[:100]}...")
    print()

Pobieranie pełnej zawartości strony

Czym różni się web_search od web_fetch w Python Ollama? web_search zapytuje Internet i zwraca wiele wyników wyszukiwania z tytułami, adresami URL i fragmentami. web_fetch pobiera pełną zawartość konkretnego adresu URL, zwracając tytuł strony, treść w formacie Markdown oraz linki. Treść w formacie Markdown zwracana przez web_fetch jest idealna do dalszego przetwarzania – jeśli potrzebujesz konwertować HTML na Markdown w innych kontekstach, zobacz nasz przewodnik dotyczący konwertowania HTML na Markdown w Pythonie.

from ollama import web_fetch

result = web_fetch('https://ollama.com')
print(result)

Wyjście:

WebFetchResponse(
    title='Ollama',
    content='[Cloud models](https://ollama.com/blog/cloud-models) are now available in Ollama\n\n**Chat & build with open models**\n\n[Download](https://ollama.com/download) [Explore models](https://ollama.com/models)\n\nAvailable for macOS, Windows, and Linux',
    links=['https://ollama.com/', 'https://ollama.com/models', 'https://github.com/ollama/ollama']
)

Łączenie wyszukiwania i pobierania

Powszechnym wzorcem jest najpierw wyszukanie informacji, a następnie pobranie pełnej zawartości z najbardziej trafnych wyników:

from ollama import web_search, web_fetch

# Wyszukanie informacji
search_results = web_search("Ollama new features 2025")

# Pobranie pełnej zawartości z pierwszego wyniku
if search_results.results:
    first_url = search_results.results[0].url
    full_content = web_fetch(first_url)
    
    print(f"Title: {full_content.title}")
    print(f"Content: {full_content.content[:500]}...")
    print(f"Links found: {len(full_content.links)}")

Budowanie agenta wyszukiwania

Które modele Python działają najlepiej w agentach wyszukiwania Ollama? Najlepiej działają modele o silnych możliwościach użycia narzędzi, w tym qwen3, gpt-oss oraz modele chmurowe, takie jak qwen3:480b-cloud i deepseek-v3.1-cloud. W przypadku bardziej zaawansowanych zastosowań wymagających sformatowanych wyjść z tych modeli, sprawdź nasz przewodnik dotyczący LLM z sformatowanym wyjściem przy użyciu Ollama i Qwen3. Gdy narzędzia lub tryb JSON zwracają pliki, którym zamierzasz zaufać, artykuł Weryfikacja sformatowanego wyjścia LLM w Pythonie o wysokiej niezawodności omawia analizowanie (parsing), sprawdzanie za pomocą Pydantic, ponawianie prób oraz testy po stronie aplikacji.

Najpierw pobierz wydajny model:

ollama pull qwen3:4b

Prosty agent wyszukiwania

Oto podstawowy agent wyszukiwania, który może samodzielnie decydować, kiedy wyszukać:

from ollama import chat, web_fetch, web_search

available_tools = {'web_search': web_search, 'web_fetch': web_fetch}

messages = [{'role': 'user', 'content': "what is ollama's new engine"}]

while True:
    response = chat(
        model='qwen3:4b',
        messages=messages,
        tools=[web_search, web_fetch],
        think=True
    )
    
    if response.message.thinking:
        print('🧠 Thinking:', response.message.thinking[:200], '...')
    
    if response.message.content:
        print('💬 Response:', response.message.content)
    
    messages.append(response.message)
    
    if response.message.tool_calls:
        print('🔧 Tool calls:', response.message.tool_calls)
        for tool_call in response.message.tool_calls:
            function_to_call = available_tools.get(tool_call.function.name)
            if function_to_call:
                args = tool_call.function.arguments
                result = function_to_call(**args)
                print('📥 Result:', str(result)[:200], '...')
                # Skrót wyniku dla ograniczonych długości kontekstu
                messages.append({
                    'role': 'tool', 
                    'content': str(result)[:2000 * 4], 
                    'tool_name': tool_call.function.name
                })
            else:
                messages.append({
                    'role': 'tool', 
                    'content': f'Tool {tool_call.function.name} not found', 
                    'tool_name': tool_call.function.name
                })
    else:
        break

Jak obsłużyć duże wyniki wyszukiwania w Pythonie? Skracaj wyniki, aby mieściły się w limitach kontekstu. Zalecanym podejściem jest przycinanie (slicing) ciągu wyniku do około 8000 znaków (2000 tokenów × 4 znaki) przed przekazaniem go do modelu.

Zaawansowany agent wyszukiwania z obsługą błędów

Oto ulepszona wersja z lepszą obsługą błędów:

from ollama import chat, web_fetch, web_search
import json

class SearchAgent:
    def __init__(self, model: str = 'qwen3:4b'):
        self.model = model
        self.tools = {'web_search': web_search, 'web_fetch': web_fetch}
        self.messages = []
        self.max_iterations = 10
        
    def query(self, question: str) -> str:
        self.messages = [{'role': 'user', 'content': question}]
        
        for iteration in range(self.max_iterations):
            try:
                response = chat(
                    model=self.model,
                    messages=self.messages,
                    tools=[web_search, web_fetch],
                    think=True
                )
            except Exception as e:
                return f"Error during chat: {e}"
            
            self.messages.append(response.message)
            
            # Jeśli nie ma wywołań narzędzi, mamy odpowiedź końcową
            if not response.message.tool_calls:
                return response.message.content or "No response generated"
            
            # Wykonanie wywołań narzędzi
            for tool_call in response.message.tool_calls:
                result = self._execute_tool(tool_call)
                self.messages.append({
                    'role': 'tool',
                    'content': result,
                    'tool_name': tool_call.function.name
                })
        
        return "Max iterations reached without final answer"
    
    def _execute_tool(self, tool_call) -> str:
        func_name = tool_call.function.name
        args = tool_call.function.arguments
        
        if func_name not in self.tools:
            return f"Unknown tool: {func_name}"
        
        try:
            result = self.tools[func_name](**args)
            # Skrócenie dla limitów kontekstu
            result_str = str(result)
            if len(result_str) > 8000:
                result_str = result_str[:8000] + "... [truncated]"
            return result_str
        except Exception as e:
            return f"Tool error: {e}"

# Użycie
agent = SearchAgent(model='qwen3:4b')
answer = agent.query("What are the latest features in Ollama?")
print(answer)

Asynchroniczne wyszukiwanie w sieci

Czy mogę używać wyszukiwania w sieci Ollama Python w kodzie asynchronicznym? Tak, biblioteka Python Ollama wspiera operacje asynchroniczne. Użyj AsyncClient do nieblokującego wyszukiwania i pobierania w aplikacjach asynchronicznych.

import asyncio
from ollama import AsyncClient

async def async_search():
    client = AsyncClient()
    
    # Wykonanie kilku wyszukiwań równolegle
    tasks = [
        client.web_search("Ollama features"),
        client.web_search("local LLM tools"),
        client.web_search("AI search agents"),
    ]
    
    results = await asyncio.gather(*tasks)
    
    for i, result in enumerate(results):
        print(f"Search {i + 1}:")
        for r in result.results[:2]:
            print(f"  - {r.title}")
        print()

# Uruchomienie asynchronicznego wyszukiwania
asyncio.run(async_search())

Asynchroniczny agent wyszukiwania

import asyncio
from ollama import AsyncClient

async def async_research_agent(question: str):
    client = AsyncClient()
    messages = [{'role': 'user', 'content': question}]
    
    while True:
        response = await client.chat(
            model='qwen3:4b',
            messages=messages,
            tools=[client.web_search, client.web_fetch],
        )
        
        messages.append(response.message)
        
        if not response.message.tool_calls:
            return response.message.content
        
        # Wykonanie wywołań narzędzi równolegle
        tool_tasks = []
        for tool_call in response.message.tool_calls:
            if tool_call.function.name == 'web_search':
                task = client.web_search(**tool_call.function.arguments)
            elif tool_call.function.name == 'web_fetch':
                task = client.web_fetch(**tool_call.function.arguments)
            else:
                continue
            tool_tasks.append((tool_call.function.name, task))
        
        # Zebranie wyników
        for tool_name, task in tool_tasks:
            result = await task
            messages.append({
                'role': 'tool',
                'content': str(result)[:8000],
                'tool_name': tool_name
            })

# Uruchomienie
answer = asyncio.run(async_research_agent("What's new in Python 3.13?"))
print(answer)

Długość kontekstu i wydajność

Jaką długość kontekstu powinienem ustawić dla agentów wyszukiwania w Pythonie? Ustaw długość kontekstu na około 32 000 tokenów dla rozsądnej wydajności. Agenci wyszukiwania najlepiej działają z pełną długością kontekstu, ponieważ web_search i web_fetch mogą zwracać tysiące tokenów.

from ollama import chat, web_search

# Ustawienie większego kontekstu dla zadań intensywnie opartych na wyszukiwaniu
response = chat(
    model='qwen3:4b',
    messages=[{'role': 'user', 'content': 'Research the latest AI developments'}],
    tools=[web_search],
    options={
        'num_ctx': 32768,  # 32K kontekst
    }
)

Integracja z serwerem MCP

Ollama oferuje serwer MCP w Pythonie, który umożliwia wyszukiwanie w sieci w dowolnym kliencie MCP. Połączenie wyszukiwania w sieci z generowaniem plików PDF w Pythonie pozwala tworzyć raporty badawcze. W kompleksowym przewodniku dotyczącym budowania serwerów MCP w Pythonie z możliwością wyszukiwania i scrapowania, zobacz nasz szczegółowy tutorial Budowanie serwerów MCP w Pythonie.

Integracja z Cline

Skonfiguruj serwery MCP w ustawieniach Cline:

Manage MCP Servers → Configure MCP Servers → Add:

{
  "mcpServers": {
    "web_search_and_fetch": {
      "type": "stdio",
      "command": "uv",
      "args": ["run", "path/to/web-search-mcp.py"],
      "env": { "OLLAMA_API_KEY": "twoj_klucz_api" }
    }
  }
}

Integracja z Codex

Dodaj do ~/.codex/config.toml:

[mcp_servers.web_search]
command = "uv"
args = ["run", "path/to/web-search-mcp.py"]
env = { "OLLAMA_API_KEY" = "twoj_klucz_api" }

Tworzenie własnego serwera MCP

#!/usr/bin/env python3
"""Prosty serwer MCP do wyszukiwania w sieci Ollama."""

import os
from mcp.server import Server
from mcp.types import Tool, TextContent
from ollama import web_search, web_fetch

app = Server("ollama-web-search")

@app.tool()
async def search_web(query: str, max_results: int = 5) -> str:
    """Wyszukaj informacje w sieci."""
    results = web_search(query, max_results=max_results)
    
    output = []
    for r in results.results:
        output.append(f"**{r.title}**\n{r.url}\n{r.content}\n")
    
    return "\n---\n".join(output)

@app.tool()
async def fetch_page(url: str) -> str:
    """Pobierz pełną zawartość strony internetowej."""
    result = web_fetch(url)
    return f"# {result.title}\n\n{result.content}"

if __name__ == "__main__":
    app.run()

Praktyczne przykłady

Poniższe przykłady demonstrują rzeczywiste zastosowania API wyszukiwania w sieci Ollama. Możesz rozbudować te wzorce, aby tworzyć bardziej złożone systemy – na przykład łącząc wyniki wyszukiwania z generowaniem plików PDF w Pythonie, aby tworzyć raporty badawcze.

Asystent podsumowywania wiadomości

from ollama import chat, web_search

def summarize_news(topic: str) -> str:
    # Wyszukanie najnowszych wiadomości
    results = web_search(f"{topic} latest news", max_results=5)
    
    # Formatowanie wyników wyszukiwania dla modelu
    news_content = "\n\n".join([
        f"**{r.title}**\n{r.content}"
        for r in results.results
    ])
    
    # Poproszenie modelu o podsumowanie
    response = chat(
        model='qwen3:4b',
        messages=[{
            'role': 'user',
            'content': f"Summarize these news items about {topic}:\n\n{news_content}"
        }]
    )
    
    return response.message.content

summary = summarize_news("artificial intelligence")
print(summary)

Asystent badawczy

from ollama import chat, web_search, web_fetch
from dataclasses import dataclass

@dataclass
class ResearchResult:
    question: str
    sources: list
    answer: str

def research(question: str) -> ResearchResult:
    # Wyszukanie odpowiednich informacji
    search_results = web_search(question, max_results=3)
    
    # Pobranie pełnej zawartości z najlepszych źródeł
    sources = []
    full_content = []
    
    for result in search_results.results[:3]:
        try:
            page = web_fetch(result.url)
            sources.append(result.url)
            full_content.append(f"Source: {result.url}\n{page.content[:2000]}")
        except:
            continue
    
    # Wygenerowanie kompleksowej odpowiedzi
    context = "\n\n---\n\n".join(full_content)
    
    response = chat(
        model='qwen3:4b',
        messages=[{
            'role': 'user',
            'content': f"""Based on the following sources, answer this question: {question}

Sources:
{context}

Provide a comprehensive answer with citations to the sources."""
        }]
    )
    
    return ResearchResult(
        question=question,
        sources=sources,
        answer=response.message.content
    )

# Użycie
result = research("How does Ollama's new model scheduling work?")
print(f"Question: {result.question}")
print(f"Sources: {result.sources}")
print(f"Answer: {result.answer}")

Zalecane modele

Model Parametry Najlepsze zastosowanie
qwen3:4b 4B Szybkie wyszukiwanie lokalne
qwen3 8B Agent ogólnego przeznaczenia
gpt-oss Różne Zadania badawcze
qwen3:480b-cloud 480B Złożone rozumowanie (chmura)
gpt-oss:120b-cloud 120B Długie badania (chmura)
deepseek-v3.1-cloud - Zaawansowana analiza (chmura)

Najlepsze praktyki

  1. Skracanie wyników: Zawsze skracaj wyniki z sieci, aby mieściły się w limitach kontekstu (ok. 8000 znaków)
  2. Obsługa błędów: Otocz wywołania narzędzi blokami try/except dla awarii sieciowych
  3. Ograniczanie szybkości (Rate Limiting): Przestrzegaj limitów szybkości API Ollama dla wyszukiwania w sieci
  4. Długość kontekstu: Używaj ok. 32 000 tokenów dla agentów wyszukiwania
  5. Asynchroniczność dla skalowalności: Używaj AsyncClient do operacji równoległych
  6. Testy: Napisz testy jednostkowe dla swoich agentów wyszukiwania, aby zapewnić niezawodność
  7. Podstawy Pythona: Miej pod ręką ściągawkę z Pythona, aby szybko sięgać do składni i popularnych wzorców

Przydatne linki

Subskrybuj

Otrzymuj nowe wpisy o systemach, infrastrukturze i inżynierii AI.