【手把手教学】博查API+LangChain+DeepSeek：三步实现你的AI智能搜索！

---

前言

大家好，我是BigNorthBear。 为了避免传统搜索引擎的那些推荐算法与SEO优化带来的信息偏差问题，本文将介绍如何通过博查Web Search API、LangChain与最近爆火的DeepSeek，打造一个精准、高效的AI智能搜索工具。通过详细的技术讲解、代码示例以及数据分析，我们将探讨如何获取更可靠的搜索结果。

---

一、传统搜索引擎的局限性

在当前的互联网环境中，搜索引擎的排序机制受到广告投放、SEO优化以及个性化推荐等多重因素的影响。这导致用户在检索信息时往往无法获得最真实、最新的内容。例如，搜索“python教程”时，传统搜索引擎可能返回的全是过时的文章或者铺天盖地的广告。

相较之下，博查API采用去中心化的数据抓取策略，直接从原始网页提取信息，并通过语义分析对内容进行重新排序，从而确保搜索结果的准确性与时效性。在相同搜索条件下，博查API提供的结果主要来自官网、权威媒体和最新报告。

---

二、博查API与LangChain简介

1. 博查API是什么？

博查API其实提到过很多次了，简单的说，它其实就是一个智能搜索工具，它跟我们平时用的搜索引擎不太一样。

它的特别之处在于，它从多个不同的地方抓取信息，不是像传统搜索引擎那样只看网页的优化或者广告投放。 你可以想象，传统的搜索引擎就像一个广告商在操控的市场，往往给你推荐的都是被推销过的内容，很多时候甚至是已经过时的或不太靠谱的信息。而博查API则更多地从专业平台、学术网站和技术社区获取数据，这样搜索的结果就显得更精准，也能保证信息的时效性。

博查API的另一个大亮点是，它会根据内容的语义来排序搜索结果，而不是简单地按照关键词匹配。 就是说，它能理解你搜索的意图，给你最相关、最有价值的内容。就比如你搜索一篇技术文章，它不会只是看文章里面有没有关键词“Python”，而是看文章的内容是否真正符合你的需求。

而且，博查API返回的数据是结构化的，像是标题、摘要、发布时间等等，全部都非常清楚，开发者可以直接拿来处理。这对于需要快速获取高质量信息的开发者来说，真的是一个非常棒的工具。

2. LangChain是什么？

LangChain是一个帮助开发者和大语言模型（像是GPT-4）进行更高效互动的工具。 说白了，它就像是一个大模型的助手，能够让你用简单的方式调用大模型来处理复杂的任务。

你可以把LangChain想象成一个“自动化工作流”。比如你可以让它帮你处理搜索结果，提炼出最重要的信息，甚至判断内容是不是最新的。它不仅能帮助你分析文本，还能通过设定好的流程来自动化这些任务，让你不必每次都手动去做。这样一来，开发者就能更高效地完成数据处理，节省很多时间。

LangChain的另一个优势是，它可以跟很多不同的数据源和API打交道。你不仅可以用它来分析博查API返回的搜索结果，还可以把它和其他系统、工具结合起来，扩展功能。简而言之，LangChain让大语言模型变得更易用，也能帮助开发者快速构建智能化的应用。

---

三、前置准备

3.1 获取博查API Key

• 前往博查AI开放平台 → API Key管理 → 创建新Key
• （具体步骤可以参考文章【手把手教学】用Python玩转博查AI Web Search API！全网搜索一键搞定！）

3.2 安装依赖

pip install requests
pip install langchain_openai
pip install langchain

---

四、技术实现：集成博查API与LangChain

4.1 获取搜索结果

首先，我们调用博查API获取结构化的搜索数据。以下代码展示了如何使用博查API进行搜索，并返回相关结果。

import requests
import json

API_KEY = "sk-你的密钥"
url = "https://api.bochaai.com/v1/web-search"
headers = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json"
}

def fetch_search_results(query, count=5):
    payload = {
        "query": query,
        "summary": True,
        "count": count,
        "freshness": "noLimit"
    }
    response = requests.post(url, headers=headers, data=json.dumps(payload))
    if response.status_code == 200:
        return response.json()["data"]["webPages"]["value"]
    else:
        raise Exception(f"API调用失败：{response.text}")

results = fetch_search_results("大模型推理优化")
print("首条结果标题：", results[0]["name"])
print("链接：", results[0]["url"])
print("摘要：", results[0]["snippet"])
print("时间：", results[0]["dateLastCrawled"])

此代码成功执行后，将返回包含标题、链接、摘要及发布时间等信息的结构化数据。

首条结果
标题： 2024年大模型推理优化论文精选
链接： https://www.cnblogs.com/ExMan/p/18720701
摘要： OSDI (USENIX Symposium on Operating Systems Design and Implementation) 和SOSP (ACM Symposium on Operating Systems Principles) 是计算机操作系统领域最重要的两大国 际会议，在国际上享有极高的学术声誉，也是 CCF 推荐的 A 类会议。本文整理了 OSDI 2024 和 SOSP 20…
时间： 2025-02-17T20:17:00Z

4.2 解析搜索结果

借助LangChain，我们可以对搜索数据进行智能分析，例如提炼核心观点、关键词，并判断其时效性。

from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema import StrOutputParser

llm = ChatOpenAI(
    model="deepseek-chat",
    base_url="https://api.deepseek.com/v1",  # DeepSeek API 地址
    api_key= "your_deepseek_api_key"  # 你的 DeepSeek API Key
)

prompt = ChatPromptTemplate.from_template("""
基于以下内容：
{content}
执行任务：
1. 用一句话总结核心内容；
2. 提取3个技术关键词；
3. 判断是否为最新进展（是/否）。
""")

chain = prompt | llm | StrOutputParser()

for result in results:
    content = f"{result['name']}\n{result['snippet']}"
    analysis = chain.invoke({"content": content})
    print(f"标题：{result['name']}")
    print(f"分析：{analysis}\n")

执行上述代码后，每条搜索结果都会被LangChain自动处理，输出关键信息，以便快速筛选出有价值的内容。

标题：大模型领域进展不断 多场景应用未来可期
分析结果：

1. 核心观点：大模型技术正从研发阶段加速进入多场景应用阶段，赋能百业千家并推动科学研究。
2. 关键技术关键词：
   • 大模型（如通义千问、文心一言等）
   • 算力设施（随取随用的基础设施支撑）
   • 多场景应用（手机、供应链、教育、城市管理等）
3. 是否与“最新进展”相关：是（提及技术从“上新品”到“强应用”的阶段性转变及行业动态）。

---

五、项目完整代码

import requests
import json
from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema import StrOutputParser

# 配置博查API（记得替换成你的API Key）
API_KEY = "你的API Key"
url = "https://api.bochaai.com/v1/web-search"
DEEPSEEK_API_KEY = "你的 DeepSeek API Key"

headers = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json"
}

def bocha_search(query, count=5):
    payload = {
        "query": query,
        "summary": True,
        "count": count,
        "freshness": "noLimit"
    }
    response = requests.post(url, headers=headers, data=json.dumps(payload))
    if response.status_code == 200:
        return response.json()["data"]["webPages"]["value"]
    else:
        raise Exception(f"API调用失败：{response.text}")


# 测试搜索“大模型技术进展”
results = bocha_search("大模型技术进展")
# 初始化LangChain的LLM（这里用 DeepSeek，你也能换其他模型）
llm = ChatOpenAI(
    model="deepseek-chat",
    base_url="https://api.deepseek.com/v1",  # DeepSeek API 地址
    api_key= DEEPSEEK_API_KEY  # 你的 DeepSeek API Key
)

# 定义处理流程：输入搜索内容 → 提取摘要 → 分析技术点
prompt = ChatPromptTemplate.from_template("""
你是一个技术分析师，请根据以下搜索内容：
{content}
完成以下任务：
1. 用一句话总结核心观点；
2. 提取3个关键技术关键词；
3. 判断内容是否与“最新进展”相关（是/否）。
""")

chain = prompt | llm | StrOutputParser()

# 批量处理博查API的结果
for result in results:
    content = f"{result['name']}\n{result['snippet']}"
    analysis = chain.invoke({"content": content})
    print(f"标题：{result['name']}")
    print(f"分析结果：\n{analysis}\n")

---

六、博查API的技术优势

我们可以通过代码实战看到，博查API相比于传统搜索引擎来说，有以下几个优点：

• 更真实的搜索结果：屏蔽SEO优化站点，优先展示权威来源。
• 最新信息优先：确保搜索结果涵盖最新动态，而非过时内容。
• 语义分析能力：通过NLP技术理解搜索意图，减少无关内容的干扰。

例如，在搜索“Python学习路径”时，博查API优先返回CSDN高赞文章，知乎高赞回答以及GitHub上的最新教程，而不会受到培训机构广告的干扰。

---

总结

博查API + LangChain + DeepSeek 这种自定义的智能化搜索链条，为开发者提供了一种更高效的搜索解决方案。通过去中心化爬取和智能分析，用户可以更快速地获取精准的技术和学术信息。

相比于传统的搜索引擎的种种局限性，智能化搜索工具无疑是一种新的高效的解决方案！大家可以手动实现一个自己的智能搜索工具，来提高自己的搜索效率！

扩展阅读：

• 《博查API接入文档》
• 《LangChain官方指南》

🔗 系列文章推荐：

【搜索引擎不想告诉你的事（一）：你的搜索姿势可能全错了】

【搜索引擎不想告诉你的事（二）：你看到的内容只是他们想让你看到的！】

【搜索引擎不想告诉你的事（三）：SEO与搜索引擎的相爱相杀】

【搜索引擎不想告诉你的事（四）：个性化推荐让搜索变成了信息茧房？】

【搜索引擎不想告诉你的事（五）：广告在幕后操纵你的搜索】