DeepSearch API v2.0如何提升LLM智能体的检索与推理能力？

我们非常激动地发布 DeepSearch API 的重大更新！此次发布的灵感源于我们与您的每一次对话：在构建从快速内部工具到完整的智能体与搜索系统的过程中，您所分享的反馈、疑问和遇到的阻碍。感谢您。

在不同的应用场景中，我们观察到一个共同的痛点：问题不在于系统无法工作，而在于接口和返回的内容未能充分满足实际需求。开发者常常需要费力处理那些无法直接融入工作流的结果：引用字段不够深入、参考文献结构不够清晰、跨模态的格式解析失败。内容本身是存在的，但其呈现形式往往无法与您在应用、链式调用、智能体或用户界面中的实际使用方式无缝衔接。因此，我们针对这些问题进行了修复，同时扩展了在生物医学研究和金融内容等领域的覆盖范围。您构建的并非简单的搜索框，而是需要能够推理、引用和组合信息的复杂系统。

本次更新并非推倒重来，而是在原有坚实基础上进行的直接增强：包括对专有全文内容、网络和金融数据的深度搜索。新的亮点在于更广泛的覆盖范围、更多模态的支持（包括图像和图表）、更智能的重新排序，以及为智能体工作流和工具调用优化的更简洁体验。

无论您是通过简单的提示词调用我们，还是将我们集成到多步骤的复杂链中，本次更新的核心目标都是弥合“检索到的信息”与“系统实际可用的信息”之间的鸿沟。以下是本次更新的主要内容及其重要意义。

---

可检索的全新内容

1. Wiley 学术资源

您现在可以访问 Wiley 旗下涵盖商业、金融和会计领域的全文期刊和教科书。

每项结果均包含：

1. 按章节结构化的全文内容
2. 作者及所属机构列表
3. 内联引用字符串（用于在生成的答案中进行归属标注）
4. 结构化的参考文献（用于构建知识图谱、追踪引用）

示例： 一名学生构建了一个学习助手，用于检索教科书内容并生成摘要、课程计划和学习指南。该助手使用引用字符串为其答案添加脚注，并链接到原文章节以供深入阅读。

2. PubMed (2022年至今)

多模态生物医学文章：包含全文、图像、图注、参考文献和元数据。

我们观察到的应用场景：

1. 一个团队正在开发临床研究摘要工具，使用我们的 API 仅检索近期（2022年后）的研究，提取研究结果部分，并链接参考文献以确保可追溯性。
2. 一个由大语言模型驱动的医学搜索助手，可按作者、发表日期进行筛选，并在结果中包含图表。

3. arXiv (完整存档)

为检索而结构化的完整 arXiv 存档。

包含：

1. 论文全文
2. 公式和数学块
3. 结构化的引文和参考文献列表
4. 用于下游处理的元数据

示例： 一位开发者为机器学习论文构建研究智能体，可以检索全文、解析公式并追踪参考文献，而无需进行网页抓取、数据清洗或猜测。

4. 金融数据

我们已集成：

1. 涵盖股票、外汇、期权和指数的实时与历史价格数据
2. 来自金融资讯源的社论和新闻内容（每月至少 18 万次检索额度）

这带来的可能性：

1. 将价格查询与市场评论相结合的智能副驾
2. 将金融建议锚定在历史趋势和引用来源中的 RAG 系统
3. 为财报电话会议、波动率飙升或宏观经济事件提供背景信息的仪表板或界面

5. 网络搜索（增强版）

我们升级了网页内容提取能力：

1. 更完整的全文内容
2. 支持嵌入式图像
3. 更快、更稳定的响应延迟

示例： 一个大语言模型工具链同时检索关于某上市公司的专有内容和近期网络文章。API 返回图像（如图表）、作者元数据以及可直接用于摘要生成的整洁段落。

---

API v2.0：更简洁，更可控

无破坏性变更。但提供了更多的结构和控制能力。

新增功能：

1. citation_string：可直接用于生成内容或脚注的引用字符串
2. references：完整的对外引用列表，确保可追溯性
3. authors：结构化的作者列表，支持摘要生成或实体链接
4. start_date / end_date：按发布时间窗口筛选
5. included_sources：明确指定从哪些数据集中检索
6. is_tool_call：为工具调用优化的输出格式（可选）

示例： 一个 RAG 后端使用 start_date 和 category 过滤器检索论文，将 citation_string 注入提示词，并在用户界面中将 references 显示为可展开的脚注。

仅需 4 行代码即可开始使用：

from deepsearch import DeepSearch
client = DeepSearch(api_key="your_key")
results = client.search("quantum computing", included_sources=["arxiv"])
print(results[0]['citation_string'])

---

像研究员一样思考的排序算法

仅有关联性是不够的。我们现在使用额外的信号为文档评分：

1. 引用次数
2. 出版商可信度等级
3. 元数据完整性

这有助于使用检索功能的大语言模型和智能体挑选出不仅相关，而且可靠的来源。

示例： 一个科学助手为某个论断对多个竞争性来源进行排序。使用我们的重新排序器后，来自高引用综述论文的结果会比低引用论文的排名更高。

---

开发者工具

全新的 Playground：

1. 按模态（文本、图像等）可视化结果
2. 允许您在原始输出和结构化输出之间切换
3. 支持时间过滤、来源定向等更多功能

我们还添加了 Google 身份验证，以便团队能更快上手（GitHub 登录即将推出）。

---

您可以用它构建什么

本次发布专为构建卓越应用的团队而设计：

用于知识工作与研究

1. 具有内联引用和结构化参考文献的上下文感知工具
2. 能够呈现摘要、作者和相关引用的学习助手
3. 需要图表的生成式视频教程：为任何论文制作 3B1B 风格的视频（请构建这个应用）。

用于金融领域

1. 能够结合实时数据与社论背景进行回答的助手
2. 将历史价格走势与市场评论关联追溯的研究工作流
3. 能够检索并利用引用数据解释波动率飙升的事件驱动型智能体

用于高级检索系统

1. 能够返回结构化上下文的语义搜索引擎
2. 能够追踪参考文献，而不仅仅是查找结果的工具调用链LLM智能体按顺序调用多个工具（如搜索API、计算器）完成复杂任务的流程。

请告诉我们您下一步需要什么。

我们持续构建 🛠️

常见问题（FAQ）

DeepSearch API v2.0 如何帮助我的LLM智能体基于大语言模型的自主程序，能够执行任务、调用工具并进行推理。生成更可靠的引用？

API v2.0 提供结构化引用机器可读的引用数据格式，包含作者、来源、时间等元数据，便于AI系统自动处理和追溯。和参考文献，包括内联引用字符串和按章节组织的全文，确保智能体生成的答案具备可追溯的归属标注，直接融入工作流。

新版本支持检索哪些类型的专业内容？

支持多模态内容检索，涵盖 Wiley 学术期刊、PubMed 生物医学文章（2022年至今）、完整 arXiv 存档、金融数据及增强版网络搜索，满足学术、生物医学和金融领域需求。

API v2.0 在智能体工作流程优化方面有哪些改进？

提供更简洁可控的接口、更智能的重新排序，并优化了对工具调用的支持，旨在弥合检索信息与实际可用信息之间的鸿沟，构建能推理和组合信息的复杂系统。