Tavily 搜索全新升级：更强大的时效性控制功能

你可以为智能体设置时效性筛选条件，每次搜索都能返回最新信息，适用于价格、股票、事故追踪和公司新闻等实时变化的内容。

了解如何按内容时效性进行筛选：https://hubs.li/Q04CDlzy0

搜索最佳实践 - Tavily 文档

来源：https://docs.tavily.com/documentation/best-practices/best-practices-search?utm_content=388468227&utm_medium=social&utm_source=twitter&hss_channel=tw-1716430063191621633

查询优化

将查询控制在 1500 字符以内

保持查询简洁——不超过 1500 字符。把它想象成智能体执行网络搜索时使用的查询，而非长篇提示词。

将复杂查询拆分为子查询

对于复杂的或多主题的查询，请分别发送聚焦的独立请求：

搜索深度

search_depth 参数用于控制延迟与相关性之间的权衡：

展示延迟 vs 相关性图表

延迟 vs 相关性（按搜索深度）此图表为示意性参考，非按比例绘制。

内容类型

当你需要与查询高度对齐的精准信息时，使用 chunks（内容片段）。当只需页面的概括性摘要时，使用 content（完整内容）。

basic 与 advanced

advanced 搜索范围更广，每次查询覆盖更多来源，以更高的延迟换来最高的相关性。当覆盖面最重要时使用它：小众主题、非常新近发布的页面，或涉及多个不同维度的问题。更长、更详细的查询在 advanced 下表现也更好——额外的上下文为匹配提供更多依据，而 basic 针对简短、聚焦的查找进行了优化。basic 在较低的延迟预算下覆盖范围较小，是通用查找场景的正确默认选择——快速、与查询对齐的答案即可满足需求。两种深度都会返回 chunks，chunks_per_source 控制每个来源在任一深度下返回的数量。

Fast（快速）+ Ultra-Fast（超快速）

使用 search_depth=advanced

最适合需要查找特定信息的查询：

结果筛选

按日期筛选

按内容时效性筛选

日期筛选是按页面的发布时间来选择的。max_age_hours 则设定 Tavily 必须在多长时间内抓取过每个页面，以确保你获取到内容频繁变化页面的最新版本。

当答案依赖于经常变化的内容时，请设置此参数：

• 产品页面上的价格、库存和可用性
• 实时比分、排名和比赛页面
• 状态页面和事故追踪器
• 随事件进展而更新的新闻文章
• 股票行情和汇率
• 开放和关闭中的职位发布及活动列表

对于很少变化的内容（如文档、百科条目和学术论文），请勿设置此参数。较低的值不会增加积分消耗，但实时抓取会带来额外延迟。

按主题筛选

使用 topic 按内容类型进行筛选。设置为 news 即为新闻来源（包含 published_date 元数据）：

按域名筛选

按语言筛选

响应内容

max_results

限制返回的结果数量（默认：5）。设置过高可能会返回较低质量的结果。

include_raw_content

返回完整的页面提取内容。如需全面提取，建议采用两步流程：

1. 搜索以获取相关 URL
2. 使用 Extract API（https://docs.tavily.com/documentation/best-practices/best-practices-extract#2-two-step-process-search-then-extract）获取内容

auto_parameters

Tavily 会根据查询意图自动配置参数。你显式设置的值会覆盖自动配置的值。

精确匹配

仅在搜索必须在来源内容中逐字出现的特定名称或短语时，才使用 exact_match。在查询中用引号包裹该短语：

由于这会缩小检索范围，当未找到精确匹配时，可能会返回更少的结果或结果字段为空。最适合以下场景：

• 尽职调查——查找特定人物或实体的信息
• 数据增强——检索已知公司或个人的详细信息
• 法律/合规——在公开记录中定位精确的名称或短语

异步与批量搜索

使用异步调用实现并发请求：

以有界并发进行并行化

对于较大批量的任务，限制同时进行的请求数量以避免超出速率限制（https://docs.tavily.com/documentation/rate-limits），并为每个结果打上标签，确保单个失败（例如 429）不会拖垮整个批次。

根据你自己的速率限制（https://docs.tavily.com/documentation/rate-limits）来设定并发量：concurrency ≈ (RPM / 60) × avg_latency_s。例如，在 100 RPM 和 3 秒平均延迟的情况下，即为 (100 / 60) × 3 ≈ 5。从这个值开始，然后在观察 429 错误率的同时逐步调高。

去重

对结果进行去重以节省 token 并避免重复上下文——使用 Tavily 的 [...] 分隔符将去重后的 content 内容片段进行合并。

运维检查清单

• 并行运行查询，但限制同时运行的数量——使用信号量控制并发，确保不超出速率限制。
• 按查询粒度处理失败。 为每个结果标记 ok/error，仅对失败的查询进行带退避的重试，确保单个错误不会拖垮整个批次。
• 整合结果。 对 URL 去重并合并其唯一内容，避免为同一页面重复付费处理。
• 跟踪积分消耗。 传入 include_usage=True，并汇总每个响应中的 usage，以查看整个批次的总积分消耗。
• 设置超时。 为每次搜索设定超时时间上限（例如 timeout=10），防止单个慢查询阻塞整个批次。

后处理

使用元数据

利用响应元数据来细化结果：

基于分数的筛选

score 表示查询与内容之间的相关性。分数越高越好，但理想阈值取决于你的使用场景。

从 raw_content 中提取结构化数据：

在多步骤工作流中使用会话追踪

当智能体为完成单个用户任务而发起多次 Tavily 调用时——例如，先检索来源，再从部分来源提取完整内容，然后进行后续搜索——请在所有相关调用中传递一致的 session_id。如果你的智能体在单个 API 密钥下服务多个终端用户，还请为每个用户传递稳定的 human_id。出于安全考虑，Tavily 会在处理或存储之前对 human ID 进行哈希处理。有关如何设置这些参数，请参阅 SDK 参考文档（https://docs.tavily.com/sdk/python/reference#session-tracking）或 API HTTP 头文档（https://docs.tavily.com/documentation/api-headers#session-tracking）。