Ollama 网络搜索 API 详解：Web Search/Fetch 接口、身份验证与 Agent 构建教程

AI
AI概念 Ollama
0 0
本文详解 Ollama 网络搜索 API，涵盖 Web Search 和 Web Fetch 接口用法。提供身份验证、请求参数及响应格式说明，包含 cURL、Python 和 JavaScript 库代码示例。演示如何构建搜索代理及集成 MCP 服务器（Cline、Codex、Goose），助力模型减少幻觉并提高准确性。

Ollama 的网络搜索 API 可用于为模型补充最新信息，以减少幻觉并提高准确性。

网络搜索以 REST API 的形式提供，在 Python 和 JavaScript 库中具有更深层次的工具集成。这也使诸如 OpenAI 的 gpt-oss 模型之类的模型能够执行长期的研究任务。

身份验证

要访问 Ollama 的网络搜索 API，需创建一个API 密钥。这需要一个免费的 Ollama 账户。

网络搜索 API

对单个查询执行网络搜索并返回相关结果。

请求

POST https://ollama.com/api/web_search

  • query（字符串，必填）：搜索查询字符串

  • max_results（整数，可选）：要返回的最大结果数（默认 5，最大 10）

响应

返回一个包含以下内容的对象：

  • results（数组）：搜索结果对象的数组，每个对象包含：

    • title（字符串）：网页的标题

    • url（字符串）：网页的 URL

    • content（字符串）：来自网页的相关内容片段

示例

请确保已设置OLLAMA_API_KEY，或者必须在 Authorization 头中传入该密钥。

cURL 请求

利用 cURL 发起请求：

curl https://ollama.com/api/web_search \
  --header "Authorization: Bearer $OLLAMA_API_KEY" \
	-d '{
	  "query":"what is ollama?"
	}'

响应如下：

{
  "results": [
    {
      "title": "Ollama",
      "url": "https://ollama.com/",
      "content": "Cloud models are now available..."
    },
    {
      "title": "What is Ollama? Introduction to the AI model management tool",
      "url": "https://www.hostinger.com/tutorials/what-is-ollama",
      "content": "Ariffud M. 6min Read..."
    },
    {
      "title": "Ollama Explained: Transforming AI Accessibility and Language ...",
      "url": "https://www.geeksforgeeks.org/artificial-intelligence/ollama-explained-transforming-ai-accessibility-and-language-processing/",
      "content": "Data Science Data Science Projects Data Analysis..."
    }
  ]
}

Python 库

使用 Python 发起网络搜索：

import ollama
response = ollama.web_search("What is Ollama?")
print(response)

示例输出

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

更多 Ollama Python 示例

JavaScript 库

使用 JavaScript 库发起网络搜索，如下：

import { Ollama } from "ollama";

const client = new Ollama();
const results = await client.webSearch("what is ollama?");
console.log(JSON.stringify(results, null, 2));

输出如下：

{
  "results": [
    {
      "title": "Ollama",
      "url": "https://ollama.com/",
      "content": "Cloud models are now available..."
    },
    {
      "title": "What is Ollama? Introduction to the AI model management tool",
      "url": "https://www.hostinger.com/tutorials/what-is-ollama",
      "content": "Ollama is an open-source tool..."
    },
    {
      "title": "Ollama Explained: Transforming AI Accessibility and Language Processing",
      "url": "https://www.geeksforgeeks.org/artificial-intelligence/ollama-explained-transforming-ai-accessibility-and-language-processing/",
      "content": "Ollama is a groundbreaking..."
    }
  ]
}

更多 Ollama JavaScript 示例

Web 抓取

API通过 URL 抓取单个网页并返回其内容。

请求POST https://ollama.com/api/web_fetch

  • url（字符串，必填）：要抓取的 URL 响应返回一个包含以下内容的对象：

    • title（字符串）：网页的标题

    • content（字符串）：网页的主要内容

    • links（数组）：页面上找到的链接数组

示例

cURL 请求

curl --request POST \
  --url https://ollama.com/api/web_fetch \
  --header "Authorization: Bearer $OLLAMA_API_KEY" \
  --header 'Content-Type: application/json' \
  --data '{
      "url": "ollama.com"
  }'

响应如下：

{
  "title": "Ollama",
  "content": "[Cloud models](https://ollama.com/blog/cloud-models) are now available in Ollama...",
  "links": [
    "http://ollama.com/",
    "http://ollama.com/models",
    "https://github.com/ollama/ollama"
  ]

Python SDK

from ollama import web_fetch

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

响应如下：

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']
)

JavaScript SDK

import { Ollama } from "ollama";

const client = new Ollama();
const fetchResult = await client.webFetch("https://ollama.com");
console.log(JSON.stringify(fetchResult, null, 2));

响应如下：

{
  "title": "Ollama",
  "content": "[Cloud models](https://ollama.com/blog/cloud-models) are now available in Ollama...",
  "links": [
    "https://ollama.com/",
    "https://ollama.com/models",
    "https://github.com/ollama/ollama"
  ]
}

构建一个搜索代理

使用 Ollama 的网络搜索 API 作为工具来构建一个小型搜索代理。

本示例使用了阿里巴巴的 Qwen3 模型，该模型具有 40 亿参数。

（1）先下载 qwen 模型，命令如下：

ollama pull qwen3:4b

（2）示例代码：

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)
    if response.message.content:
        print('Content: ', 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]+'...')
                # Result is truncated for limited context lengths
                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

结果如下：

Thinking:  Okay, the user is asking about Ollama's new engine. I need to figure out what they're referring to. Ollama is a company that develops large language models, so maybe they've released a new model or an updated version of their existing engine....

Tool calls:  [ToolCall(function=Function(name='web_search', arguments={'max_results': 3, 'query': 'Ollama new engine'}))]
Result:  results=[WebSearchResult(content='# New model scheduling\n\n## September 23, 2025\n\nOllama now includes a significantly improved model scheduling system. Ahead of running a model, Ollama’s new engine

Thinking:  Okay, the user asked about Ollama's new engine. Let me look at the search results.

First result is from September 23, 2025, talking about new model scheduling. It mentions improved memory management, reduced crashes, better GPU utilization, and multi-GPU performance. Examples show speed improvements and accurate memory reporting. Supported models include gemma3, llama4, qwen3, etc...

Content:  Ollama has introduced two key updates to its engine, both released in 2025:

1. **Enhanced Model Scheduling (September 23, 2025)**
   - **Precision Memory Management**: Exact memory allocation reduces out-of-memory crashes and optimizes GPU utilization.
   - **Performance Gains**: Examples show significant speed improvements (e.g., 85.54 tokens/s vs 52.02 tokens/s) and full GPU layer utilization.
   - **Multi-GPU Support**: Improved efficiency across multiple GPUs, with accurate memory reporting via tools like `nvidia-smi`.
   - **Supported Models**: Includes `gemma3`, `llama4`, `qwen3`, `mistral-small3.2`, and more.

2. **Multimodal Engine (May 15, 2025)**
   - **Vision Support**: First-class support for vision models, including `llama4:scout` (109B parameters), `gemma3`, `qwen2.5vl`, and `mistral-small3.1`.
   - **Multimodal Tasks**: Examples include identifying animals in multiple images, answering location-based questions from videos, and document scanning.

These updates highlight Ollama's focus on efficiency, performance, and expanded capabilities for both text and vision tasks.

上下文长度和智能体

网络搜索结果可能会返回数千个标记。建议将模型的上下文长度至少增加到约32000个标记。搜索智能体在使用完整上下文长度时效果最佳。Ollama的云模型以完整的上下文长度运行。。

MCP服务器

你可以通过Python MCP服务器在任何MCP客户端中启用网络搜索。

Cline

借助 MCP 服务器配置，可轻松将 Ollama 的网络搜索与 Cline 集成。管理MCP服务器 > 配置MCP服务器 > 添加以下配置：

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

Codex

Ollama 与 OpenAI 的 Codex 工具配合良好。将以下配置添加到 ~/.codex/config.toml

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

Goose

Ollama 可以通过其 MCP 功能与 Goose 集成。

其他集成

Ollama 可以集成到大多数可用工具中，具体方式包括直接集成 Ollama 的 API、Python/JavaScript 库、与 OpenAI 兼容的 API 以及 MCP 服务器集成。


原文：https://docs.ollama.com/capabilities/web-search#request


  

我们一定要给自己提出这样的任务：第一，学习，第二是学习，第三还是学习。 —— 列宁
0 不喜欢
说说我的看法 -
全部评论（）
没有评论
目录
参考手册 更多
准确、全面、详细的标准C函数参考手册，为你保驾护航
提供 Windows 最全的 DOS 命令参考手册
提供最好用的 Linux 命令大全，便捷、快速
提供常用 MySQL 内置函数，及函数的用法示例
提供 Oracle 内置常用函数参考手册
热门标签
热门文章
关于
本网站专注于 Java、数据库（MySQL、Oracle）、Linux、软件架构及大数据等多领域技术知识分享。涵盖丰富的原创与精选技术文章，助力技术传播与交流。无论是技术新手渴望入门，还是资深开发者寻求进阶，这里都能为您提供深度见解与实用经验，让复杂编码变得轻松易懂，携手共赴技术提升新高度。如有侵权，请来信告知：hxstrive@outlook.com
链接
其他应用
公众号
©2018-2020 hxstrive.com 版权所有 ICP证：蜀ICP备14031461号-2   川公网安备51010802032098