---

前言

随着人工智能（AI）的发展，人们也在生活中接触到各种各样的大模型，比如今年爆火的DeepSeek，或是开启大模型元年的ChatGPT。但是在使用的过程中，我们会发现，大模型是有知识库的，而且知识库的截止时间往往很早，我们无法从大模型中获取到一些时效性很强的内容，比如说我想知道今天的天气，大模型就无法回答，或者是回答一些乱七八糟的内容，也就是大模型幻觉。

那么这个问题促进了检索增强生成（RAG）技术的发展，RAG技术是先将用户提出的问题在自己的知识库内进行检索，然后根据检索到的信息再进行回答， 因此RAG模型往往会比普通的大模型拥有更准确，更有时效性的答案。可能有人会问，都是知识库，为什么使用RAG的模型的知识库会更准确呢？

因为RAG模型的知识库是由我们指定的，如果我想问一个医学上的问题，我可以提供给这个大模型一个只有若干医学文档的知识库，让模型从这里面检索，答案自然准确很多。那怎么增强时效性呢？我们可以让模型先去网络上搜索相关的内容，然后将搜索到的内容作为知识库来生成答案。这就是大模型的联网搜索功能。那么怎么实现搜索的功能呢？

今天就给大家带来一个超实用的技术教程——如何用Python快速调用博查AI的Web Search API！这个接口能让你轻松搜索全网网页和图片信息，还能自动生成摘要，让你的模型更加准确和具有时效性，简直是AI开发者的福音！话不多说，直接上干货！

---

一、前期准备：API Key获取

1.1 注册博查AI开放平台

1. 访问博查AI开放平台
2. 注册/登录账号（支持手机号或邮箱）
   

1.2 创建API Key

1. 登录后进入 「API Key 管理」
   

2. 点击 「创建 API Key」 生成密钥（形如sk-xxxxxx）
   

3. 妥善保存，后续代码中会用到！

二、快速上手：Python调用实战

2.1 安装依赖库

在命令行安装下面的库，用来发送请求和获取内容

pip install requests

2.2 基础代码模板

代码如下（示例）：

import requests
import json

# 填写你的API Key
API_KEY = "sk-你的密钥"

# 请求配置
url = "https://api.bochaai.com/v1/web-search"
headers = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json"
}
payload = {
    "query": "天空为什么是蓝色的？",  # 搜索关键词
    "summary": True,               # 显示摘要
    "count": 5,                    # 返回5条结果
    "page": 1                      # 第一页
}

# 发送请求
response = requests.post(url, headers=headers, data=json.dumps(payload))

# 解析结果
if response.status_code == 200:
    results = response.json()
    print("搜索成功！结果如下：")
    for item in results["data"]["webPages"]["value"]:
        print(f"标题：{item['name']}")
        print(f"链接：{item['url']}")
        print(f"摘要：{item['snippet']}\n")
else:
    print(f"请求失败！错误码：{response.status_code}, 详情：{response.text}")

这样就可以接收到返回的内容啦！下面是接收到的部分返回内容：

我们可以看到返回值里面是会对搜索到的网页进行摘要总结的，这样可以让RAG模型更快得到重要信息。一定要记得把请求体参数里面的 summary 参数设为 True哦，不然可能会没有返回的内容。

三、参数详解：玩转高级搜索

3.1 时间范围过滤

想找最新资讯？试试freshness参数：

payload = {
    "query": "AI最新技术",
    "freshness": "oneWeek"  # 一周内的结果
    "summary": True,               # 显示摘要
    "count": 5,                    # 返回5条结果
    "page": 1   
}

可选值：oneDay（一天内）、oneWeek（一周内）、oneMonth（一个月内）、oneYear（一年内）、noLimit（默认不限）
ps：一般 noLimit 的效果最好哦。

3.2 返回更多结果

使用count参数：

payload = {
    "query": "AI最新技术",
    "summary": True,               # 显示摘要
    "count": 50,                    # 返回50条结果
    "page": 1   
}

count值越高，搜索返回的网页数越多哦，但是实际返回结果数量可能会小于count指定的数量，最大单次搜索返回50条。

四、结果解析：提取关键信息

4.1 网页结果字段说明

字段	说明	示例值
name	网页标题	“Python入门教程”
url	原始链接	“https://www.example.com/python”
snippet	网页内容的简短描述	“本文详细讲解Python基础语法…”
summary	长摘要（需开启summary）	“Python是一种解释型语言…”

4.2 结果说明

除了网页文本外，其实Web Search还会返回包括网页、图片还有其他Response格式的内容，同时还兼容Bing Search API。

五、完整项目示例：搜索并保存结果

import requests
import csv

def search_and_save(query, filename="results.csv"):
    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"}
    payload = {"query": query, "count": 10}

    response = requests.post(url, headers=headers, json=payload)
    
    if response.status_code == 200:
        data = response.json()["data"]["webPages"]["value"]
        with open(filename, "w", newline="", encoding="utf-8") as f:
            writer = csv.writer(f)
            writer.writerow(["标题", "链接", "摘要"])
            for item in data:
                writer.writerow([item["name"], item["url"], item["snippet"]])
        print(f"结果已保存至{filename}！")
    else:
        print("搜索失败！")

# 使用示例
search_and_save("深度学习框架对比")

---

总结

通过这篇教程，你已经掌握了：

1. API Key获取 → 2. 基础搜索调用 → 3. 高级参数配置 → 4. 结果解析与保存

赶紧动手试试吧！如果遇到问题，欢迎在评论区留言讨论~ 后续还会更新更多AI接口实战教程，关注我不迷路！ 🚀