El problema
Los agentes de LangGraph que se basan únicamente en datos de capacitación de LLM producen hechos alucinantes, precios obsoletos y detalles técnicos incorrectos. El agente no puede distinguir entre lo que sabe con exactitud y lo que está fabricando.
La solucion de Scavio
Agregue una herramienta de búsqueda Scavio a LangGraph a la que el agente llama cuando necesita información actual. La herramienta devuelve JSON estructurado de Google, Reddit o YouTube. El agente cita resultados de búsqueda en sus respuestas, lo que reduce las alucinaciones.
Antes
Antes de iniciar la búsqueda, un agente de investigación de LangGraph respondió: "¿Cuáles son los niveles de precios actuales de ClickHouse?" con nombres de niveles y precios inventados a partir de datos de entrenamiento. La respuesta fue seguramente errónea.
Después
Después de agregar bases de búsqueda, el mismo agente busca en Google 'precios de ClickHouse 2026', extrae los niveles actuales de los resultados y cita la fuente. La respuesta es precisa y verificable. 1 búsqueda = $0,005.
Para quien es
Desarrolladores de LangGraph, creadores de agentes de IA y equipos que crean asistentes de investigación que necesitan una base objetiva más allá de los datos de capacitación de LLM.
Beneficios clave
- Reducir las alucinaciones en cuestiones fácticas
- Búsqueda multiplataforma: Google, Reddit, YouTube
- JSON estructurado funciona directamente con el estado de LangGraph
- El agente decide cuándo buscar o usar datos de entrenamiento
- 1 búsqueda por afirmación fáctica a $0,005
Ejemplo en Python
from langchain_core.tools import tool
import requests, os
@tool
def web_search(query: str, platform: str = 'google') -> list:
"""Search the web for current information."""
r = requests.post('https://api.scavio.dev/api/v1/search',
headers={'x-api-key': os.environ['SCAVIO_API_KEY']},
json={'platform': platform, 'query': query}, timeout=10).json()
return [{'title': r.get('title', ''), 'snippet': r.get('snippet', ''),
'url': r.get('link', '')}
for r in r.get('organic_results', [])[:5]]
# Add to LangGraph agent: tools=[web_search]
results = web_search.invoke({'query': 'ClickHouse pricing 2026'})
print(f'{len(results)} results')Ejemplo en JavaScript
// LangGraph tool definition for web search
const H = {'x-api-key': process.env.SCAVIO_API_KEY, 'Content-Type': 'application/json'};
async function webSearch({query, platform = 'google'}) {
const r = await fetch('https://api.scavio.dev/api/v1/search', {
method: 'POST', headers: H,
body: JSON.stringify({platform, query})
}).then(r => r.json());
return (r.organic_results || []).slice(0, 5).map(r => ({
title: r.title, snippet: r.snippet || '', url: r.link || ''
}));
}
// Add as tool in LangGraph: tools: [webSearch]
const results = await webSearch({query: 'ClickHouse pricing 2026'});
console.log(`${results.length} results`);Plataformas utilizadas
Búsqueda web con grafo de conocimiento, PAA y resúmenes de IA
Comunidad, publicaciones y comentarios en hilos de cualquier subreddit
YouTube
Búsqueda de videos con transcripciones y metadatos