Combien de temps dure ce tutoriel comment construire un agent rag avec langchain et scavio ?

La plupart des développeurs terminent ce tutoriel en 15 à 30 minutes. Vous aurez besoin d'une clé API Scavio (l'offre gratuite suffit) et d'un environnement Python ou JavaScript fonctionnel.

De quoi ai-je besoin avant de commencer ?

Python 3.10 ou supérieur. pip install langchain langchain-scavio langchain-openai. Une clé API Scavio. Une clé API OpenAI (ou remplacez par tout LLM compatible LangChain). Une clé API Scavio vous donne 50 crédits gratuits à l'inscription.

Puis-je suivre ce tutoriel avec l'offre gratuite ?

Oui. L'offre gratuite comprend 50 crédits à l'inscription, ce qui est largement suffisant pour terminer ce tutoriel et prototyper une solution fonctionnelle.

Avec quels frameworks cela fonctionne-t-il ?

Scavio dispose d'un package natif LangChain (langchain-scavio), d'un serveur MCP et d'une API REST simple qui fonctionne avec tout client HTTP. Ce tutoriel utilise LangChain, mais vous pouvez l'adapter à votre framework de prédilection.

Construire un agent RAG LangChain avec recherche en direct (2026)

Les agents de génération augmentée par récupération (RAG) améliorent la qualité des réponses en ancrant les réponses des LLM dans des documents récupérés. La plupart des pipelines RAG utilisent des magasins de vecteurs statiques qui deviennent obsolètes. En branchant Scavio dans un agent LangChain en tant qu'outil de récupération, l'agent peut récupérer en direct des résultats de recherche Google, des transcriptions YouTube ou des données de produits Amazon à la demande. Ce tutoriel installe langchain-scavio, l'intègre dans un agent ReAct LangChain et exécute une question nécessitant une récupération en direct pour répondre avec précision.

Prérequis

Python 3.10 ou supérieur
pip install langchain langchain-scavio langchain-openai
Une clé API Scavio
Une clé API OpenAI (ou remplacez par tout LLM compatible LangChain)

Parcours

Étape 1: Installer les dépendances

Installer LangChain, le package d'intégration Scavio et un fournisseur de LLM. Le package langchain-scavio expose ScavioSearch en tant qu'outil LangChain.

Bash

pip install langchain langchain-scavio langchain-openai

Étape 2: Importer et configurer ScavioSearch

ScavioSearch encapsule l'API Scavio en tant que BaseTool LangChain. Transmettez votre clé API et éventuellement restreignez à une plateforme spécifique.

Python

from langchain_scavio import ScavioSearch

search_tool = ScavioSearch(
    api_key="your_scavio_api_key",
    platform="google",
    country_code="us",
    max_results=5
)

Étape 3: Créer l'agent ReAct

Lier l'outil de recherche à un agent LangChain avec un LLM OpenAI. L'agent décidera quand appeler l'outil de recherche.

Python

from langchain.agents import create_react_agent, AgentExecutor
from langchain_openai import ChatOpenAI
from langchain import hub

llm = ChatOpenAI(model="gpt-4o", temperature=0)
prompt = hub.pull("hwchase17/react")
agent = create_react_agent(llm, [search_tool], prompt)
executor = AgentExecutor(agent=agent, tools=[search_tool], verbose=True)

Étape 4: Exécuter l'agent

Invoquer l'agent avec une question nécessitant des informations en direct. Il appellera Scavio, récupérera les résultats et synthétisera une réponse.

Python

result = executor.invoke({"input": "What are the latest Python web frameworks released in 2026?"})
print(result["output"])

Exemple Python

Python

import os
from langchain_scavio import ScavioSearch
from langchain.agents import create_react_agent, AgentExecutor
from langchain_openai import ChatOpenAI
from langchain import hub

os.environ["OPENAI_API_KEY"] = "your_openai_key"
os.environ["SCAVIO_API_KEY"] = "your_scavio_api_key"

search_tool = ScavioSearch(
    api_key=os.environ["SCAVIO_API_KEY"],
    platform="google",
    country_code="us",
    max_results=5
)

llm = ChatOpenAI(model="gpt-4o", temperature=0)
prompt = hub.pull("hwchase17/react")
agent = create_react_agent(llm, [search_tool], prompt)
executor = AgentExecutor(agent=agent, tools=[search_tool], verbose=True)

if __name__ == "__main__":
    result = executor.invoke({"input": "What are the latest AI frameworks released in 2026?"})
    print(result["output"])

Exemple JavaScript

JavaScript

// LangChain.js integration with Scavio via HTTP tool
const { ChatOpenAI } = require("@langchain/openai");
const { DynamicTool } = require("@langchain/core/tools");
const { AgentExecutor, createReactAgent } = require("langchain/agents");
const { pull } = require("langchain/hub");

const API_KEY = process.env.SCAVIO_API_KEY;

const searchTool = new DynamicTool({
  name: "scavio_search",
  description: "Search the web for current information",
  func: async (query) => {
    const res = await fetch("https://api.scavio.dev/api/v1/search", {
      method: "POST",
      headers: { "x-api-key": API_KEY, "Content-Type": "application/json" },
      body: JSON.stringify({ query, country_code: "us" })
    });
    const data = await res.json();
    return JSON.stringify(data.organic_results?.slice(0, 3) || []);
  }
});

async function main() {
  const llm = new ChatOpenAI({ model: "gpt-4o" });
  const prompt = await pull("hwchase17/react");
  const agent = await createReactAgent({ llm, tools: [searchTool], prompt });
  const executor = new AgentExecutor({ agent, tools: [searchTool] });
  const result = await executor.invoke({ input: "Latest AI news in 2026?" });
  console.log(result.output);
}
main().catch(console.error);

Sortie attendue

JSON

{
  "input": "What are the latest AI frameworks released in 2026?",
  "output": "Based on search results, several AI frameworks launched in 2026 including...",
  "intermediate_steps": [
    {
      "action": "scavio_search",
      "action_input": "AI frameworks released 2026",
      "observation": "[{\"title\": \"Top AI Frameworks 2026\", ..."}]
    }
  ]
}

Tutoriels associés

Prérequis

Python 3.10 ou supérieur
pip install langchain langchain-scavio langchain-openai
Une clé API Scavio
Une clé API OpenAI (ou remplacez par tout LLM compatible LangChain)

Parcours

Étape 1: Installer les dépendances

Installer LangChain, le package d'intégration Scavio et un fournisseur de LLM. Le package langchain-scavio expose ScavioSearch en tant qu'outil LangChain.

Bash

pip install langchain langchain-scavio langchain-openai

Étape 2: Importer et configurer ScavioSearch

ScavioSearch encapsule l'API Scavio en tant que BaseTool LangChain. Transmettez votre clé API et éventuellement restreignez à une plateforme spécifique.

Python

from langchain_scavio import ScavioSearch

search_tool = ScavioSearch(
    api_key="your_scavio_api_key",
    platform="google",
    country_code="us",
    max_results=5
)

Étape 3: Créer l'agent ReAct

Lier l'outil de recherche à un agent LangChain avec un LLM OpenAI. L'agent décidera quand appeler l'outil de recherche.

Python

from langchain.agents import create_react_agent, AgentExecutor
from langchain_openai import ChatOpenAI
from langchain import hub

llm = ChatOpenAI(model="gpt-4o", temperature=0)
prompt = hub.pull("hwchase17/react")
agent = create_react_agent(llm, [search_tool], prompt)
executor = AgentExecutor(agent=agent, tools=[search_tool], verbose=True)

Étape 4: Exécuter l'agent

Invoquer l'agent avec une question nécessitant des informations en direct. Il appellera Scavio, récupérera les résultats et synthétisera une réponse.

Python

result = executor.invoke({"input": "What are the latest Python web frameworks released in 2026?"})
print(result["output"])

Exemple Python

Python

import os
from langchain_scavio import ScavioSearch
from langchain.agents import create_react_agent, AgentExecutor
from langchain_openai import ChatOpenAI
from langchain import hub

os.environ["OPENAI_API_KEY"] = "your_openai_key"
os.environ["SCAVIO_API_KEY"] = "your_scavio_api_key"

search_tool = ScavioSearch(
    api_key=os.environ["SCAVIO_API_KEY"],
    platform="google",
    country_code="us",
    max_results=5
)

llm = ChatOpenAI(model="gpt-4o", temperature=0)
prompt = hub.pull("hwchase17/react")
agent = create_react_agent(llm, [search_tool], prompt)
executor = AgentExecutor(agent=agent, tools=[search_tool], verbose=True)

if __name__ == "__main__":
    result = executor.invoke({"input": "What are the latest AI frameworks released in 2026?"})
    print(result["output"])

Exemple JavaScript

JavaScript

// LangChain.js integration with Scavio via HTTP tool
const { ChatOpenAI } = require("@langchain/openai");
const { DynamicTool } = require("@langchain/core/tools");
const { AgentExecutor, createReactAgent } = require("langchain/agents");
const { pull } = require("langchain/hub");

const API_KEY = process.env.SCAVIO_API_KEY;

const searchTool = new DynamicTool({
  name: "scavio_search",
  description: "Search the web for current information",
  func: async (query) => {
    const res = await fetch("https://api.scavio.dev/api/v1/search", {
      method: "POST",
      headers: { "x-api-key": API_KEY, "Content-Type": "application/json" },
      body: JSON.stringify({ query, country_code: "us" })
    });
    const data = await res.json();
    return JSON.stringify(data.organic_results?.slice(0, 3) || []);
  }
});

async function main() {
  const llm = new ChatOpenAI({ model: "gpt-4o" });
  const prompt = await pull("hwchase17/react");
  const agent = await createReactAgent({ llm, tools: [searchTool], prompt });
  const executor = new AgentExecutor({ agent, tools: [searchTool] });
  const result = await executor.invoke({ input: "Latest AI news in 2026?" });
  console.log(result.output);
}
main().catch(console.error);

Sortie attendue

JSON

{
  "input": "What are the latest AI frameworks released in 2026?",
  "output": "Based on search results, several AI frameworks launched in 2026 including...",
  "intermediate_steps": [
    {
      "action": "scavio_search",
      "action_input": "AI frameworks released 2026",
      "observation": "[{\"title\": \"Top AI Frameworks 2026\", ..."}]
    }
  ]
}

Comment construire un agent RAG avec LangChain et Scavio

Prérequis

Parcours

Étape 1: Installer les dépendances

Étape 2: Importer et configurer ScavioSearch

Étape 3: Créer l'agent ReAct

Étape 4: Exécuter l'agent

Exemple Python

Exemple JavaScript

Sortie attendue

Tutoriels associés

Questions fréquentes

Combien de temps dure ce tutoriel comment construire un agent rag avec langchain et scavio ?

De quoi ai-je besoin avant de commencer ?

Puis-je suivre ce tutoriel avec l'offre gratuite ?

Avec quels frameworks cela fonctionne-t-il ?

Ressources connexes

Ancrage RAG LangChain avec API de recherche

Intégration de la recherche web pour Pi Coding Agent

Meilleures API de recherche pour pipelines RAG LangChain en mai 2026

Meilleure API de recherche en temps réel en 2026

Améliorez la précision RAG avec la recherche web hybride

Débogage de l'outil de recherche d'agent de codage

Commencer

Comment construire un agent RAG avec LangChain et Scavio

Prérequis

Parcours

Étape 1: Installer les dépendances

Étape 2: Importer et configurer ScavioSearch

Étape 3: Créer l'agent ReAct

Étape 4: Exécuter l'agent

Exemple Python

Exemple JavaScript

Sortie attendue

Tutoriels associés

Questions fréquentes

Combien de temps dure ce tutoriel comment construire un agent rag avec langchain et scavio ?

De quoi ai-je besoin avant de commencer ?

Puis-je suivre ce tutoriel avec l'offre gratuite ?

Avec quels frameworks cela fonctionne-t-il ?

Ressources connexes

Ancrage RAG LangChain avec API de recherche

Intégration de la recherche web pour Pi Coding Agent

Meilleures API de recherche pour pipelines RAG LangChain en mai 2026

Meilleure API de recherche en temps réel en 2026

Améliorez la précision RAG avec la recherche web hybride

Débogage de l'outil de recherche d'agent de codage

Commencer