Aperçu
Les LLM locaux fonctionnant sur site n'ont pas accès aux données web actuelles. Ce workflow récupère quotidiennement des résultats de recherche frais via Scavio et les stocke sous forme de fichiers de contexte structurés que votre LLM local peut référencer lors de l'inférence, ancrant les réponses dans des données du monde réel.
Déclencheur
Cron quotidien à 6h00 avant la première requête utilisateur de la journée.
Planification
Sur requête d'agent
Étapes du workflow
Définir les sujets de recherche quotidiens
Tenez à jour une liste de sujets pour lesquels votre LLM local a besoin de données actualisées. Il peut s'agir d'actualités sectorielles, de mises à jour concurrentielles, de changements de prix ou de tendances du marché.
Récupérer les résultats de recherche récents
Interrogez Scavio pour chaque sujet et collectez les meilleurs résultats avec titres, extraits et URL sources.
Formater en fichiers de contexte LLM
Écrivez les résultats de recherche dans des fichiers texte structurés qui peuvent être chargés dans la fenêtre de contexte du LLM local ou dans le pipeline RAG.
Injecter le contexte dans le prompt système du LLM
Chargez les fichiers de contexte quotidiens et préfixez-les au prompt système du LLM afin que toutes les réponses soient ancrées dans des données actualisées.
Implémentation Python
import requests, os
H = {'x-api-key': os.environ['SCAVIO_API_KEY'], 'Content-Type': 'application/json'}
data = requests.post('https://api.scavio.dev/api/v1/search', headers=H, json={'query': 'example', 'country_code': 'us'}).json()
print(len(data.get('organic_results', [])))Implémentation JavaScript
const H = {'x-api-key': process.env.SCAVIO_API_KEY, 'Content-Type': 'application/json'};
fetch('https://api.scavio.dev/api/v1/search', {method: 'POST', headers: H, body: JSON.stringify({query: 'example', country_code: 'us'})}).then(r => r.json()).then(d => console.log(d.organic_results?.length));Plateformes utilisées
Recherche web avec graphe de connaissances, PAA et aperçus IA