Integrazione LlamaIndex
Integra Scavio con LlamaIndex per dare alle tue pipeline RAG e ai tuoi agenti la ricerca web in tempo reale su Google, Google News, Reddit, YouTube e Amazon -- restituita come oggetti Document puliti, pronti da indicizzare o su cui ragionare.
Dati aggiornati per il RAG
llama-index-tools-scavio trasforma ogni ricerca Scavio in Document di LlamaIndex -- un'alternativa economica a Tavily e SerpAPI con una copertura di piattaforme più ampia.Introduzione
Il pacchetto llama-index-tools-scavio fornisce un ScavioToolSpec con cinque strumenti di ricerca. Affidali a qualsiasi agente LlamaIndex, oppure chiamali direttamente in una pipeline di dati.
Guida all'integrazione passo dopo passo
Passaggio 1: Installa il pacchetto
pip install llama-index-tools-scavioPassaggio 2: Imposta la tua chiave API
Ottieni una chiave su dashboard.scavio.dev (crediti gratuiti, senza carta), poi impostala come variabile d'ambiente:
export SCAVIO_API_KEY=sk_live_...Passaggio 3: Utilizzo di base
from llama_index.tools.scavio import ScavioToolSpec
tool_spec = ScavioToolSpec() # reads SCAVIO_API_KEY
docs = tool_spec.search("best real-time search API for AI agents", max_results=5)
for doc in docs:
print(doc.text, doc.metadata["url"])Strumenti disponibili
ScavioToolSpec espone queste funzioni, ognuna delle quali restituisce un elenco di oggetti Document:
| Strumento | Descrizione |
|---|---|
search | Google SERP -- risultati web organici in tempo reale |
news | Google News -- articoli recenti su un argomento |
reddit_search | Post di Reddit -- discussioni e sentiment della community |
youtube_search | YouTube -- video, canali, playlist |
amazon_search | Amazon -- schede prodotto |
Usa con un agente
from llama_index.core.agent.workflow import FunctionAgent
from llama_index.llms.openai import OpenAI
from llama_index.tools.scavio import ScavioToolSpec
agent = FunctionAgent(
tools=ScavioToolSpec().to_tool_list(),
llm=OpenAI(model="gpt-5.5"),
system_prompt="You are a research assistant. Use Scavio for fresh web data.",
)
response = await agent.run(
"What are people on Reddit saying about Tavily alternatives?"
)Esempio avanzato
Carica i risultati di ricerca in tempo reale direttamente in un indice vettoriale:
from llama_index.core import VectorStoreIndex
from llama_index.tools.scavio import ScavioToolSpec
docs = ScavioToolSpec().search("open-source agent frameworks 2026", max_results=10)
index = VectorStoreIndex.from_documents(docs)
answer = index.as_query_engine().query("Which framework is most popular and why?")
print(answer)Ogni endpoint tramite MCP
Ti servono Walmart, TikTok, Instagram, Maps, Shopping e altro? Punta qualsiasi agente LlamaIndex al server MCP di Scavio in hosting per l'intero catalogo.
Vantaggi di Scavio + LlamaIndex
- Nativo per i Document: i risultati entrano direttamente nel RAG.
- Pronto per gli agenti:
to_tool_list()e via. - Multipiattaforma: web, news, social, shopping con una chiave.
- Economico: la maggior parte delle chiamate costa un solo credito.
Passaggi successivi
- Python SDK -- il client che gli strumenti incapsulano
- Integrazione MCP -- l'intero catalogo di strumenti