> ## Documentation Index
> Fetch the complete documentation index at: https://blog.pig4cloud.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Ollama Web Search：让 AI 模型实时联网搜索

> 详细介绍 Ollama 最新推出的 Web Search API，让本地 AI 模型具备实时联网搜索能力，显著减少幻觉并提高准确性

Ollama 推出了一项重要功能——Web Search API。这项功能为 AI 模型提供了实时从网络获取最新信息的能力，有效减少模型幻觉，提高回答的准确性。更令人兴奋的是，Ollama 为个人用户提供了慷慨的免费额度，让每个人都能轻松使用这项强大的功能。

> 官方博客：[https://ollama.com/blog/web-search](https://ollama.com/blog/web-search)
>
> 官方文档：[https://docs.ollama.com/web-search](https://docs.ollama.com/web-search)

## 为什么选择 Ollama Web Search？

在 AI 应用开发中，让模型具备联网搜索能力至关重要。然而，现有解决方案都有明显缺陷：

### 📊 主流方案对比

| 方案                    | 价格      | 优势           | 劣势               |
| --------------------- | ------- | ------------ | ---------------- |
| **微软 Bing API**       | ¥108/千次 | 结果质量高        | 成本高昂             |
| **Google API**        | ¥36/千次  | 生态成熟         | 价格较贵             |
| **SearXNG**           | 免费      | 开源、隐私友好      | 部署复杂、结果不稳定、维护成本高 |
| **Ollama Web Search** | **免费**  | 零成本、易用、AI 优化 | 有速率限制（可升级）       |

**💰 成本优势：** Ollama 完全免费提供，个人用户有慷慨的免费额度，高频场景可升级获得更高速率限制

### 💡 为什么不选 SearXNG？

虽然 SearXNG 开源免费，但实际使用中**效果差强人意**：

* ❌ **部署复杂**：需自建服务器、配置繁琐、处理反爬虫
* ❌ **质量不稳定**：搜索相关性差、内容提取不准确、格式不统一
* ❌ **性能问题**：响应慢、高并发易超时、需额外优化

### ✨ Ollama Web Search 的优势

✅ **完全免费**：个人用户免费使用，慷慨的免费额度\
✅ **开箱即用**：注册即用，无需部署维护\
✅ **专为 AI 优化**：返回格式友好，深度集成工具链\
✅ **结果质量高**：准确的内容提取，Markdown 格式输出\
✅ **稳定可靠**：无需自建服务，官方维护保障

## 核心特性

### 1. 增强模型能力

Web Search API 可以为 AI 模型补充最新的网络信息，解决以下问题：

* **减少幻觉**：通过实时网络数据验证，降低模型编造信息的可能性
* **提升准确性**：获取最新的事实和数据，确保回答的时效性
* **扩展知识范围**：突破训练数据的时间限制，获取最新信息

### 2. 多种集成方式

Ollama 提供了多种使用方式：

* REST API（支持 cURL 调用）
* Python 库深度集成
* JavaScript 库深度集成
* MCP Server（Model Context Protocol）集成

### 3. 免费使用

Ollama Web Search 完全免费提供给用户使用，只需注册 Ollama 账号即可获得慷慨的免费额度。对于高频使用场景，可以升级订阅获得更高的速率限制。

## 快速开始

### 创建 API Key

首先需要在 Ollama 账号中创建 API Key：

1. 访问 [https://ollama.com](https://ollama.com) 并登录
2. 在账号设置中创建 API Key
3. 保存你的 API Key

```bash theme={null}
export OLLAMA_API_KEY="your_api_key"
```

### 使用 cURL 调用

最简单的方式是通过 cURL 直接调用：

```bash theme={null}
curl https://ollama.com/api/web_search \
  --header "Authorization: Bearer $OLLAMA_API_KEY" \
  -d '{
    "query": "what is ollama?"
  }'
```

**返回结果示例：**

```json theme={null}
{
  "results": [
    {
      "title": "Ollama",
      "url": "https://ollama.com/",
      "content": "Cloud models are now available..."
    },
    {
      "title": "What is Ollama? Introduction to the AI model management tool",
      "url": "https://www.hostinger.com/tutorials/what-is-ollama",
      "content": "Ariffud M. 6min Read..."
    }
  ]
}
```

### 使用 Python 库

安装 Ollama Python 库（需要 0.6.0 及以上版本）：

```bash theme={null}
pip install 'ollama>=0.6.0'
```

进行 Web 搜索：

```python theme={null}
import ollama

response = ollama.web_search("What is Ollama?")
print(response)
```

**返回结果：**

```python theme={null}
results = [
    {
        "title": "Ollama",
        "url": "https://ollama.com/",
        "content": "Cloud models are now available in Ollama..."
    },
    {
        "title": "What is Ollama? Features, Pricing, and Use Cases - Walturn",
        "url": "https://www.walturn.com/insights/what-is-ollama-features-pricing-and-use-cases",
        "content": "Our services..."
    }
]
```

### 使用 JavaScript 库

安装 Ollama JavaScript 库：

```bash theme={null}
npm install 'ollama@>=0.6.0'
```

调用 Web Search：

```javascript theme={null}
import { Ollama } from "ollama";

const client = new Ollama();
const results = await client.webSearch({ query: "what is ollama?" });
console.log(JSON.stringify(results, null, 2));
```

## 构建搜索代理

Web Search 的真正威力在于结合工具调用（Tool Calling）构建智能搜索代理。以下是一个完整的示例：

### 准备工作

首先拉取一个支持工具调用的模型，这里使用阿里的 Qwen 3 模型（4B 参数）：

```bash theme={null}
ollama pull qwen3:4b
```

### 实现搜索代理

```python theme={null}
from ollama import chat, web_fetch, web_search

# 定义可用工具
available_tools = {'web_search': web_search, 'web_fetch': web_fetch}

# 用户问题
messages = [{'role': 'user', 'content': "what is ollama's new engine"}]

while True:
    # 调用模型
    response = chat(
        model='qwen3:4b',
        messages=messages,
        tools=[web_search, web_fetch],
        think=True  # 启用思考过程
    )
    
    # 输出思考过程
    if response.message.thinking:
        print('Thinking: ', response.message.thinking)
    
    # 输出回答内容
    if response.message.content:
        print('Content: ', response.message.content)
    
    messages.append(response.message)
    
    # 处理工具调用
    if response.message.tool_calls:
        print('Tool calls: ', response.message.tool_calls)
        for tool_call in response.message.tool_calls:
            function_to_call = available_tools.get(tool_call.function.name)
            if function_to_call:
                args = tool_call.function.arguments
                result = function_to_call(**args)
                print('Result: ', str(result)[:200]+'...')
                # 将结果添加到消息历史（限制长度以适应上下文）
                messages.append({
                    'role': 'tool', 
                    'content': str(result)[:2000 * 4], 
                    'tool_name': tool_call.function.name
                })
            else:
                messages.append({
                    'role': 'tool', 
                    'content': f'Tool {tool_call.function.name} not found', 
                    'tool_name': tool_call.function.name
                })
    else:
        break
```

### 运行效果

```
Thinking: Okay, the user is asking about Ollama's new engine. I need to figure out what they're referring to...

Tool calls: [ToolCall(function=Function(name='web_search', arguments={'max_results': 3, 'query': 'Ollama new engine'}))]

Result: results=[WebSearchResult(content='# New model scheduling\n\n## September 23, 2025\n\nOllama now includes a significantly improved model scheduling system...

Content: Ollama has introduced two key updates to its engine, both released in 2025:

1. **Enhanced Model Scheduling (September 23, 2025)**
   - **Precision Memory Management**: Exact memory allocation reduces out-of-memory crashes
   - **Performance Gains**: Significant speed improvements (e.g., 85.54 tokens/s vs 52.02 tokens/s)
   - **Multi-GPU Support**: Improved efficiency across multiple GPUs
   - **Supported Models**: Includes gemma3, llama4, qwen3, mistral-small3.2, and more

2. **Multimodal Engine (May 15, 2025)**
   - **Vision Support**: First-class support for vision models
   - **Multimodal Tasks**: Image identification, video analysis, document scanning
```

### 推荐模型

对于搜索代理，推荐使用以下模型（它们具有出色的工具调用能力）：

**本地模型：**

* `qwen3`
* `gpt-oss`

**云端模型：**

* `qwen3:480b-cloud`
* `gpt-oss:120b-cloud`
* `deepseek-v3.1-cloud`

## Web Fetch API

除了搜索，Ollama 还提供了 `web_fetch` API 用于获取指定网页的内容。

### API 请求

**请求参数：**

* `url`（必填）：要获取的网页 URL

**返回结果：**

* `title`：网页标题
* `content`：网页内容（Markdown 格式）
* `links`：网页中包含的链接列表

### Python 示例

```python theme={null}
from ollama import web_fetch

result = web_fetch('https://ollama.com')
print(result)
```

**返回结果：**

```python theme={null}
WebFetchResponse(
    title='Ollama',
    content='[Cloud models](https://ollama.com/blog/cloud-models) are now available in Ollama\n\n**Chat & build with open models**...',
    links=['https://ollama.com/', 'https://ollama.com/models', 'https://github.com/ollama/ollama']
)
```

### JavaScript 示例

```javascript theme={null}
import { Ollama } from "ollama";

const client = new Ollama();
const fetchResult = await client.webFetch({ url: "https://ollama.com" });
console.log(JSON.stringify(fetchResult, null, 2));
```

### cURL 示例

```bash theme={null}
curl --request POST \
  --url https://ollama.com/api/web_fetch \
  --header "Authorization: Bearer $OLLAMA_API_KEY" \
  --header 'Content-Type: application/json' \
  --data '{
      "url": "ollama.com"
  }'
```

## MCP Server 集成

Ollama Web Search 支持通过 MCP（Model Context Protocol）Server 集成到各种 AI 编程工具中。

### Cline 集成

在 Cline 的 MCP 服务器设置中添加配置：

```json theme={null}
{
  "mcpServers": {
    "web_search_and_fetch": {
      "type": "stdio",
      "command": "uv",
      "args": ["run", "path/to/web-search-mcp.py"],
      "env": { "OLLAMA_API_KEY": "your_api_key_here" }
    }
  }
}
```

### Codex 集成

在 `~/.codex/config.toml` 中添加配置：

```toml theme={null}
[mcp_servers.web_search]
command = "uv"
args = ["run", "path/to/web-search-mcp.py"]
env = { "OLLAMA_API_KEY" = "your_api_key_here" }
```

### Goose 集成

Goose 也支持通过 MCP 扩展集成 Ollama Web Search。

## 最佳实践

### 1. 上下文长度设置

Web Search 和 Web Fetch 可能返回数千个 token 的内容，建议：

* 将模型的上下文长度设置为至少 **32,000 tokens**
* 使用完整上下文长度可以获得最佳的搜索代理效果
* Ollama 的云端模型默认运行在完整上下文长度

### 2. 控制搜索结果数量

通过 `max_results` 参数控制返回的搜索结果数量：

```python theme={null}
response = ollama.web_search(
    query="what is ollama?",
    max_results=5  # 默认 5，最大 10
)
```

### 3. 结合工具调用

将 `web_search` 和 `web_fetch` 作为工具提供给模型，让模型自主决定何时需要搜索：

```python theme={null}
tools = [web_search, web_fetch]
response = chat(
    model='qwen3:4b',
    messages=messages,
    tools=tools
)
```

## API 参考

### Web Search API

**端点：** `POST https://ollama.com/api/web_search`

**请求参数：**

| 参数           | 类型      | 必填 | 说明                  |
| ------------ | ------- | -- | ------------------- |
| query        | string  | 是  | 搜索查询字符串             |
| max\_results | integer | 否  | 最大返回结果数（默认 5，最大 10） |

**响应格式：**

```json theme={null}
{
  "results": [
    {
      "title": "网页标题",
      "url": "网页 URL",
      "content": "相关内容片段"
    }
  ]
}
```

### Web Fetch API

**端点：** `POST https://ollama.com/api/web_fetch`

**请求参数：**

| 参数  | 类型     | 必填 | 说明         |
| --- | ------ | -- | ---------- |
| url | string | 是  | 要获取的网页 URL |

**响应格式：**

```json theme={null}
{
  "title": "网页标题",
  "content": "网页内容（Markdown 格式）",
  "links": ["链接1", "链接2", "链接3"]
}
```

## 应用场景

### 1. 实时信息查询

让 AI 模型能够回答关于最新事件、新闻、技术更新等问题。

```python theme={null}
messages = [{'role': 'user', 'content': "最新的 Spring Boot 版本有什么新特性？"}]
response = chat(model='qwen3:4b', messages=messages, tools=[web_search])
```

### 2. 研究助手

结合 OpenAI 的 gpt-oss 模型进行长时间的研究任务。

### 3. 文档问答

获取特定网页内容并基于此回答问题。

```python theme={null}
# 获取网页内容
doc_content = web_fetch('https://docs.spring.io/spring-boot/index.html')

# 基于文档内容回答问题
messages = [
    {'role': 'system', 'content': f'参考文档：{doc_content.content}'},
    {'role': 'user', 'content': '如何配置数据源？'}
]
response = chat(model='qwen3:4b', messages=messages)
```

### 4. 代码助手增强

在 Cline、Codex 等 AI 编程工具中集成 Web Search，让 AI 助手能够：

* 查找最新的库文档
* 搜索错误解决方案
* 获取示例代码
* 了解最佳实践

## 总结

Ollama Web Search API 为本地和云端 AI 模型带来了实时联网搜索能力，主要优势包括：

✅ **完全免费**：个人用户免费使用，慷慨的免费额度，相比商业 API 节省数千至数万元

✅ **易于集成**：支持 REST API、Python、JavaScript 多种方式，无需复杂配置

✅ **工具生态完善**：深度集成到各种 AI 编程工具（Cline、Codex、Goose）

✅ **减少模型幻觉**：通过实时网络信息验证，提高回答准确性

✅ **强大的代理能力**：结合工具调用构建智能搜索代理

✅ **优于开源方案**：相比 SearXNG，无需部署维护，结果质量更稳定，专为 AI 优化

### 💰 成本对比

假设每月 30,000 次搜索查询，使用商业 API 的成本：

* **微软 Bing API**：¥3,240/月 → ¥38,880/年
* **Google API**：¥1,080/月 → ¥12,960/年
* **Ollama Web Search**：**完全免费** 🎉

个人开发者和中小团队每年可节省 **¥12,960 - ¥38,880** 的成本！

无论你是在构建聊天机器人、研究助手，还是在使用 AI 编程工具，Ollama Web Search 都能显著提升 AI 的能力和准确性。更重要的是，它让联网搜索能力**零成本、零门槛**，人人都能用得起。

立即访问 [https://ollama.com](https://ollama.com) 注册账号，开始体验 Web Search 功能吧！

## 参考资源

* 官方博客：[https://ollama.com/blog/web-search](https://ollama.com/blog/web-search)
* 官方文档：[https://docs.ollama.com/web-search](https://docs.ollama.com/web-search)
* Python 示例代码：[https://github.com/ollama/ollama-python](https://github.com/ollama/ollama-python)
* JavaScript 示例代码：[https://github.com/ollama/ollama-js](https://github.com/ollama/ollama-js)