DeepSearch-API
api.openai.com gegen deepsearch.jina.ai aus, um loszulegen.{
"role": "user",
"content": "hi"
}
curl "https://deepsearch.jina.ai/v1/chat/completions" \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $JINA_API_KEY" \
-d @- <<EOFEOF
{
"model": "jina-deepsearch-v1",
"messages": [
{ "role": "user", "content": "Hi!" },
{ "role": "assistant", "content": "Hi, how can I help you?" },
{ "role": "user", "content": "what's the latest blog post from jina ai?" }
],
"stream": true,
"reasoning_effort": "medium"
}
EOFEOF{
"id": "1742181758589",
"object": "chat.completion.chunk",
"created": 1742181758,
"model": "jina-deepsearch-v1",
"system_fingerprint": "fp_1742181758589",
"choices": [
{
"index": 0,
"delta": {
"content": "The latest blog post from Jina AI is titled \"Snippet Selection and URL Ranking in DeepSearch/DeepResearch,\" published on March 12, 2025 [^1]. This post discusses how to improve the quality of DeepSearch by using late-chunking embeddings for snippet selection and rerankers to prioritize URLs before crawling. You can read the full post here: https://jina.ai/news/snippet-selection-and-url-ranking-in-deepsearch-deepresearch\n\n[^1]: Since our DeepSearch release on February 2nd 2025 we ve discovered two implementation details that greatly improved quality In both cases multilingual embeddings and rerankers are used in an in context manner operating at a much smaller scale than the traditional pre computed indices these models typically require [jina.ai](https://jina.ai/news/snippet-selection-and-url-ranking-in-deepsearch-deepresearch)",
"type": "text",
"annotations": [
{
"type": "url_citation",
"url_citation": {
"title": "Snippet Selection and URL Ranking in DeepSearch/DeepResearch",
"exactQuote": "Since our DeepSearch release on February 2nd 2025, we've discovered two implementation details that greatly improved quality. In both cases, multilingual embeddings and rerankers are used in an _\"in-context\"_ manner - operating at a much smaller scale than the traditional pre-computed indices these models typically require.",
"url": "https://jina.ai/news/snippet-selection-and-url-ranking-in-deepsearch-deepresearch",
"dateTime": "2025-03-13 06:48:01"
}
}
]
},
"logprobs": null,
"finish_reason": "stop"
}
],
"usage": {
"prompt_tokens": 169670,
"completion_tokens": 27285,
"total_tokens": 196526
},
"visitedURLs": [
"https://github.com/jina-ai/node-DeepResearch/blob/main/src/utils/url-tools.ts",
"https://huggingface.co/jinaai/jina-embeddings-v3",
"https://github.com/jina-ai/reader",
"https://zilliz.com/blog/training-text-embeddings-with-jina-ai",
"https://threads.net/@unwind_ai/post/DGmhWCVswbe/media",
"https://twitter.com/JinaAI_/status/1899840196507820173",
"https://jina.ai/news?tag=tech-blog",
"https://docs.llamaindex.ai/en/stable/examples/embeddings/jinaai_embeddings",
"https://x.com/jinaai_",
"https://x.com/JinaAI_/status/1899840202358784170",
"https://tracxn.com/d/companies/jina-ai/__IQ81fOnU0FsDpagFjG-LrG0DMWHELqI6znTumZBQF-A/funding-and-investors",
"https://jina.ai/models",
"https://linkedin.com/posts/imohitmayank_jinaai-has-unveiled-the-ultimate-developer-activity-7300401711242711040-VD64",
"https://medium.com/@tossy21/trying-out-jina-ais-node-deepresearch-c5b55d630ea6",
"https://huggingface.co/jinaai/jina-clip-v2",
"https://arxiv.org/abs/2409.10173",
"https://milvus.io/docs/embed-with-jina.md",
"https://seedtable.com/best-startups-in-china",
"https://threads.net/@sung.kim.mw/post/DGhG-J_vREu/jina-ais-a-practical-guide-to-implementing-deepsearchdeepresearchthey-cover-desi",
"https://elastic.co/search-labs/blog/jina-ai-embeddings-rerank-model-open-inference-api",
"http://status.jina.ai/",
"https://apidog.com/blog/recreate-openai-deep-research",
"https://youtube.com/watch?v=QxHE4af5BQE",
"https://sdxcentral.com/articles/news/cisco-engages-businesses-on-ai-strategies-at-greater-bay-area-2025/2025/02",
"https://aws.amazon.com/blogs/machine-learning/build-rag-applications-using-jina-embeddings-v2-on-amazon-sagemaker-jumpstart",
"https://reddit.com/r/perplexity_ai/comments/1ejbdqa/fastest_open_source_ai_search_engine",
"https://search.jina.ai/",
"https://sebastian-petrus.medium.com/build-openais-deep-research-open-source-alternative-4f21aed6d9f0",
"https://medium.com/@elmo92/jina-reader-transforming-web-content-to-feed-llms-d238e827cc27",
"https://openai.com/index/introducing-deep-research",
"https://python.langchain.com/docs/integrations/tools/jina_search",
"https://varindia.com/news/meta-is-in-talks-for-usd200-billion-ai-data-center-project",
"https://varindia.com/news/Mira-Murati%E2%80%99s-new-AI-venture-eyes-$9-billion-valuation",
"https://53ai.com/news/RAG/2025031401342.html",
"https://arxiv.org/abs/2409.04701",
"https://bigdatawire.com/this-just-in/together-ai-raises-305m-series-b-to-power-ai-model-training-and-inference",
"https://github.blog/",
"https://cdn-uploads.huggingface.co/production/uploads/660c3c5c8eec126bfc7aa326/MvwT9enRT7gOESHA_tpRj.jpeg",
"https://cdn-uploads.huggingface.co/production/uploads/660c3c5c8eec126bfc7aa326/JNs_DrpFbr6ok_pSRUK4j.jpeg",
"https://app.dealroom.co/lists/33530",
"https://api-docs.deepseek.com/news/news250120",
"https://sdxcentral.com/articles/news/ninjaone-raises-500-million-valued-at-5-billion/2025/02",
"https://linkedin.com/sharing/share-offsite?url=https%3A%2F%2Fjina.ai%2Fnews%2Fa-practical-guide-to-implementing-deepsearch-deepresearch%2F",
"https://twitter.com/intent/tweet?url=https%3A%2F%2Fjina.ai%2Fnews%2Fa-practical-guide-to-implementing-deepsearch-deepresearch%2F",
"https://platform.openai.com/docs/api-reference/chat/create",
"https://mp.weixin.qq.com/s/-pPhHDi2nz8hp5R3Lm_mww",
"https://huggingface.us17.list-manage.com/subscribe?id=9ed45a3ef6&u=7f57e683fa28b51bfc493d048",
"https://automatio.ai/",
"https://sdk.vercel.ai/docs/introduction",
"https://app.eu.vanta.com/jinaai/trust/vz7f4mohp0847aho84lmva",
"https://apply.workable.com/huggingface/j/AF1D4E3FEB",
"https://facebook.com/sharer/sharer.php?u=https%3A%2F%2Fjina.ai%2Fnews%2Fa-practical-guide-to-implementing-deepsearch-deepresearch%2F",
"https://facebook.com/sharer/sharer.php?u=http%3A%2F%2F127.0.0.1%3A3000%2Fen-US%2Fnews%2Fsnippet-selection-and-url-ranking-in-deepsearch-deepresearch%2F",
"https://reddit.com/submit?url=https%3A%2F%2Fjina.ai%2Fnews%2Fa-practical-guide-to-implementing-deepsearch-deepresearch%2F",
"https://apply.workable.com/huggingface",
"https://news.ycombinator.com/submitlink?u=https%3A%2F%2Fjina.ai%2Fnews%2Fa-practical-guide-to-implementing-deepsearch-deepresearch%2F",
"https://news.ycombinator.com/submitlink?u=http%3A%2F%2F127.0.0.1%3A3000%2Fen-US%2Fnews%2Fsnippet-selection-and-url-ranking-in-deepsearch-deepresearch%2F",
"https://docs.github.com/site-policy/privacy-policies/github-privacy-statement",
"https://discord.jina.ai/",
"https://docs.github.com/site-policy/github-terms/github-terms-of-service",
"https://bigdatawire.com/this-just-in/qumulo-announces-30-million-funding",
"https://x.ai/blog/grok-3",
"https://m-ric-open-deep-research.hf.space/",
"https://youtu.be/sal78ACtGTc?feature=shared&t=52",
"https://mp.weixin.qq.com/s/apnorBj4TZs3-Mo23xUReQ",
"https://perplexity.ai/hub/blog/introducing-perplexity-deep-research",
"https://githubstatus.com/",
"https://github.blog/changelog/2021-09-30-footnotes-now-supported-in-markdown-fields",
"https://openai.com/index/introducing-operator",
"mailto:[email protected]",
"https://resources.github.com/learn/pathways",
"https://status.jina.ai/",
"https://reuters.com/technology/artificial-intelligence/tencents-messaging-app-weixin-launches-beta-testing-with-deepseek-2025-02-16",
"https://scmp.com/tech/big-tech/article/3298981/baidu-adopts-deepseek-ai-models-chasing-tencent-race-embrace-hot-start",
"https://microsoft.com/en-us/research/articles/magentic-one-a-generalist-multi-agent-system-for-solving-complex-tasks",
"javascript:UC_UI.showSecondLayer();",
"https://resources.github.com/",
"https://storm-project.stanford.edu/research/storm",
"https://blog.google/products/gemini/google-gemini-deep-research",
"https://youtu.be/vrpraFiPUyA",
"https://chat.baidu.com/search?extParamsJson=%7B%22enter_type%22%3A%22ai_explore_home%22%7D&isShowHello=1&pd=csaitab&setype=csaitab&usedModel=%7B%22modelName%22%3A%22DeepSeek-R1%22%7D",
"https://app.dover.com/jobs/jinaai",
"http://localhost:3000/",
"https://docs.cherry-ai.com/",
"https://en.wikipedia.org/wiki/Delayed_gratification",
"https://support.github.com/?tags=dotcom-footer",
"https://docs.jina.ai/",
"https://skills.github.com/",
"https://partner.github.com/",
"https://help.x.com/resources/accessibility",
"https://business.twitter.com/en/help/troubleshooting/how-twitter-ads-work.html",
"https://business.x.com/en/help/troubleshooting/how-twitter-ads-work.html",
"https://support.twitter.com/articles/20170514",
"https://support.x.com/articles/20170514",
"https://t.co/jnxcxPzndy",
"https://t.co/6EtEMa9P05",
"https://help.x.com/using-x/x-supported-browsers",
"https://legal.twitter.com/imprint.html"
],
"readURLs": [
"https://jina.ai/news/a-practical-guide-to-implementing-deepsearch-deepresearch",
"https://github.com/jina-ai/node-DeepResearch",
"https://huggingface.co/blog/open-deep-research",
"https://jina.ai/news/snippet-selection-and-url-ranking-in-deepsearch-deepresearch",
"https://x.com/jinaai_?lang=en",
"https://jina.ai/news",
"https://x.com/joedevon/status/1896984525210837081",
"https://github.com/jina-ai/node-DeepResearch/blob/main/src/tools/jina-latechunk.ts"
],
"numURLs": 98
}
Leitfaden zu den DeepSearch-Parametern
Qualitätskontrolle
Bei DeepSearch gibt es grundsätzlich einen Kompromiss: Je mehr Schritte das System unternimmt, desto hochwertiger sind die Ergebnisse, aber desto mehr Token verbrauchen Sie auch. Diese bessere Qualität entsteht durch breitere und erschöpfendere Suchen und eine tiefere Reflexion. Vier Hauptparameter steuern die Qualität von DeepSearch: budget_tokens, max_attempts, team_size und reasoning_effort. Der Parameter reasoning_effort ist im Wesentlichen eine sorgfältig abgestimmte Voreinstellung aus budget_tokens und max_attempts. Für die meisten Nutzer ist es der einfachste Weg, reasoning_effort anzupassen.
Budget-Tokens
budget_tokens legt die maximale Anzahl an Token fest, die für den gesamten DeepSearch-Prozess zur Verfügung stehen. Das umfasst alle Vorgänge, einschließlich Websuche, Lesen von Webseiten, Reflexion, Zusammenfassung und Codeausführung. Größere Budgets führen naturgemäß zu besserer Antwortqualität. Der DeepSearch-Prozess endet, sobald das Budget erschöpft ist oder eine zufriedenstellende Antwort gefunden wurde – je nachdem, was zuerst eintritt. Ist das Budget zuerst erschöpft, erhalten Sie trotzdem eine Antwort, aber möglicherweise nicht die endgültige, vollständig ausgearbeitete Antwort, da sie nicht alle Qualitätsprüfungen bestanden hat, die max_attempts definiert.
Max. Versuche
max_attempts legt fest, wie oft das System während des DeepSearch-Prozesses versucht, ein Problem zu lösen. Jedes Mal, wenn DeepSearch eine Antwort erzeugt, muss sie bestimmte Qualitätstests bestehen, die ein interner Prüfer definiert. Besteht die Antwort diese Tests nicht, gibt der Prüfer Feedback, und das System nutzt dieses Feedback, um die Suche fortzusetzen und die Antwort zu verfeinern. Ein zu niedriger Wert für max_attempts liefert schnell Ergebnisse, kann aber die Qualität beeinträchtigen, da die Antwort möglicherweise nicht alle Qualitätsprüfungen besteht. Ein zu hoher Wert kann den Eindruck erwecken, der Prozess hänge in einer Endlosschleife fest, in der er immer wieder neu ansetzt und scheitert.
Das System gibt eine endgültige Antwort zurück, wenn entweder budget_tokens oder max_attempts überschritten wird (je nachdem, was zuerst eintritt), oder wenn die Antwort alle Tests besteht und noch Budget und Versuche übrig sind.
Teamgröße
team_size wirkt sich grundlegend anders auf die Qualität aus als max_attempts und budget_tokens. Ist team_size auf mehr als eins gesetzt, zerlegt das System das ursprüngliche Problem in Teilprobleme und recherchiert diese unabhängig voneinander. Denken Sie an ein Map-Reduce-Muster, bei dem eine große Aufgabe in kleinere, parallel laufende Aufgaben zerlegt wird. Die endgültige Antwort ist dann eine Synthese der Ergebnisse der einzelnen Worker. Wir nennen es „team_size“, weil es ein Forschungsteam simuliert, in dem mehrere Agenten verschiedene Aspekte desselben Problems untersuchen und gemeinsam an einem Abschlussbericht arbeiten.
Beachten Sie, dass der Tokenverbrauch aller Agenten zu Ihrem gesamten budget_tokens zählt, jeder Agent aber über ein eigenes max_attempts verfügt. Das bedeutet: Bei größerem team_size und gleichem budget_tokens liefern die Agenten aufgrund der Budgetgrenzen möglicherweise früher Antworten als erwartet. Wir empfehlen, team_size und budget_tokens gemeinsam zu erhöhen, damit jeder Agent genügend Ressourcen für gründliche Arbeit hat.
Schließlich steuert team_size die Breite der Suche – es bestimmt, wie viele verschiedene Aspekte recherchiert werden. budget_tokens und max_attempts steuern dagegen die Tiefe der Suche – wie gründlich jeder Aspekt ausgelotet wird.
Quellenkontrolle
DeepSearch hängt stark vom Grounding ab – also von den Quellen, aus denen es seine Informationen bezieht. Qualität ist nicht nur eine Frage von algorithmischer Tiefe und Breite; woher DeepSearch seine Informationen bezieht, ist ebenso wichtig und oft der entscheidende Faktor. Sehen wir uns die wichtigsten Parameter an, die das steuern.
Keine direkte Antwort
no_direct_answer ist ein einfacher Schalter, der verhindert, dass das System in Schritt 1 eine Antwort zurückgibt. Ist er aktiviert, kann das System kein internes Wissen mehr nutzen und muss immer zuerst im Web suchen. Dadurch zerdenkt das System selbst einfache Fragen wie „Welcher Tag ist heute?“ oder „Wie geht es Ihnen?“ oder grundlegendes Faktenwissen, das definitiv in den Trainingsdaten des Modells steckt, etwa „Wer war der 40. Präsident der USA?“
Hostnamen-Kontrolle
Drei Parameter – boost_hostnames, bad_hostnames und only_hostnames – geben DeepSearch vor, welche Webseiten priorisiert, vermieden oder ausschließlich verwendet werden sollen. Um zu verstehen, wie sie funktionieren, betrachten Sie den Such- und Lesevorgang in DeepSearch:
- Suchphase: Das System durchsucht das Web und ruft eine Liste von Website-URLs mit ihren Snippets ab.
- Auswahlphase: Das System entscheidet, welche URLs tatsächlich besucht werden (aus Zeit- und Kostengründen werden nicht alle besucht).
boost_hostnames: Die hier aufgeführten Domains erhalten eine höhere Priorität und werden mit höherer Wahrscheinlichkeit besucht.bad_hostnames: Diese Domains werden nie besucht.only_hostnames: Wenn definiert, werden nur URLs besucht, die diesen Hostnamen entsprechen.
Hier einige wichtige Hinweise zu den Hostnamenparametern. Erstens verwendet das System immer die von Suchmaschinen zurückgegebenen Snippets als erste Anhaltspunkte für den Aufbau von Argumentationsketten. Diese Hostnamenparameter beeinflussen nur, welche Webseiten das System besucht, nicht aber, wie es Suchanfragen formuliert.
Zweitens: Wenn die erfassten URLs keine der in only_hostnames angegebenen Domains enthalten, kann das System das Lesen von Webseiten vollständig einstellen. Wir empfehlen, diese Parameter nur zu verwenden, wenn Sie mit Ihrer Forschungsfrage vertraut sind und wissen, wo potenzielle Antworten wahrscheinlich zu finden sind (oder wo sie definitiv nicht zu finden sein sollten).
Sonderfall: Akademische Forschung
Für die akademische Forschung möchten Sie Such- und Lesevorgänge möglicherweise auf arxiv.org beschränken. Setzen Sie in diesem Fall einfach "search_provider": "arxiv", und alles stützt sich auf arxiv als einzige Quelle. Allgemeine oder triviale Fragen erhalten mit dieser Einschränkung jedoch möglicherweise keine effizienten Antworten. Verwenden Sie "search_provider": "arxiv" daher nur für ernsthafte akademische Forschung.
Suchsprachencode
search_language_code ist ein weiterer Parameter, der die Webquellen beeinflusst, indem er das System zwingt, Abfragen in einer bestimmten Sprache zu erzeugen, unabhängig von der ursprünglichen Eingabe oder den Zwischenschritten der Argumentation. In der Regel wählt das System die Abfragesprache automatisch, um die beste Suchabdeckung zu erzielen. Manchmal ist jedoch eine manuelle Steuerung sinnvoll.
Anwendungsfälle für die Sprachsteuerung
Internationale Marktforschung: Wenn Sie den Einfluss einer lokalen Marke oder eines Unternehmens auf internationalen Märkten untersuchen, können Sie mit "search_language_code": "en" erzwingen, dass Abfragen immer auf Englisch erfolgen, um globale Abdeckung zu erhalten. Alternativ verwenden Sie die lokale Sprache für gezieltere regionale Informationen.
Globale Recherche mit nicht-englischen Prompts: Wenn Ihre Eingaben immer auf Chinesisch oder Japanisch sind (weil Ihre Endnutzer hauptsächlich diese Sprachen sprechen), Ihr Rechercheumfang aber global und nicht nur auf lokale chinesische oder japanische Websites beschränkt ist, neigt das System möglicherweise automatisch zur Sprache Ihres Prompts. Verwenden Sie diesen Parameter, um englische Abfragen für eine breitere internationale Abdeckung zu erzwingen.
Chat mit DeepSearch
Was ist DeepSearch?
Standard-LLMs
RAG und Grounded LLMs
DeepSearch
API-Preise
| Produkt | API-Endpunkt | Beschreibungarrow_upward | ohne Schlüsselkey_off | mit Gratis-Schlüsselkey | mit bezahltem Schlüsselkey | mit Premium-Schlüsselkey | Ø Latenz | Zählung der Token-Nutzung | HTTP-Methode | |
|---|---|---|---|---|---|---|---|---|---|---|
| Reader-API | https://r.jina.ai | URL in LLM-freundlichen Text konvertieren | 20 RPM | 500 RPM | 500 RPM | trending_up5000 RPM | 7.9s | Anzahl der Token in der Ausgabeantwort zählen | GET/POST | |
| Reader-API | https://s.jina.ai | Das Web durchsuchen und die Ergebnisse in LLM-freundlichen Text konvertieren | block | 100 RPM | 100 RPM | trending_up1000 RPM | 2.5s | Jede Anfrage kostet eine feste Anzahl an Token, beginnend bei 10.000 Token | GET/POST | |
| Embeddings-API | https://api.jina.ai/v1/embeddings | Text/Bilder in Vektoren mit fester Länge konvertieren | block | 100 RPM & 100,000 TPM | 500 RPM & 2,000,000 TPM | trending_up5,000 RPM & 50,000,000 TPM | ssid_chart hängt von der Eingangsgröße ab help | Anzahl der Token in der Eingabeanforderung zählen | POST | |
| Reranker-API | https://api.jina.ai/v1/rerank | Dokumente nach Abfrage ordnen | block | 100 RPM & 100,000 TPM | 500 RPM & 2,000,000 TPM | trending_up5,000 RPM & 50,000,000 TPM | ssid_chart hängt von der Eingangsgröße ab help | Anzahl der Token in der Eingabeanforderung zählen | POST |
