DeepSearch

Recherchez, lisez et raisonnez jusqu'à trouver la meilleure réponse.

Démo

API DeepSearch

Entièrement compatible avec le schéma de l'API Chat d'OpenAI, remplacez simplement api.openai.com par deepsearch.jina.ai pour commencer.


Discuter avec DeepSearch
Un essai rapide avec une interface de chat simple. DeepSearch est idéal pour les questions complexes qui nécessitent un raisonnement itératif, une connaissance du monde ou des informations à jour.
Messages
Une liste de messages entre l'utilisateur et l'assistant, comprenant la conversation jusqu'à présent. Vous pouvez ajouter des images (webp, png, jpeg) ou des fichiers (txt, pdf) à un message.
Type de message
Différents types de messages (modalités) sont pris en charge, comme le texte (.txt, .pdf), les images (.png, .webp, .jpeg). Les fichiers sont pris en charge jusqu'à 10 Mo et doivent être codés au préalable dans l'URI de données.
{
  "role": "user",
  "content": "hi"
}

Demande
POST
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


Réponse
200 OK
0.0 s
196 526 Tokens
{
  "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
}

Guide des paramètres de DeepSearch

Apprenez à définir les bons paramètres et à obtenir les meilleurs résultats.

Contrôle qualité

Dans DeepSearch, il existe généralement un compromis : plus le système effectue d’étapes, plus les résultats gagnent en qualité, mais plus vous consommez de tokens. Cette amélioration de la qualité vient de recherches plus larges et plus exhaustives, et d’une réflexion plus profonde. Quatre paramètres principaux contrôlent la qualité de DeepSearch : budget_tokens, max_attempts, team_size et reasoning_effort. Le paramètre reasoning_effort est en substance une combinaison prédéfinie de budget_tokens et max_attempts, soigneusement ajustée. Pour la plupart des utilisateurs, ajuster reasoning_effort est l’approche la plus simple.

Budget de tokens

budget_tokens définit le nombre maximal de tokens autorisés pour l’ensemble du processus DeepSearch. Cela couvre toutes les opérations, y compris les recherches web, la lecture de pages web, la réflexion, la synthèse et le codage. Des budgets plus importants entraînent naturellement une meilleure qualité des réponses. Le processus DeepSearch s’arrête lorsque le budget est épuisé ou qu’une réponse satisfaisante est trouvée, selon la première éventualité. Si le budget est épuisé en premier, vous obtiendrez toujours une réponse, mais il se peut qu’elle ne soit pas définitive et entièrement affinée, car elle n’a pas passé tous les contrôles de qualité définis par max_attempts.

Nombre maximal de tentatives

max_attempts détermine combien de fois le système réessaiera de résoudre un problème pendant le processus DeepSearch. Chaque fois que DeepSearch produit une réponse, il doit passer certains tests de qualité définis par un évaluateur interne. Si la réponse échoue à ces tests, l’évaluateur fournit un retour d’information, que le système utilise pour poursuivre la recherche et affiner la réponse. Une valeur trop faible de max_attempts permet d’obtenir des résultats rapidement, mais la qualité peut en pâtir, car la réponse pourrait ne pas passer tous les contrôles de qualité. Une valeur trop élevée peut donner l’impression que le processus est bloqué dans une boucle sans fin de tentatives, où les échecs sont incessants.

Le système renvoie une réponse finale lorsque budget_tokens ou max_attempts est dépassé (selon la première éventualité), ou lorsque la réponse réussit tous les tests tout en conservant le budget et les tentatives restants.

Taille de l’équipe

team_size affecte la qualité d’une manière fondamentalement différente de max_attempts et budget_tokens. Lorsque team_size est supérieur à 1, le système décompose le problème initial en sous-problèmes et les étudie indépendamment. Imaginez un schéma map-reduce, où une tâche importante est décomposée en tâches plus petites exécutées en parallèle. La réponse finale est alors une synthèse des résultats de chaque agent. Nous l’appelons team_size parce que cela simule une équipe de recherche où plusieurs agents étudient différents aspects du même problème et collaborent à un rapport final.

N’oubliez pas que la consommation de tokens de tous les agents est comptabilisée dans votre total de budget_tokens, mais que chaque agent dispose de max_attempts indépendants. Cela signifie qu’avec un team_size plus grand mais un budget_tokens identique, les agents pourraient répondre plus tôt que prévu en raison de contraintes budgétaires. Nous recommandons d’augmenter team_size et budget_tokens ensemble afin de donner à chaque agent les ressources nécessaires pour effectuer un travail approfondi.

Enfin, vous pouvez considérer que team_size contrôle l’étendue de la recherche : il détermine combien d’aspects différents seront étudiés. Quant à budget_tokens et max_attempts, ils en contrôlent la profondeur : le degré d’exploration de chaque aspect.

Contrôle des sources

DeepSearch s’appuie fortement sur le grounding, c’est-à-dire sur les sources qu’il utilise pour s’informer. La qualité ne se résume pas à la profondeur et à l’étendue algorithmiques ; la provenance des informations de DeepSearch est tout aussi importante, et souvent déterminante. Découvrons les paramètres clés qui contrôlent ce point.

Pas de réponse directe

no_direct_answer est une simple option qui empêche le système de renvoyer une réponse à l’étape 1. Lorsqu’elle est activée, elle désactive la capacité du système à exploiter ses connaissances internes et l’oblige à toujours rechercher d’abord sur le Web. L’activation de cette option force le système à « sur-analyser » même des questions simples comme « Quel jour sommes-nous ? », « Comment allez-vous ? » ou des informations factuelles de base qui figurent à coup sûr dans les données d’entraînement du modèle, comme « Qui était le 40e président des États-Unis ? »

Contrôle des noms d’hôtes

Trois paramètres, boost_hostnames, bad_hostnames et only_hostnames, indiquent à DeepSearch les pages web à privilégier, à éviter ou à utiliser exclusivement. Pour comprendre leur fonctionnement, imaginez le processus de recherche et de lecture dans DeepSearch :

  1. Phase de recherche : Le système effectue une recherche sur le web et récupère une liste d’URL de sites web avec leurs extraits.
  2. Phase de sélection : Le système décide des URL à visiter (il ne les visite pas toutes pour des raisons de temps et de coût).
  • boost_hostnames : Les domaines listés ici sont prioritaires et ont plus de chances d’être visités.
  • bad_hostnames : Ces domaines ne seront jamais visités.
  • only_hostnames : Une fois définis, seules les URL correspondant à ces noms d’hôtes seront visitées.

Voici quelques remarques importantes concernant les paramètres des noms d’hôtes. Premièrement, le système utilise toujours les extraits renvoyés par les moteurs de recherche comme indices initiaux pour construire des chaînes de raisonnement. Ces paramètres de nom d’hôte affectent uniquement les pages web visitées par le système, et non la manière dont il formule les requêtes de recherche.

Deuxièmement, si les URL collectées ne contiennent pas les domaines spécifiés dans only_hostnames, le système risque de ne plus lire du tout les pages web. Nous vous recommandons d’utiliser ces paramètres uniquement lorsque vous maîtrisez votre question de recherche et que vous savez où trouver des réponses potentielles (ou où elles ne devraient absolument pas se trouver).

Cas particulier : recherche universitaire

Pour la recherche universitaire, vous souhaiterez peut-être limiter les recherches et les lectures à arxiv.org. Dans ce cas, définissez simplement "search_provider": "arxiv" et tout reposera sur arXiv comme seule source. Cependant, les questions génériques ou triviales risquent de ne pas obtenir de réponses efficaces avec cette restriction ; utilisez donc "search_provider": "arxiv" uniquement pour la recherche universitaire sérieuse.

Code de langue de recherche

search_language_code est un autre paramètre qui affecte les sources web en forçant le système à générer les requêtes dans une langue spécifique, indépendamment de la saisie initiale ou des étapes de raisonnement intermédiaires. Généralement, le système détermine automatiquement la langue de requête pour obtenir la meilleure couverture de recherche, mais un contrôle manuel est parfois utile.

Cas d’utilisation du contrôle de la langue

Étude de marché internationale : Lorsque vous étudiez l’impact d’une marque ou d’une entreprise locale sur les marchés internationaux, vous pouvez forcer les requêtes à toujours utiliser l’anglais avec "search_language_code": "en" pour une couverture mondiale, ou utiliser la langue locale pour des informations régionales plus ciblées.

Étude mondiale avec des prompts non anglais : Si votre saisie est toujours en chinois ou en japonais (car vos utilisateurs finaux parlent principalement ces langues), mais que votre recherche porte sur le monde entier plutôt que sur des sites web chinois ou japonais locaux, le système peut automatiquement privilégier la langue de votre prompt. Utilisez ce paramètre pour forcer les requêtes en anglais pour une couverture internationale plus large.

Discuter avec DeepSearch

Un essai rapide avec une interface de chat simple. DeepSearch est idéal pour les questions complexes qui nécessitent un raisonnement itératif, une connaissance du monde ou des informations à jour.
Nous venons de lancer une nouvelle interface utilisateur DeepSearch ultra-rapide, minimaliste et GRATUITE. Découvrez-la sur https://search.jina.ai ou cliquez sur le bouton ci-dessous pour l'essayer !Visitez la nouvelle interface
Clients de chat
Pour une expérience optimale, nous vous recommandons d'utiliser des clients de chat professionnels. DeepSearch est entièrement compatible avec le schéma de l'API de chat d'OpenAI, ce qui le rend facile à utiliser avec n'importe quel client compatible OpenAI.
TypingMind
Chatwise
Cherry Studio
Chatbox
LobeChat
NextChat

Qu'est-ce que DeepSearch ?

DeepSearch combine la recherche sur le Web, la lecture et le raisonnement pour une enquête complète. Considérez-le comme un agent à qui vous confiez une tâche de recherche : il effectue une recherche approfondie et enchaîne plusieurs itérations avant de fournir une réponse.

LLM standard

environ 1 000 tokens
environ 1 s
Réponses rapides aux questions de culture générale
Impossible d'accéder aux informations en temps réel ou post-entraînement

Les réponses sont générées uniquement à partir de connaissances pré-entraînées avec une date limite fixe

RAG et LLM ancrés

environ 10 000 tokens
environ 3 s
Questions nécessitant des informations actuelles ou spécifiques au domaine
A du mal avec les questions complexes nécessitant un raisonnement multi-sauts

Réponses générées en résumant les résultats d'une recherche en un seul passage
Peut accéder aux informations actuelles au-delà de la date limite d'entraînement

DeepSearch

environ 500 000 tokens
environ 50 s
Questions complexes nécessitant une recherche et un raisonnement approfondis
Prend plus de temps que les approches simples LLM ou RAG

Agent autonome qui recherche, lit et raisonne de manière itérative
Décide dynamiquement des prochaines étapes en fonction des résultats actuels
Auto-évalue la qualité des réponses avant de renvoyer les résultats
Peut effectuer des analyses approfondies sur des sujets grâce à plusieurs cycles de recherche et de raisonnement

Tarification de l'API

La tarification de l'API repose sur l'utilisation des tokens. Une seule clé API vous donne accès à tous les produits Search Foundation.
Rechargez cette clé API avec plus de tokens
Selon votre emplacement, vous pouvez être facturé en USD, EUR ou dans d'autres devises. Des taxes peuvent s'appliquer.
Veuillez saisir la clé API correcte pour recharger.
Limite de débit
Les limites de débit sont suivies de deux manières : RPM (requêtes par minute) et TPM (tokens par minute). Les limites sont appliquées par IP ou clé API et se déclenchent dès que l'un des deux seuils, RPM ou TPM, est atteint. Lorsque vous fournissez une clé API dans l'en-tête de la requête, nous suivons les limites de débit par clé plutôt que par adresse IP.
ProduitPoint de terminaison de l'APIDescriptionSans clé APIAvec clé API gratuiteAvec clé API payanteAvec clé API PremiumLatence moyenneComptage de l'utilisation des tokensMéthode HTTP
API Readerhttps://r.jina.aiConvertir l'URL en texte compatible LLM20 RPM500 RPM500 RPM5000 RPM7.9sCompter le nombre de tokens dans la réponse de sortie.GET/POST
API Readerhttps://s.jina.aiRechercher sur le web et convertir les résultats en texte compatible LLM100 RPM100 RPM1000 RPM2.5sChaque demande coûte un nombre fixe de tokens, à partir de 10 000 tokensGET/POST
API Embeddingshttps://api.jina.ai/v1/embeddingsConvertir du texte/des images en vecteurs de longueur fixe100 RPM & 100,000 TPM500 RPM & 2,000,000 TPM5,000 RPM & 50,000,000 TPM
dépend de la taille de l'entrée
Compter le nombre de tokens dans la demande d'entrée.POST
API Rerankerhttps://api.jina.ai/v1/rerankClasser les documents selon la requête100 RPM & 100,000 TPM500 RPM & 2,000,000 TPM5,000 RPM & 50,000,000 TPM
dépend de la taille de l'entrée
Compter le nombre de tokens dans la demande d'entrée.POST
Questions courantes liées à la facturation