API DeepSearch
api.openai.com par deepsearch.jina.ai pour commencer.reasoning_effort.reasoning_effort.{
"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
}
Guide des paramètres de DeepSearch
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 :
- Phase de recherche : Le système effectue une recherche sur le web et récupère une liste d’URL de sites web avec leurs extraits.
- 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
Qu'est-ce que DeepSearch ?
LLM standard
RAG et LLM ancrés
DeepSearch
Tarification de l'API
| Produit | Point de terminaison de l'API | Descriptionarrow_upward | Sans clé APIkey_off | Avec clé API gratuitekey | Avec clé API payantekey | Avec clé API Premiumkey | Latence moyenne | Comptage de l'utilisation des tokens | Méthode HTTP | |
|---|---|---|---|---|---|---|---|---|---|---|
| API Reader | https://r.jina.ai | Convertir l'URL en texte compatible LLM | 20 RPM | 500 RPM | 500 RPM | trending_up5000 RPM | 7.9s | Compter le nombre de tokens dans la réponse de sortie. | GET/POST | |
| API Reader | https://s.jina.ai | Rechercher sur le web et convertir les résultats en texte compatible LLM | block | 100 RPM | 100 RPM | trending_up1000 RPM | 2.5s | Chaque demande coûte un nombre fixe de tokens, à partir de 10 000 tokens | GET/POST | |
| API Embeddings | https://api.jina.ai/v1/embeddings | Convertir du texte/des images en vecteurs de longueur fixe | block | 100 RPM & 100,000 TPM | 500 RPM & 2,000,000 TPM | trending_up5,000 RPM & 50,000,000 TPM | ssid_chart dépend de la taille de l'entrée help | Compter le nombre de tokens dans la demande d'entrée. | POST | |
| API Reranker | https://api.jina.ai/v1/rerank | Classer les documents selon la requête | block | 100 RPM & 100,000 TPM | 500 RPM & 2,000,000 TPM | trending_up5,000 RPM & 50,000,000 TPM | ssid_chart dépend de la taille de l'entrée help | Compter le nombre de tokens dans la demande d'entrée. | POST |






