DeepSearch API
api.openai.com con deepsearch.jina.ai per iniziare.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
}
Guida ai parametri di DeepSearch
Controllo qualità
In DeepSearch, c’è generalmente un compromesso: più passaggi esegue il sistema, maggiore sarà la qualità dei risultati ottenuti, ma si consumeranno anche più token. Questa qualità migliorata deriva da ricerche più ampie ed esaustive e da una riflessione più approfondita. Quattro parametri principali controllano la qualità di DeepSearch: budget_tokens, max_attempts, team_size e reasoning_effort. Il parametro reasoning_effort è essenzialmente una combinazione preimpostata di budget_tokens e max_attempts che è stata accuratamente ottimizzata. Per la maggior parte degli utenti, regolare reasoning_effort è l’approccio più semplice.
Budget di token
budget_tokens imposta il numero massimo di token consentiti per l’intero processo di DeepSearch. Copre tutte le operazioni, comprese ricerche web, lettura di pagine web, riflessione, sintesi e scrittura di codice. Budget più elevati portano naturalmente a una migliore qualità delle risposte. Il processo di DeepSearch si interrompe quando il budget è esaurito o quando trova una risposta soddisfacente, a seconda di quale evento si verifichi per primo. Se il budget si esaurisce prima, otterrai comunque una risposta, ma potrebbe non essere quella definitiva e pienamente rifinita, perché non ha superato tutti i controlli di qualità definiti da max_attempts.
Tentativi massimi
max_attempts determina quante volte il sistema riproverà a risolvere un problema durante il processo di DeepSearch. Ogni volta che DeepSearch produce una risposta, questa deve superare determinati test di qualità definiti da un valutatore interno. Se la risposta non li supera, il valutatore fornisce un feedback e il sistema lo usa per continuare a cercare e a rifinire la risposta. Impostare max_attempts troppo basso dà risultati rapidi, ma la qualità può risentirne, perché la risposta potrebbe non superare tutti i controlli di qualità. Impostarlo troppo alto può dare l’impressione che il processo si sia bloccato in un ciclo infinito di tentativi, in cui continua a provare e a fallire.
Il sistema restituisce una risposta finale quando viene superato budget_tokens o max_attempts (a seconda di quale evento si verifichi per primo), oppure quando la risposta supera tutti i test anche se restano budget e tentativi disponibili.
Dimensione del team
team_size influisce sulla qualità in modo radicalmente diverso rispetto a max_attempts e budget_tokens. Quando team_size è impostato su un valore maggiore di uno, il sistema scompone il problema originale in sottoproblemi e li studia in modo indipendente. Pensalo come un pattern map-reduce, in cui un lavoro grande viene suddiviso in attività più piccole che vengono eseguite in parallelo. La risposta finale è quindi una sintesi dei risultati di ogni worker. Lo chiamiamo “team_size” perché simula un team di ricerca in cui più agenti indagano aspetti diversi dello stesso problema e collaborano a un report finale.
Tieni presente che il consumo di token di tutti gli agenti concorre al totale di budget_tokens, ma ogni agente ha un max_attempts indipendente. Questo significa che, con un team_size più grande ma lo stesso budget_tokens, gli agenti potrebbero restituire le risposte prima del previsto per i vincoli di budget. Ti consigliamo di aumentare insieme team_size e budget_tokens, così che ogni agente abbia risorse sufficienti per lavorare a fondo.
Infine, puoi considerare team_size come il parametro che controlla l’ampiezza della ricerca: determina quanti aspetti diversi verranno studiati. budget_tokens e max_attempts, invece, controllano la profondità della ricerca, cioè quanto a fondo viene esplorato ogni aspetto.
Controllo delle fonti
DeepSearch si basa fortemente sul grounding, ovvero sulle fonti che utilizza per le informazioni. La qualità non riguarda solo la profondità e l’ampiezza dell’analisi algoritmica; la fonte da cui DeepSearch ottiene le sue informazioni è altrettanto importante e spesso il fattore decisivo. Vediamo i parametri chiave che controllano questo aspetto.
Nessuna risposta diretta
no_direct_answer è un semplice interruttore che impedisce al sistema di restituire una risposta al passaggio 1. Quando è abilitato, disattiva la capacità del sistema di usare le conoscenze interne e lo obbliga a cercare sempre prima sul web. Attivandolo, il sistema “ripensa” anche a domande semplici come “che giorno è oggi”, “come stai” o a conoscenze di base che sono sicuramente presenti nei dati di addestramento del modello, come “chi è stato il 40° presidente degli Stati Uniti?”.
Controlli sui nomi host
Tre parametri, boost_hostnames, bad_hostnames e only_hostnames, indicano a DeepSearch quali pagine web dare priorità, quali evitare e quali usare in esclusiva. Per capire come funzionano, considera il processo di ricerca e lettura di DeepSearch:
- Fase di ricerca: il sistema effettua una ricerca sul web e recupera un elenco di URL di siti web con i relativi snippet
- Fase di selezione: il sistema decide quali URL visitare effettivamente (non li visita tutti per motivi di tempo e costi)
boost_hostnames: i domini elencati qui hanno una priorità più alta e hanno maggiori probabilità di essere visitatibad_hostnames: questi domini non verranno mai visitationly_hostnames: quando sono definiti, verranno visitati solo gli URL che corrispondono a questi nomi host
Ecco alcune note importanti sui parametri relativi ai nomi host. In primo luogo, il sistema usa sempre gli snippet restituiti dai motori di ricerca come indizi iniziali per costruire le catene di ragionamento. Questi parametri influenzano solo le pagine web che il sistema visita, non il modo in cui formula le query di ricerca.
In secondo luogo, se gli URL raccolti non contengono domini specificati in only_hostnames, il sistema potrebbe smettere del tutto di leggere le pagine web. Ti consigliamo di usare questi parametri solo quando hai familiarità con la tua domanda di ricerca e sai dove è probabile trovare le possibili risposte (o dove di sicuro non vanno trovate).
Caso speciale: ricerca accademica
Per la ricerca accademica potresti voler limitare ricerche e letture ad arxiv.org. In questo caso basta impostare "search_provider": "arxiv" e tutto sarà ancorato ad arxiv come unica fonte. Tuttavia, con questa restrizione le domande generiche o banali potrebbero non ottenere risposte efficienti, quindi usa "search_provider": "arxiv" solo per la ricerca accademica seria.
Codice lingua di ricerca
search_language_code è un altro parametro che influenza le fonti web, perché forza il sistema a generare query in una lingua specifica, indipendentemente dall’input originale o dai passaggi di ragionamento intermedi. Generalmente il sistema decide da solo la lingua delle query per ottenere la migliore copertura di ricerca, ma a volte il controllo manuale è utile.
Casi d’uso del controllo della lingua
Ricerca di mercato internazionale: quando studi l’impatto di un marchio o di un’azienda locale sui mercati internazionali, puoi forzare le query a usare sempre l’inglese con "search_language_code": "en" per una copertura globale, oppure usare la lingua locale per informazioni regionali più mirate.
Ricerca globale con prompt in altre lingue: se il tuo input è sempre in cinese o giapponese (perché i tuoi utenti finali parlano principalmente queste lingue), ma l’ambito della ricerca è globale e non limitato ai siti locali cinesi o giapponesi, il sistema potrebbe propendere automaticamente per la lingua del prompt. Usa questo parametro per forzare le query in inglese e ottenere una copertura internazionale più ampia.
Chatta con DeepSearch
Che cos'è DeepSearch?
LLM standard
RAG e LLM ancorati alle fonti
DeepSearch
Prezzi dell'API
| Prodotto | Endpoint API | Descrizionearrow_upward | Senza chiave APIkey_off | Con chiave API gratuitakey | Con chiave API a pagamentokey | Con chiave API Premiumkey | Latenza media | Conteggio token | Metodo HTTP | |
|---|---|---|---|---|---|---|---|---|---|---|
| API del Reader | https://r.jina.ai | Convertire l'URL in testo compatibile con LLM | 20 RPM | 500 RPM | 500 RPM | trending_up5000 RPM | 7.9s | Contare il numero di token nella risposta di output. | GET/POST | |
| API del Reader | https://s.jina.ai | Cercare sul web e convertire i risultati in testo compatibile con LLM | block | 100 RPM | 100 RPM | trending_up1000 RPM | 2.5s | Ogni richiesta costa un numero fisso di token, a partire da 10.000 token | GET/POST | |
| API Embeddings | https://api.jina.ai/v1/embeddings | Convertire testo/immagini in vettori di lunghezza fissa | block | 100 RPM & 100,000 TPM | 500 RPM & 2,000,000 TPM | trending_up5,000 RPM & 50,000,000 TPM | ssid_chart dipende dalla dimensione dell'input help | Contare il numero di token nella richiesta di input. | POST | |
| API Reranker | https://api.jina.ai/v1/rerank | Ordinare i documenti per query | block | 100 RPM & 100,000 TPM | 500 RPM & 2,000,000 TPM | trending_up5,000 RPM & 50,000,000 TPM | ssid_chart dipende dalla dimensione dell'input help | Contare il numero di token nella richiesta di input. | POST |






