DeepSearch API
api.openai.com на deepsearch.jina.ai, чтобы начать.{
"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
}
Руководство по параметрам DeepSearch
Контроль качества
В DeepSearch есть неизбежный компромисс: чем больше шагов делает система, тем выше качество результатов, но и токенов она потратит больше. Прирост качества дают более широкий, более исчерпывающий поиск и более глубокая рефлексия. Качеством DeepSearch управляют четыре основных параметра: budget_tokens, max_attempts, team_size и reasoning_effort. Параметр reasoning_effort по сути представляет собой заранее подобранную комбинацию budget_tokens и max_attempts. Большинству пользователей достаточно настроить reasoning_effort: это самый простой путь.
Бюджет токенов
budget_tokens задаёт максимальное число токенов на весь процесс DeepSearch. В него входят все операции: веб-поиск, чтение веб-страниц, рефлексия, суммаризация и написание кода. Чем больше бюджет, тем выше качество ответа. Процесс DeepSearch останавливается, когда бюджет исчерпан или когда найден удовлетворительный ответ, что наступит раньше. Если бюджет закончится первым, ответ вы всё равно получите, но он может быть не окончательным и не до конца отшлифованным: он не прошёл все проверки качества, заданные max_attempts.
Максимальное количество попыток
max_attempts определяет, сколько раз система будет повторять попытку решить задачу в процессе DeepSearch. Каждый ответ DeepSearch должен пройти проверки качества, заданные внутренним оценщиком. Если ответ их не проходит, оценщик даёт обратную связь, и система использует её, чтобы продолжить поиск и доработать ответ. Слишком низкое значение max_attempts даёт быстрый результат, но качество может пострадать: ответ может не пройти все проверки. Слишком высокое значение заставляет процесс буксовать в бесконечном цикле повторов, где система снова и снова пытается и терпит неудачу.
Система возвращает окончательный ответ, когда исчерпан budget_tokens или max_attempts (что наступит раньше), либо когда ответ прошёл все проверки, а бюджет и попытки ещё остались.
Размер команды
team_size влияет на качество принципиально иначе, чем max_attempts и budget_tokens. Если team_size больше единицы, система разбивает исходную задачу на подзадачи и исследует их независимо. Это похоже на шаблон map-reduce: большая работа делится на мелкие задачи, которые выполняются параллельно, а окончательный ответ — синтез результатов каждого исполнителя. Название «team_size» отражает то, что система имитирует исследовательскую команду: несколько агентов изучают разные аспекты одной задачи и вместе готовят итоговый отчёт.
Учтите, что токены всех агентов списываются с общего budget_tokens, но max_attempts у каждого агента свой. Поэтому при большем team_size и том же budget_tokens агенты могут вернуть ответы раньше, чем ожидалось, из-за ограничений бюджета. Мы рекомендуем увеличивать team_size и budget_tokens одновременно, чтобы у каждого агента было достаточно ресурсов на тщательную работу.
Наконец, team_size можно рассматривать как параметр широты поиска: он определяет, сколько разных аспектов будет исследовано. А budget_tokens и max_attempts задают глубину поиска — насколько тщательно прорабатывается каждый аспект.
Контроль источников
DeepSearch во многом опирается на привязку к источникам — на то, откуда он берёт информацию. Качество зависит не только от глубины и широты алгоритма: не менее важен, а часто и решает дело источник данных. Разберём ключевые параметры, которые этим управляют.
Нет прямого ответа
no_direct_answer — простой переключатель, который не даёт системе вернуть ответ на шаге 1. Когда он включён, система лишается возможности опираться на внутренние знания и вынуждена сначала искать в интернете. С ним система излишне обдумывает даже простые вопросы — «какой сегодня день», «как дела» — и элементарные факты, которые точно есть в обучающих данных модели, вроде «кто был 40-м президентом США».
Управление именами хостов
Три параметра — boost_hostnames, bad_hostnames и only_hostnames — говорят DeepSearch, каким веб-страницам отдать приоритет, каких избегать или какие использовать исключительно. Чтобы понять, как они работают, вспомните процесс поиска и чтения в DeepSearch:
- Фаза поиска: система ищет в интернете и получает список URL-адресов сайтов с их фрагментами
- Фаза выбора: система решает, какие URL-адреса действительно посетить (из-за ограничений по времени и стоимости она посещает не все)
boost_hostnames: перечисленные здесь домены получают более высокий приоритет, и их чаще посещаютbad_hostnames: эти домены не посещаются никогдаonly_hostnames: если задан, посещаются только URL-адреса с этими именами хостов
Несколько важных замечаний о параметрах имён хостов. Во-первых, система всегда использует фрагменты, которые вернули поисковые системы, как отправные подсказки для построения цепочек рассуждений. Эти параметры влияют только на то, какие веб-страницы посещает система, но не на то, как она формулирует поисковые запросы.
Во-вторых, если среди собранных URL-адресов нет доменов из only_hostnames, система может вообще перестать читать веб-страницы. Мы рекомендуем использовать эти параметры, только когда вы хорошо знаете свой исследовательский вопрос и понимаете, где вероятнее всего найти ответы (или где их точно быть не должно).
Особый случай: академические исследования
Для академических исследований поиск и чтение можно ограничить arxiv.org. В этом случае просто задайте "search_provider": "arxiv", и всё будет опираться на arxiv как на единственный источник. Правда, общие или тривиальные вопросы при таком ограничении могут не получить эффективного ответа, поэтому используйте "search_provider": "arxiv" только для серьёзной академической работы.
Код языка поиска
search_language_code — ещё один параметр, влияющий на веб-источники: он заставляет систему строить запросы на заданном языке независимо от исходного ввода и промежуточных шагов рассуждения. Обычно система сама выбирает язык запроса, чтобы охватить как можно больше источников, но иногда ручное управление полезно.
Примеры использования для управления языком
Международные исследования рынка: изучая влияние местного бренда или компании на международных рынках, можно заставить систему всегда строить запросы на английском — "search_language_code": "en" — ради глобального охвата или использовать местный язык для более точной региональной информации.
Глобальные исследования с неанглийскими промптами: если вы всегда вводите на китайском или японском (потому что ваши конечные пользователи в основном говорят на этих языках), а область исследования глобальна и не ограничена китайскими или японскими сайтами, система может сама склониться к языку промпта. Задайте этот параметр, чтобы принудительно строить запросы на английском и охватить больше источников.
Чат с DeepSearch
Что такое DeepSearch?
Стандартные LLM
RAG и LLM с опорой на источники
DeepSearch
Цены на API
| Продукт | Конечная точка API | Описаниеarrow_upward | без API-ключаkey_off | с бесплатным API-ключомkey | с платным API-ключомkey | с премиум-API-ключомkey | Средняя задержка | Подсчёт использования токенов | HTTP-метод | |
|---|---|---|---|---|---|---|---|---|---|---|
| API Reader | https://r.jina.ai | Преобразовать URL в текст, понятный LLM | 20 RPM | 500 RPM | 500 RPM | trending_up5000 RPM | 7.9s | Подсчитывать количество токенов в выходном ответе. | GET/POST | |
| API Reader | https://s.jina.ai | Искать в интернете и преобразовывать результаты в текст, понятный LLM | block | 100 RPM | 100 RPM | trending_up1000 RPM | 2.5s | Каждый запрос стоит фиксированное количество токенов, начиная с 10 000 токенов. | GET/POST | |
| API реранкера | https://api.jina.ai/v1/rerank | Ранжировать документы по запросу | block | 100 RPM & 100,000 TPM | 500 RPM & 2,000,000 TPM | trending_up5,000 RPM & 50,000,000 TPM | ssid_chart зависит от размера входных данных help | Подсчитывать количество токенов во входном запросе. | POST | |
| API эмбеддингов | https://api.jina.ai/v1/embeddings | Преобразовывать текст/изображения в векторы фиксированной длины | block | 100 RPM & 100,000 TPM | 500 RPM & 2,000,000 TPM | trending_up5,000 RPM & 50,000,000 TPM | ssid_chart зависит от размера входных данных help | Подсчитывать количество токенов во входном запросе. | POST |
