随着人工智能技术的飞速发展，AI应用的交互性和实用性越来越受到关注。为了满足用户对AI应用的多样化需求，博查AI开放平台与Ollama、OpenWebUI的结合，为开发者提供了一个强大的本地部署解决方案。本文将详细介绍如何在Ollama + OpenWebUI环境中集成博查联网搜索能力，实现一个功能强大的AI应用。

博查AI开放平台简介

博查是一个专为AI应用设计的世界知识搜索引擎，能够为AI Agents、AI Chatbots、AI Search以及各类RAG应用提供干净、准确、高质量的搜索结果。博查AI开放平台提供了Web Search API、Semantic Reranker API等搜索服务，支持多模态混合搜索与语义排序技术，适用于线上应用或数据冷启动。其数据安全、成本控制及内容合规性表现卓越，确保数据不出海并符合国内安全规范。

Ollama本地部署

Ollama是一款用于本地部署和定制大型语言模型的工具，简化了模型的创建、运行和管理过程。它提供了丰富的预构建模型库，方便用户集成到不同应用中。以下是Ollama的本地部署步骤：

下载与安装

以Windows为例，下载并运行OllamaSetup.exe完成安装。

检验安装

打开终端，输入以下命令检验Ollama是否正确安装：

bash复制

ollama

若安装成功，将显示Ollama的版本信息和帮助信息。

模型选择与下载

Ollama支持多种模型，可在library上查看。以deepseek-r1为例，运行以下命令下载并运行模型：

bash复制

ollama pull deepseek-r1:1.5b
ollama run deepseek-r1:1.5b

Ollama常用指令

  • 启动Ollama服务：ollama serve

  • 下载模型：ollama pull [模型名称]

  • 运行模型：ollama run [模型名称]

  • 查看本地模型列表：ollama list

  • 删除本地模型：ollama rm [模型名称]

  • 查看运行中的模型：ollama ps

  • 复制本地模型：ollama cp [源模型名称] [目标模型名称]

OpenWebUI本地部署

OpenWebUI是一个功能丰富的自托管AI平台，支持Ollama和OpenAI兼容API。以下是OpenWebUI的本地部署步骤：

环境准备

确保使用Python 3.11以避免兼容性问题。

下载代码

bash复制

git clone https://github.com/BochaAI/open-webui-Bocha.git
cd open-webui-Bocha/

配置文件

将.env.example复制一份并重命名为.env。

构建后端环境

bash复制

conda create --name webui python=3.11
conda activate webui
cd ./backend
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt -U

构建前端环境

bash复制

cd ../
npm config set registry=https://registry.npmmirror.com
npm i
npm run build

启动OpenWebUI

进入open-webui-Bocha/backend目录，根据操作系统执行以下命令：

  • Linux：

    bash复制

    bash start.sh

  • Windows：

    bash复制

    start_windows.bat

若启动时出现端口占用问题，可通过以下命令解决：

bash复制

netstat -aon | findstr 8080
taskkill /F /PID [PID]

启动成功后，访问http://localhost:8080即可使用OpenWebUI。

集成博查联网搜索

获取博查API Key

访问博查AI开放平台 | Search API, Reranker API，登录后获取API Key。

配置联网搜索

在OpenWebUI的管理员面板中，进入设置 -> 联网搜索，选择bocha并输入API Key，保存设置。

启用联网搜索

在对话中启用联网搜索功能，即可在当前对话中使用博查的联网搜索能力。

现有OpenWebUI源码修改以支持博查搜索

若已部署OpenWebUI，可通过以下步骤修改源码以支持博查搜索：

修改配置文件

在./config.py的第1639行后添加：

Python复制

BOCHA_SEARCH_API_KEY = PersistentConfig(
    "BOCHA_SEARCH_API_KEY",
    "rag.web.search.bocha_search_api_key",
    os.getenv("BOCHA_SEARCH_API_KEY", ""),
)

修改后端代码

在./backend/open_webui/main.py的第182行后添加：

Python复制

BOCHA_SEARCH_API_KEY,

在第516行后添加：

Python复制

app.state.config.BOCHA_SEARCH_API_KEY = BOCHA_SEARCH_API_KEY

添加博查搜索模块

在./backend/open_webui/retrieval/web目录下新建bocha.py文件，内容如下：

Python复制

import logging
from typing import Optional

import requests
import json
from open_webui.retrieval.web.main import SearchResult, get_filtered_results
from open_webui.env import SRC_LOG_LEVELS

log = logging.getLogger(__name__)
log.setLevel(SRC_LOG_LEVELS["RAG"])

def _parse_response(response):
    result = {}
    if "data" in response:
        data = response["data"]
        if "webPages" in data:
            webPages = data["webPages"]
            if "value" in webPages:
                result["webpage"] = [
                    {
                        "id": item.get("id", ""),
                        "name": item.get("name", ""),
                        "url": item.get("url", ""),
                        "snippet": item.get("snippet", ""),
                        "summary": item.get("summary", ""),
                        "siteName": item.get("siteName", ""),
                        "siteIcon": item.get("siteIcon", ""),
                        "datePublished": item.get("datePublished", "") or item.get("dateLastCrawled", ""),
                    }
                    for item in webPages["value"]
                ]
    return result

def search_bocha(
    api_key: str, query: str, count: int, filter_list: Optional[list[str]] = None
) -> list[SearchResult]:
    """Search using Bocha's Search API and return the results as a list of SearchResult objects.

    Args:
        api_key (str): A Bocha Search API key
        query (str): The query to search for
    """
    url = "https://api.bochaai.com/v1/web-search?utm_source=ollama"
    headers = {
        "Authorization": f"Bearer {api_key}",
        "Content-Type": "application/json"
    }
    
    payload = json.dumps({
        "query": query,
        "summary": True,
        "freshness": "noLimit",
        "count": count
    })

    response = requests.post(url, headers=headers, data=payload, timeout=5)
    response.raise_for_status()
    results = _parse_response(response.json())
    print(results)
    if filter_list:
        results = get_filtered_results(results, filter_list)

    return [
        SearchResult(
            link=result["url"], 
            title=result.get("name"), 
            snippet=result.get("summary")
        )
        for result in results.get("webpage", [])[:count]  
    ]

修改路由文件

在./backend/open_webui/routers/retrieval.py中进行以下修改：

  • 第47行后添加：

    Python复制

    from open_webui.retrieval.web.bocha import search_bocha

  • 第381行后添加：

    Python复制

    app.state.config.BOCHA_SEARCH_API_KEY = BOCHA_SEARCH_API_KEY

  • 第526行后添加：

    Python复制

    request.app.state.config.BOCHA_SEARCH_API_KEY = (
    form_data.web.search.bocha_search_api_key
)

  • 第590行后添加：

    Python复制

    "bocha_search_api_key": request.app.state.config.BOCHA_SEARCH_API_KEY,

  • 第1171行后添加：

    Python复制

    elif engine == "bocha":
    if request.app.state.config.BOCHA_SEARCH_API_KEY:
        return search_bocha(
            request.app.state.config.BOCHA_SEARCH_API_KEY,
            query,
            request.app.state.config.RAG_WEB_SEARCH_RESULT_COUNT,
            request
# database # python # 搜索引擎
Logo
DeepSeek技术社区

欢迎加入DeepSeek 技术社区。在这里，你可以找到志同道合的朋友，共同探索AI技术的奥秘。

更多推荐

cover

百度文心4.5 Turbo与DeepSeek、豆包、元宝对比：技术路径与市场格局分析​​

avatar DeepSeek技术社区

基于Deepseek-LLM与腾讯云HAI的高效爬虫开发实战指南

本方案已在实际业务中实现日均千万级数据采集，相比传统方案提升3倍效率的同时降低40%的运维成本。未来可扩展方向包括：结合LLM实时生成反爬对抗策略利用HAI弹性扩缩容应对突发流量构建自动化验证码破解工作流通过持续融合AI与云原生技术，智能爬虫系统将突破传统数据采集的边界，为企业打造真正的数据智能基础设施。更多AI学习资料请添加学习助手领取资料礼包视频学习资料：从0开始开发超级AI智能体，干掉所有重

avatar DeepSeek技术社区
cover

谈谈Llama4 和DeepSeek GRM

avatar DeepSeek技术社区