Recherche web | Ollama

L'API de recherche web d'Ollama peut être utilisée pour enrichir les modèles avec les informations les plus récentes afin de réduire les hallucinations et d'améliorer la précision.

La recherche web est proposée sous forme d'API REST, avec des intégrations d'outils plus poussées dans les bibliothèques Python et JavaScript. Cela permet également à des modèles comme les modèles gpt-oss d'OpenAI d'effectuer des tâches de recherche de longue durée.

Authentification

Pour accéder à l'API de recherche web d'Ollama, créez une clé API. Un compte Ollama gratuit est requis.

API de recherche web

Effectue une recherche web pour une seule requête et renvoie les résultats pertinents.

Requête

POST https://ollama.com/api/web_search

query (chaîne de caractères, obligatoire) : la chaîne de caractères de la requête de recherche
max_results (entier, facultatif) : nombre maximal de résultats à renvoyer (valeur par défaut 5, maximum 10)

Réponse

Renvoie un objet contenant :

results (tableau) : tableau d'objets de résultats de recherche, chacun contenant :
- title (chaîne de caractères) : le titre de la page web
- url (chaîne de caractères) : l'URL de la page web
- content (chaîne de caractères) : extrait de contenu pertinent provenant de la page web

Exemples

Remarque

Assurez-vous que la variable d'environnement OLLAMA_API_KEY est définie, ou qu'elle est transmise dans l'en-tête Authorization.

Requête cURL

bash

curl https://ollama.com/api/web_search \
  --header "Authorization: Bearer $OLLAMA_API_KEY" \
	-d '{
	  "query":"what is ollama?"
	}'

Réponse

json

{
  "results": [
    {
      "title": "Ollama",
      "url": "https://ollama.com/",
      "content": "Cloud models are now available..."
    },
    {
      "title": "What is Ollama? Introduction to the AI model management tool",
      "url": "https://www.hostinger.com/tutorials/what-is-ollama",
      "content": "Ariffud M. 6min Read..."
    },
    {
      "title": "Ollama Explained: Transforming AI Accessibility and Language ...",
      "url": "https://www.geeksforgeeks.org/artificial-intelligence/ollama-explained-transforming-ai-accessibility-and-language-processing/",
      "content": "Data Science Data Science Projects Data Analysis..."
    }
  ]
}

Bibliothèque Python

python


response = ollama.web_search("What is Ollama?")
print(response)

Exemple de sortie

python


results = [
    {
        "title": "Ollama",
        "url": "https://ollama.com/",
        "content": "Cloud models are now available in Ollama..."
    },
    {
        "title": "What is Ollama? Features, Pricing, and Use Cases - Walturn",
        "url": "https://www.walturn.com/insights/what-is-ollama-features-pricing-and-use-cases",
        "content": "Our services..."
    },
    {
        "title": "Complete Ollama Guide: Installation, Usage & Code Examples",
        "url": "https://collabnix.com/complete-ollama-guide-installation-usage-code-examples",
        "content": "Join our Discord Server..."
    }
]

Autre exemple Ollama en Python

Bibliothèque JavaScript

tsx



const client = new Ollama();
const results = await client.webSearch("what is ollama?");
console.log(JSON.stringify(results, null, 2));

Exemple de sortie

json

{
  "results": [
    {
      "title": "Ollama",
      "url": "https://ollama.com/",
      "content": "Cloud models are now available..."
    },
    {
      "title": "What is Ollama? Introduction to the AI model management tool",
      "url": "https://www.hostinger.com/tutorials/what-is-ollama",
      "content": "Ollama is an open-source tool..."
    },
    {
      "title": "Ollama Explained: Transforming AI Accessibility and Language Processing",
      "url": "https://www.geeksforgeeks.org/artificial-intelligence/ollama-explained-transforming-ai-accessibility-and-language-processing/",
      "content": "Ollama is a groundbreaking..."
    }
  ]
}

Autre exemple Ollama en JavaScript

API de récupération web

Récupère une seule page web par son URL et renvoie son contenu.

Requête

POST https://ollama.com/api/web_fetch

url (chaîne de caractères, obligatoire) : l'URL à récupérer

Réponse

Renvoie un objet contenant :

title (chaîne de caractères) : le titre de la page web
content (chaîne de caractères) : le contenu principal de la page web
links (tableau) : tableau de liens trouvés sur la page

Exemples

Requête cURL

python

curl --request POST \
  --url https://ollama.com/api/web_fetch \
  --header "Authorization: Bearer $OLLAMA_API_KEY" \
  --header 'Content-Type: application/json' \
  --data '{
      "url": "ollama.com"
  }'

Réponse

json

{
  "title": "Ollama",
  "content": "[Cloud models](https://ollama.com/blog/cloud-models) are now available in Ollama...",
  "links": [
    "http://ollama.com/",
    "http://ollama.com/models",
    "https://github.com/ollama/ollama"
  ]

SDK Python

python

from ollama import web_fetch

result = web_fetch('https://ollama.com')
print(result)

Résultat

python

WebFetchResponse(
    title='Ollama',
    content='[Cloud models](https://ollama.com/blog/cloud-models) are now available in Ollama\n\n**Chat & build
with open models**\n\n[Download](https://ollama.com/download) [Explore
models](https://ollama.com/models)\n\nAvailable for macOS, Windows, and Linux',
    links=['https://ollama.com/', 'https://ollama.com/models', 'https://github.com/ollama/ollama']
)

SDK JavaScript

tsx



const client = new Ollama();
const fetchResult = await client.webFetch("https://ollama.com");
console.log(JSON.stringify(fetchResult, null, 2));

Résultat

json

{
  "title": "Ollama",
  "content": "[Cloud models](https://ollama.com/blog/cloud-models) are now available in Ollama...",
  "links": [
    "https://ollama.com/",
    "https://ollama.com/models",
    "https://github.com/ollama/ollama"
  ]
}

Création d'un agent de recherche

Utilisez l'API de recherche web d'Ollama comme outil pour créer un mini agent de recherche.

Cet exemple utilise le modèle Qwen 3 d'Alibaba avec 4 milliards de paramètres.

bash

ollama pull qwen3:4b

python

from ollama import chat, web_fetch, web_search

available_tools = {'web_search': web_search, 'web_fetch': web_fetch}

messages = [{'role': 'user', 'content': "what is ollama's new engine"}]

while True:
  response = chat(
    model='qwen3:4b',
    messages=messages,
    tools=[web_search, web_fetch],
    think=True
    )
  if response.message.thinking:
    print('Thinking: ', response.message.thinking)
  if response.message.content:
    print('Content: ', response.message.content)
  messages.append(response.message)
  if response.message.tool_calls:
    print('Tool calls: ', response.message.tool_calls)
    for tool_call in response.message.tool_calls:
      function_to_call = available_tools.get(tool_call.function.name)
      if function_to_call:
        args = tool_call.function.arguments
        result = function_to_call(**args)
        print('Result: ', str(result)[:200]+'...')
        # Result is truncated for limited context lengths
        messages.append({'role': 'tool', 'content': str(result)[:2000 * 4], 'tool_name': tool_call.function.name})
      else:
        messages.append({'role': 'tool', 'content': f'Tool {tool_call.function.name} not found', 'tool_name': tool_call.function.name})
  else:
    break

Résultat

Thinking:  Okay, the user is asking about Ollama's new engine. I need to figure out what they're referring to. Ollama is a company that develops large language models, so maybe they've released a new model or an updated version of their existing engine....

Tool calls:  [ToolCall(function=Function(name='web_search', arguments={'max_results': 3, 'query': 'Ollama new engine'}))]
Result:  results=[WebSearchResult(content='# New model scheduling\n\n## September 23, 2025\n\nOllama now includes a significantly improved model scheduling system. Ahead of running a model, Ollama’s new engine

Thinking:  Okay, the user asked about Ollama's new engine. Let me look at the search results.

First result is from September 23, 2025, talking about new model scheduling. It mentions improved memory management, reduced crashes, better GPU utilization, and multi-GPU performance. Examples show speed improvements and accurate memory reporting. Supported models include gemma3, llama4, qwen3, etc...

Content:  Ollama has introduced two key updates to its engine, both released in 2025:

1. **Enhanced Model Scheduling (September 23, 2025)**
   - **Precision Memory Management**: Exact memory allocation reduces out-of-memory crashes and optimizes GPU utilization.
   - **Performance Gains**: Examples show significant speed improvements (e.g., 85.54 tokens/s vs 52.02 tokens/s) and full GPU layer utilization.
   - **Multi-GPU Support**: Improved efficiency across multiple GPUs, with accurate memory reporting via tools like `nvidia-smi`.
   - **Supported Models**: Includes `gemma3`, `llama4`, `qwen3`, `mistral-small3.2`, and more.

2. **Multimodal Engine (May 15, 2025)**
   - **Vision Support**: First-class support for vision models, including `llama4:scout` (109B parameters), `gemma3`, `qwen2.5vl`, and `mistral-small3.1`.
   - **Multimodal Tasks**: Examples include identifying animals in multiple images, answering location-based questions from videos, and document scanning.

These updates highlight Ollama's focus on efficiency, performance, and expanded capabilities for both text and vision tasks.

Longueur de contexte et agents

Les résultats de recherche web peuvent contenir des milliers de tokens. Il est recommandé d'augmenter la longueur de contexte du modèle à au moins ~32 000 tokens. Les agents de recherche fonctionnent mieux avec la longueur de contexte complète. Les modèles cloud d'Ollama fonctionnent avec la longueur de contexte complète.

Serveur MCP

Vous pouvez activer la recherche web dans n'importe quel client MCP via le serveur MCP Python.

Cline

La recherche web d'Ollama peut être intégrée facilement à Cline en utilisant la configuration du serveur MCP.

Gérer les serveurs MCP > Configurer les serveurs MCP > Ajoutez la configuration suivante :

json

{
  "mcpServers": {
    "web_search_and_fetch": {
      "type": "stdio",
      "command": "uv",
      "args": ["run", "path/to/web-search-mcp.py"],
      "env": { "OLLAMA_API_KEY": "your_api_key_here" }
    }
  }
}

Codex

Ollama fonctionne bien avec l'outil Codex d'OpenAI.

Ajoutez la configuration suivante dans ~/.codex/config.toml

python

[mcp_servers.web_search]
command = "uv"
args = ["run", "path/to/web-search-mcp.py"]
env = { "OLLAMA_API_KEY" = "your_api_key_here" }

Goose

Ollama peut s'intégrer à Goose via sa fonctionnalité MCP.

Autres intégrations

Ollama peut être intégré à la plupart des outils disponibles, que ce soit via une intégration directe de l'API d'Ollama, des bibliothèques Python / JavaScript, une API compatible OpenAI ou une intégration de serveur MCP.

Authentification ​

API de recherche web ​

Requête ​

Réponse ​

Exemples ​

Requête cURL ​

Bibliothèque Python ​

Bibliothèque JavaScript ​

API de récupération web ​

Requête ​

Réponse ​

Exemples ​

Requête cURL ​

SDK Python ​

SDK JavaScript ​

Création d'un agent de recherche ​

Longueur de contexte et agents ​

Serveur MCP ​

Cline ​

Codex ​

Goose ​

Autres intégrations ​

Authentification

API de recherche web

Requête

Réponse

Exemples

Requête cURL

Bibliothèque Python

Bibliothèque JavaScript

API de récupération web

Requête

Réponse

Exemples

Requête cURL

SDK Python

SDK JavaScript

Création d'un agent de recherche

Longueur de contexte et agents

Serveur MCP

Cline

Codex

Goose

Autres intégrations