Tutorial Lengkap Tavily: AI Search API untuk RAG dan AI Agents

Tavily adalah search API yang dirancang khusus untuk aplikasi AI, Large Language Models (LLM), dan Retrieval-Augmented Generation (RAG). Berbeda dengan search API tradisional seperti Google Custom Search atau Bing API yang mengembalikan daftar URL, Tavily mengoptimalkan hasil pencarian untuk dikonsumsi langsung oleh AI — memberikan konten yang sudah diekstrak, dirangkum, dan siap digunakan sebagai konteks LLM.

Dalam tutorial ini, kita akan mempelajari cara menggunakan Tavily mulai dari instalasi, penggunaan dasar, integrasi dengan LangChain dan LlamaIndex, hingga membangun aplikasi RAG yang powerful menggunakan Tavily sebagai sumber pengetahuan real-time.

Mengapa Tavily?

Ketika membangun aplikasi AI yang membutuhkan informasi terkini dari internet, developer menghadapi beberapa tantangan:

Search API tradisional hanya mengembalikan URL dan snippet pendek, sehingga perlu scraping tambahan

Web scraping membutuhkan maintenance yang tinggi karena struktur website sering berubah

Konteks yang tidak relevan — hasil pencarian umum seringkali mengandung iklan, navigasi, dan konten yang tidak relevan

Token waste — mengirim terlalu banyak konten yang tidak relevan ke LLM membuang token dan meningkatkan biaya

Tavily menyelesaikan semua masalah ini dengan menyediakan:

• Hasil pencarian yang sudah diekstrak dan dibersihkan
• Konten yang dioptimalkan untuk konsumsi LLM
• Support untuk berbagai search depth (basic dan advanced)
• Integrasi native dengan framework AI populer
• Pricing yang terjangkau untuk penggunaan production

Instalasi

Python SDK

pip install tavily-python

Node.js SDK

npm install @tavily/core

Mendapatkan API Key

Kunjungi tavily.com dan buat akun

Di dashboard, copy API key Anda

Set sebagai environment variable:

export TAVILYAPIKEY="tvly-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"

Atau simpan dalam file .env:

TAVILYAPIKEY=tvly-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

Tavily menyediakan free tier dengan 1000 API calls per bulan, cukup untuk development dan prototyping.

Penggunaan Dasar

Python — Simple Search

from tavily import TavilyClient

client = TavilyClient(apikey="tvly-YOURAPIKEY")


response = client.search("Apa itu Retrieval Augmented Generation?")

for result in response["results"]:
    print(f"Title: {result['title']}")
    print(f"URL: {result['url']}")
    print(f"Content: {result['content'][:200]}...")
    print("---")

Response Structure

{
    "query": "Apa itu Retrieval Augmented Generation?",
    "followupquestions": None,

    "answer": None,
    "images": [],
    "results": [
        {
            "title": "What is RAG? - Retrieval-Augmented Generation Explained",
            "url": "https://example.com/rag-explained",
            "content": "Retrieval-Augmented Generation (RAG) is...",
            "score": 0.98,
            "rawcontent": None
        }
    ],
    "responsetime": 1.23

}

Node.js — Simple Search

const { tavily } = require("@tavily/core");

const client = tavily({ apiKey: "tvly-YOURAPIKEY" });


async function search() {
    const response = await client.search("Latest developments in AI agents 2026");

    response.results.forEach(result => {
        console.log(Title: ${result.title});
        console.log(URL: ${result.url});
        console.log(Score: ${result.score});
        console.log("---");
    });
}

search();

Search dengan Parameter Lanjutan

from tavily import TavilyClient

client = TavilyClient(apikey="tvly-YOURAPIKEY")

response = client.search(
    query="machine learning model deployment best practices",
    searchdepth="advanced",        # "basic" atau "advanced"

    topic="general",                # "general" atau "news"
    maxresults=10,                 # jumlah hasil (default: 5)