Ollama memajukan kemampuan AI lokal dengan API pencarian web baru dan Server MCP-nya. Pengembang kini dapat mengakses informasi real-time untuk meningkatkan kinerja model. Selain itu, pembaruan ini menyederhanakan integrasi alat di berbagai klien.
Ollama berdiri sebagai platform yang kuat untuk menjalankan model bahasa besar secara lokal. Para insinyur memanfaatkannya untuk menyebarkan model tanpa bergantung pada layanan cloud. Namun, penambahan API pencarian web memperluas cakupannya. API ini memungkinkan model untuk langsung menanyakan internet. Akibatnya, aplikasi menangani peristiwa terkini dan data dinamis dengan lebih efektif.
Server MCP melengkapi ini dengan menyediakan protokol standar untuk pertukaran konteks. Pengembang menghubungkan model ke alat eksternal dengan mudah. Misalnya, Server MCP terintegrasi dengan klien seperti Cline, Codex, dan Goose. Pengaturan ini memungkinkan alur kerja kompleks di mana model berinteraksi dengan hasil pencarian web secara real-time.
Beralih ke detail teknis, API pencarian web Ollama beroperasi melalui endpoint REST. Pengguna mengirim permintaan POST ke https://ollama.com/api/web_search dengan parameter kueri. Sistem mengembalikan hasil yang relevan, terbatas maksimal 10 secara default. Selain itu, API pengambilan web di https://ollama.com/api/web_fetch mengambil konten dari URL tertentu. Keduanya memerlukan kunci API dari akun Ollama.
Ollama memastikan aksesibilitas di berbagai platform. Di macOS, pengguna menginstal melalui Homebrew. Pengguna Windows mengunduh executable secara langsung. Linux mendukung manajer paket yang mudah. Terlepas dari platformnya, API terintegrasi secara seragam.
Apa yang Perlu Diketahui Pengembang tentang Ollama
Ollama mendukung inferensi lokal untuk model seperti Llama dan Qwen. Ini mengunduh model terkuantisasi secara efisien. Pengguna menarik model dengan perintah seperti ollama pull qwen3:4b. Proses ini dioptimalkan untuk perangkat keras seperti GPU NVIDIA atau Apple Silicon.
Selain itu, Ollama mendukung tugas multimodal. Misalnya, ia memproses gambar dan video bersama teks. Platform ini berkembang pesat, dengan pembaruan yang meningkatkan penjadwalan dan penanganan konteks.
Pengembang menghargai sifat open-source Ollama. Mereka menyesuaikan model tanpa terikat vendor. Namun, keterbatasan muncul dengan pengetahuan statis. Model yang dilatih dengan data masa lalu kesulitan dengan informasi terkini. Di sinilah API pencarian web berperan.
API Ollama mengatasi celah ini. Ini memperkaya respons dengan data baru. Akibatnya, halusinasi berkurang secara signifikan. Para insinyur membangun aplikasi yang andal untuk penelitian atau otomatisasi.
Beralih ke Server MCP, komponen ini menstandarisasi interaksi. MCP, atau Model Context Protocol, memfasilitasi pertukaran data antara model dan sistem. Ollama mengimplementasikan Server MCP dalam Python, memungkinkan penggunaan alat yang mulus.
Misalnya, Server MCP memungkinkan operasi file, perhitungan, dan akses web. Pengembang mengonfigurasinya untuk LLM lokal, memperluas kemampuan di luar inferensi dasar.
Menjelajahi API Pencarian Web Ollama secara Mendalam
API pencarian web Ollama memberikan hasil terstruktur. Pengguna menentukan kueri dan max_results opsional. Respons mencakup cuplikan, URL, dan metadata. Format ini membantu dalam penguraian untuk agen.
Untuk integrasi, pengembang menggunakan pustaka Python. Instal dengan pip install ollama. Kemudian, panggil ollama.web_search(query="example"). Fungsi ini menangani autentikasi melalui variabel lingkungan.
Demikian pula, pengguna JavaScript memanfaatkan ollama-js. Impor modul dan panggil Ollama().webSearch({query: "example"}). Contoh di repositori menunjukkan penanganan kesalahan dan percobaan ulang.
cURL menyediakan opsi tingkat rendah. Buat permintaan dengan header untuk Otorisasi. Pendekatan ini cocok untuk pembuatan skrip atau pengujian.
Namun, Apidog meningkatkan proses ini. Sebagai alat manajemen API, Apidog memvisualisasikan endpoint dan parameter. Ini menghasilkan cuplikan kode untuk API Ollama, mempercepat pengembangan.
API mendukung konteks panjang. Hasil dapat mencakup ribuan token. Oleh karena itu, model dengan jendela yang diperluas berkinerja terbaik. Ollama merekomendasikan minimal 32.000 token.
Selain itu, endpoint fetch melengkapi pencarian. Ini mengekstrak konten dari URL, melewati kebutuhan browser langsung. Gabungkan keduanya untuk agen yang komprehensif.
Keamanan tetap menjadi yang utama. Ollama memerlukan kunci API, mencegah akses tidak sah. Pengguna membuat kunci di https://ollama.com/settings/keys.
Beralih ke penggunaan praktis, pertimbangkan agen penelitian. Agen tersebut mengkueri pencarian web, mengambil halaman, dan mensintesis jawaban. Alur kerja ini mengungguli model statis.
Mendemistifikasi Server MCP untuk Pengguna Ollama
Server MCP menjembatani model dan alat. Ini mengimplementasikan Model Context Protocol, sebuah kerangka kerja untuk berbagi konteks. Di Ollama, skrip Python menjalankan server.
Pengaturan melibatkan kloning repositori dan pengaturan lingkungan. Misalnya, uv run web-search-mcp.py meluncurkannya. Klien terhubung melalui antarmuka yang kompatibel.
Cline mengonfigurasi dengan perintah di pengaturan. Tambahkan OLLAMA_API_KEY ke lingkungan. Codex mengedit file config.toml. Goose mengikuti pola serupa.
Integrasi ini membuka pencarian web di klien. Model memanggil alat secara dinamis, meningkatkan interaktivitas.
Selain itu, Server MCP mendukung ekstensi. Pengembang menambahkan alat khusus untuk email, GitHub, atau gambar. Fleksibilitas ini menempatkan Ollama sebagai infrastruktur untuk agen.
Di Windows dengan NVIDIA, instalasi mencakup driver CUDA. Linux menggunakan Docker untuk isolasi. macOS mendapat manfaat dari akselerasi native.
Beralih ke pengaturan lanjutan, kluster beberapa Server MCP. Ini mendistribusikan beban untuk skala perusahaan.
Cara Mengintegrasikan API Ollama dan Server MCP
Integrasi dimulai dengan pembuatan akun. Daftar gratis di situs Ollama. Hasilkan kunci API segera.
Selanjutnya, instal Ollama secara lokal. Jalankan ollama serve untuk memulai server. Tarik model yang sesuai untuk alat, seperti gpt-oss.
Untuk pencarian web, atur OLLAMA_API_KEY. Uji dengan Python:
import ollama
response = ollama.web_search(query="latest AI news", max_results=5)
print(response)
Ini mengembalikan JSON dengan hasil.
Untuk menggabungkan Server MCP, unduh contoh dari GitHub. Jalankan skrip dan konfigurasikan klien.
Untuk Cline: Edit konfigurasi untuk menunjuk ke endpoint MCP. Uji prompt yang memanggil pencarian.
Codex memerlukan pembaruan toml. Tentukan perintah dan argumen.
Goose berintegrasi melalui pengaturan MCP, mengaktifkan alat web.
Selain itu, bangun agen kustom. Gunakan loop untuk menangani interaksi multi-giliran. Uraikan panggilan alat dan berikan kembali hasilnya.
Penanganan kesalahan terbukti krusial. Terapkan percobaan ulang untuk batas laju. Pantau penggunaan untuk tetap berada dalam tingkatan.
Apidog membantu di sini. Ini meniru respons, menguji autentikasi, dan mendokumentasikan alur kerja. Unduh Apidog untuk membuat prototipe integrasi Ollama dengan cepat.
Membangun Agen Pencarian yang Kuat dengan Ollama
Agen mewakili kasus penggunaan inti. Ollama menyediakan contoh dengan Qwen 3.
Tarik model: ollama pull qwen3:4b.
Di Python, definisikan alat:
tools = [
{"type": "function", "function": {"name": "web_search", "description": "Search the web"}},
{"type": "function", "function": {"name": "web_fetch", "description": "Fetch URL content"}}
]
Loop obrolan memproses pesan, memanggil alat, dan menambahkan hasil.
Agen ini menjawab pertanyaan seperti "Bagaimana cuaca saat ini di Tokyo?" dengan mencari dan mengambil data.
Perluas ke visi: Analisis gambar melalui model multimodal, lalu cari konteks.
Beralih ke optimasi, tingkatkan panjang konteks. Model cloud menangani hingga kapasitas penuh.
Agen mengurangi biaya dengan meminimalkan panggilan yang tidak perlu. Cache hasil secara lokal.
Selain itu, gabungkan dengan API lain. Integrasikan database atau alat komputasi melalui MCP.
Detail Harga untuk Ollama di Berbagai Platform
Ollama menawarkan harga berjenjang. Basisnya gratis, dengan batas pencarian yang murah hati. Ini cocok untuk penghobi dan pengujian.
Untuk produksi, tingkatkan langganan. Akses cloud dimulai sekitar $20 per bulan, berdasarkan diskusi komunitas. Tingkat yang lebih tinggi menyediakan kueri tanpa batas dan dukungan prioritas.
Platform memengaruhi biaya secara tidak langsung. Jalankan secara lokal di macOS, Windows, Linux tidak dikenakan biaya selain perangkat keras. Model cloud ditagih per penggunaan.
API pencarian web mengenakan biaya per panggilan dalam paket lanjutan. Namun, tingkat gratis mencakup sebagian besar kebutuhan.
Bandingkan dengan alternatif: Pencarian OpenAI berharga $10 per 1k panggilan. Ollama mengalahkan ini untuk pengguna yang mengutamakan lokal.
Perusahaan menghitung ROI. Inferensi lokal menghemat transfer data, sementara API menambahkan overhead minimal.
Beralih ke penganggaran, pantau melalui dasbor. Ollama menyediakan statistik penggunaan.
Kasus Penggunaan dan Contoh Dunia Nyata
Pengembang menerapkan ini di chatbot. Bot mencari berita, mengambil artikel, merangkum.
Dalam pendidikan, alat mengkueri fakta, mengurangi kesalahan.
Peneliti membangun agen untuk tinjauan literatur. Cari situs akademik, ambil PDF.
E-commerce terintegrasi untuk rekomendasi produk. Cari tren, ambil ulasan.
Code example for agent:
import ollama
import json
def run_agent(prompt):
messages = [{"role": "user", "content": prompt}]
while True:
response = ollama.chat(model="qwen3:4b", messages=messages, tools=tools)
if "tool_calls" in response["message"]:
for call in response["message"]["tool_calls"]:
if call["function"]["name"] == "web_search":
args = json.loads(call["function"]["arguments"])
result = ollama.web_search(**args)
messages.append({"role": "tool", "content": str(result)})
else:
return response["message"]["content"]
Loop ini menangani iterasi.
Selain itu, penggunaan visi: Deskripsikan gambar, cari kecocokan.
Bisnis mengotomatiskan laporan. Agen mengumpulkan data dari sumber web.
Manfaat Mengadopsi Fitur Baru Ollama
Ollama meningkatkan privasi. Data tetap lokal, dengan panggilan API opsional.
Akurasi meningkat melalui augmentasi real-time. Model menangani topik yang berkembang.
Skalabilitas menyusul. Server MCP mendistribusikan tugas.
Efisiensi biaya menonjol. Tingkat gratis meminimalkan pengeluaran.
Produktivitas pengembang meningkat. Integrasi seperti Apidog mempercepat alur kerja.
Beralih ke komunitas, forum membahas optimasi.
Ekosistem berkembang. Alat seperti OpenWebUI berinteraksi dengan Ollama.
Tantangan dan Solusi Potensial
Tantangan termasuk batas laju. Solusi: Tingkatkan langganan.
Batasan perangkat keras membatasi model. Gunakan varian cloud.
Kompleksitas integrasi muncul. Ikuti dokumen dan contoh.
Keamanan: Putar kunci API secara teratur.
Debugging agen memerlukan logging. Terapkan mode verbose.
Selain itu, uji di berbagai platform untuk konsistensi.
Merangkum Kemajuan Ollama
API pencarian web Ollama dan Server MCP menandai kemajuan signifikan. Pengembang memanfaatkan ini untuk aplikasi yang kuat. Dengan tingkat gratis dan dukungan lintas platform, adopsi semakin cepat. Jelajahi lebih lanjut, integrasikan dengan Apidog, dan bangun generasi alat AI berikutnya.