如何在 Azure AI Foundry 中使用 Bright Data 的 SERP API

在本文中，你将学到：

什么是 Azure AI Foundry 以及它能提供什么。
为什么在 Azure AI Foundry 中集成 Bright Data 的 SERP API 是制胜策略。
如何构建一个连接到 SERP API 的真实 Azure AI 提示流。

开始吧！

什么是 Azure AI Foundry？

Azure AI Foundry 是一个统一平台，提供一套用于构建、部署和管理 AI 应用、智能体（agents）和流程（flows）的工具与服务。换句话说，它通过标准化 AI 系统的创建流程，充当“AI 工厂”。

其主要目标是帮助你从概念走向生产。这是通过提供来自 Azure OpenAI、Meta、Mistral 等 AI 供应商的广泛模型与能力，以及开发、部署与持续监控工具来实现的。

为何将 Bright Data 的 SERP API 集成到 Azure AI Foundry

Azure AI Foundry 提供了长长的 LLM 名单，但无论你选择哪一个，它们的知识都是静态的。例如，LLM 对今天的股市新闻、昨晚的比赛结果等并不了解，这会导致“陈旧”或“幻觉”式的回答。

为克服这一限制，你可以构建一个系统，用来自互联网的实时数据对 LLM 进行“接地”（grounding）。这种方法在 RAG（检索增强生成）工作流中尤为常见：在生成回答前向 LLM 提供外部信息，确保产出基于最新事实。

Azure AI 自带一个内置接地工具，但其数据来源仅限于 Bing，未必总是理想之选。更专业且灵活的替代方案是 Bright Data 的 SERP API！

SERP API 允许你以编程方式在搜索引擎上运行查询并获取完整的 SERP 内容，为 AI 智能体与 LLM 工作流提供可靠的、可验证、可无缝集成的新鲜数据。可在官方文档中了解其全部能力。

在 Azure AI Foundry 中，第三方 API 集成既可用于智能体（agents），也可用于流程（flows）。本文将重点关注尤其适合 RAG 场景的提示流（prompt flows）。

如何在 Azure AI 提示流中使用 SERP API 获取网页搜索上下文

本节演示如何在 Azure AI 流程中集成 Bright Data 的 SERP API，构建一个新闻分析提示流。该工作流包括四个主要步骤：

接收输入：你向工作流提供感兴趣的主题，以检索相关新闻。
抓取新闻：一个专门的 Python 节点接收主题并调用 Bright Data 的 SERP API，从 Google 获取新闻。
新闻分析：LLM 处理 SERP API 返回的数据，识别值得阅读的新闻。
生成输出：输出的 Markdown 报告列出每条新闻、简述以及阅读价值评分。

注意：这只是一个示例，你还可以在许多其他场景与用例中利用 SERP API。

按照以下步骤，在 Azure AI Foundry 中构建一个以 Bright Data 的 SERP API 新鲜数据为基础的 RAG 风格工作流！

先决条件

要跟随本教程，请确保你具备：

一个 Microsoft 账户。
一个 Azure 订阅（免费试用也可）。
一个具备有效 API 密钥（需 Admin 权限）的Bright Data 账户。

按照官方 Bright Data 指南获取你的 API 密钥。请妥善保存，稍后将用到。

步骤 1：创建 Azure AI Hub

Azure AI 提示流只能在Azure AI Hubs 中使用，因此第一步是创建一个 Hub。

为此，登录你的 Azure 账户，打开 Azure AI Foundry 服务（点击图标或在搜索栏搜索）：

你将进入“AI Foundry”管理页面：

点击“Create（创建）”按钮并选择“Hub（中心）”选项：

然后按下图填写 Azure AI Hub 创建表单：

选择区域，选择现有资源组（如有需要也可新建），并为 Hub 命名，例如 bright-data-serp-ai-hub。

接着点击“Review + Create（审核并创建）”。系统将显示摘要：

如果一切无误，点击“Create（创建）”开始部署。

初始化过程可能需要几分钟。完成后，你会看到如下确认页面：

太棒了！你现在拥有一个 Azure AI Hub，可以在其中创建项目并初始化提示流。

步骤 2：在 AI Hub 中创建项目

要管理提示流，你需要先在 AI Hub 中创建一个项目。先点击左侧菜单中的“AI Hubs”选项：

点击你的 Hub 名称，在右侧出现的区域选择“Create project（创建项目）”：

填写项目创建表单。此处可将项目命名为 serp-api-flow：

点击“Review + create（审核并创建）”，在摘要中确认无误后点击“Create（创建）”部署项目。

等待片刻以初始化项目。准备就绪后，它会显示在“AI Hubs”页面中。点击它：

按下“Launch studio（启动 Studio）”在 Azure AI Foundry studio 中打开：

注意顶部显示你当前位于“Serp api flow”项目中。如果不是（例如你有多个项目），请确保选择正确的项目。

很好！准备定义 Azure AI 提示流。

步骤 3：部署 LLM

要在提示流中使用 LLM 节点，Azure 要求你先部署一个可用的 AI 模型。

在左侧菜单选择“Model catalog（模型目录）”。在目录页搜索你要使用的模型。例如假设你想用 gpt-5-mini。

搜索“gpt-5-mini”并选择它：

在模型页面点击“Use this model（使用此模型）”：

在弹出窗口中点击“Create resource and deploy（创建资源并部署）”，然后等待模型部署完成：

这一过程可能需要几分钟，请耐心等待。部署完成后，你将在 Azure AI 项目中看到该模型如下所示：

太好了！你现在拥有一个可为提示流提供动力的 LLM 引擎。

步骤 4：创建新的 Prompt Flow

现在可以开始构建提示流了。先在左侧选择“Prompt flow”，然后点击“Create（创建）”按钮：

在“Create a new flow（创建新流）”弹窗中，在“Standard flow（标准流程）”卡片上点击“Create（创建）”以新建一个基础提示流：

系统会提示输入流名称。可命名为 bright-data-serp-api-flow：

点击“Create（创建）”，等待提示流初始化，你将看到如下界面：

右侧为你的流程的 DAG（有向无环图) 表示；左侧是可视化编辑器，可定义流程节点。左侧的任何更改都会自动反映在右侧 DAG 中。

默认的标准流程包含一个让 AI 讲笑话的简单示例。
请从零开始，删除所有现有节点，并点击“Start compute session（开始计算会话）”以启动流程开发环境：

注意：启动计算会话时，Azure 会尝试启动默认计算实例。但分配资源可能需要数分钟甚至数小时。为避免长时间等待，建议使用自定义配置在你自己的计算实例上手动启动会话。

干得好！现在你有了一块空白画布，即将把它变成一个由 Bright Data SERP API 驱动的 Azure AI 提示流。

步骤 5：设计你的提示流

在构建流程前，先清晰定义其中包含的节点。

本例的目标是构建一个新闻检索与评估流程。给定主题后，依靠 Bright Data SERP API 从 Google 获取相关新闻，并将其传递给 LLM 按“阅读价值”进行评估，从而快速识别哪些文章值得读。

为实现该目标，流程将包含四个节点：

一个输入节点，用于接收要进行新闻搜索的主题。
一个 Python 工具节点，使用提供的主题调用 Bright Data 的 SERP API。
一个 LLM 节点，处理 API 返回的 SERP 数据以识别并评估新闻。
一个输出节点，展示由 LLM 生成的最终报告。

接下来你将学习如何实现这一 Azure AI 提示流！

步骤 6：添加输入节点

每个流程都必须包含输入和输出节点。因此，这两个节点无法删除，且已预置在流程中。

要配置输入节点，前往流程的“Inputs（输入）”部分并点击“Add input（添加输入）”按钮：

将输入定义为 topic 并将类型设置为字符串（string）：

很好！输入节点已配置完成。

步骤 7：准备调用 SERP API

在创建调用 Bright Data SERP API 的自定义 Python 节点之前，需要先进行一些准备工作。这些步骤并非强制，但可以简化集成并提升安全性。

首先，为了更轻松地进行 API 调用，安装 Bright Data Python SDK。该 SDK 提供了与Bright Data 产品（包括 SERP API）交互的便捷方法（无需通过 HTTP 客户端直接调用 API）。更多信息见官方文档。

该 SDK 在 PyPI 上的包名为 brightdata-sdk。要在流程中安装它，点击左侧的“Compute session running（计算会话正在运行）”，然后选择“Install packages from requirements.txt（从 requirements.txt 安装依赖）”：

选择“Install packages from requirements.txt（从 requirements.txt 安装依赖）”选项

流程定义面板会打开一个 requirements.txt 文件。向其中添加以下一行，然后点击“Save and install（保存并安装）”：

安装完成后，你就可以在自定义 Python 工具节点中使用 Bright Data Python SDK 了。

接下来，由于 SERP API 需要通过 API 密钥进行身份验证——而你并不希望将其硬编码在流程中——建议将其作为机密（secret）安全存储在 Azure 中。为此，从左侧菜单打开“Management center（管理中心）”（通常是最后一个选项）：

在项目管理概览中，于“Connected resources（连接的资源）”部分下点击“New connection（新建连接）”：

在弹窗中选择“Custom keys（自定义密钥）”选项：

这就是在 Azure AI Foundry 中存储自定义 API 密钥的方式。

现在，新建一个名为 BRIGHT_DATA_API_KEY 的密钥，并将你的 Bright Data API 密钥粘贴到值字段。务必勾选“is secret（为机密）”。然后为连接起一个易识别的名称，例如 bright-data：

最后点击“Add connection（添加连接）”保存。

很好！返回到你的流程。你将看到如何用少量代码，在 Bright Data Python SDK 与已存储 API 密钥的帮助下调用 SERP API。

步骤 8：定义用于调用 Bright Data SERP API 的自定义 Python 节点

在流程画布中，点击“Python”按钮创建一个新的Python 工具节点：

将节点命名为 serp_api，然后点击“Add（添加）”：

在代码文本区域中添加以下 Python 代码：

from promptflow import tool
from promptflow.connections import CustomConnection
from brightdata import bdclient

@tool
def serp_api(search_input: str, bd_conn: CustomConnection) -> str:
    # Initialize the Bright Data SDK client
    client = bdclient(api_token=bd_conn.BRIGHT_DATA_API_KEY)

    # Retrieve the SERP from Google in Markdown format
    serp_page = client.search(
        search_input,
        data_format="markdown",
        country="us"
    )

    return serp_page

在 Azure AI Foundry 中，Python 节点必须将工具定义为使用 @tool 注解的函数。本例中，serp_api() 函数接收搜索输入字符串和自定义连接作为入参。

该函数从自定义连接中读取你先前定义的 BRIGHT_DATA_API_KEY，并用它初始化 Bright Data API 的 Python SDK 客户端。随后通过 search() 方法调用 SERP API，并使用 data_format="markdown" 与 country="US" 选项，从美国版 Google 返回已抓取的 Markdown SERP 页面（非常适合 AI 摄取）。

接着，向下滚动并定义该节点的输入元素。首先点击“Validate and parse input（验证并解析输入）”以使节点识别有效输入。通过如下映射配置输入：

将 bd_conn 映射为 bright-data（先前定义的自定义连接）。
将 search_input 映射为 ${input.topic}，将输入节点的搜索主题传递给 SERP API。

太棒了！已完成在 Azure AI Foundry 中集成 Bright Data SERP API。

步骤 9：指定 LLM 节点

现在你已经获取了与初始搜索主题对应的 SERP 页面，将其输入给 LLM 以进行新闻抽取与评估。点击“Flow（流程）”标签下方的“LLM”按钮添加一个LLM 节点：

将 LLM 节点命名为 llm 并点击“Add（添加）”确认：

该节点将定义你的提示流的核心逻辑。为实现新闻抽取与评估，可使用如下提示：

# system:
You are a news analysis assistant tasked with identifying the most relevant news articles for a given topic.

# user:
Given the SERP page below, extract the most important news items and evaluate each one on a scale of 1 to 5 based on how worth reading it appears.

Return a Markdown-formatted report containing:
* News title
* News URL
* Short description (no more than 20 words)
* Reading worthiness (1–5)

SERP PAGE:
{{serp_page}}

# system 部分定义助手的角色与总体行为，而 # user 部分提供具体任务与处理输入的指令。

接下来将 LLM 节点连接到先前部署的 AI 模型（步骤 3）：

注意提示中包含一个 serp_page 参数，需要将其设置为之前定义的 serp_api 节点的输出。在“Inputs（输入）”部分点击“Validate and parse input（验证并解析输入）”，并将 serp_page 赋值为 ${serp_api.output}：

很好！你的 Azure AI 流程现在拥有一个可处理 SERP 结果并生成新闻评估报告的 LLM “大脑”。

步骤 10：定义输出节点

最后一步是配置输出节点。在“Outputs（输出）”部分点击“Add output（添加输出）”：

将输出名称设为 report，并用 ${llm.output} 变量指向 LLM 节点的输出：

完成后点击“Save（保存）”以保存提示流：

恭喜！你的 Azure AI 流程现已全部实现。

步骤 11：整体验证

在流程开发环境的“Graph（图）”部分，你应当看到如下的 DAG：

这清晰地展示了步骤 5 中的新闻分析流程：输入、SERP API 调用、LLM 评估与输出如何相互连接。

步骤 12：运行提示流

让我们用示例主题“stock market news”测试你的 Azure AI 提示流。在“Inputs（输入）”节点中，将 topic 的“Value（值）”填写为 “stock market news”：

然后点击右上角的“Run（运行）”按钮执行流程：

你会看到数据在流程中传递，每个节点逐渐变为绿色，直至到达“Outputs（输出）”节点：

执行完成后，你会收到如下通知：

点击“View outputs（查看输出）”来查看流程结果：

如预期，流程生成了包含新闻条目的 Markdown 报告。示例如下：

- **News title:** Dow, S&P 500, Nasdaq futures climb as US-China talks tee up trade deal for Trump

  **News URL:** [Yahoo Finance](https://finance.yahoo.com/news/live/stock-market-today-dow-sp-500-nasdaq-futures-climb-as-us-china-talks-tee-up-trade-deal-for-trump-225050786.html)

  **Short description:** Live update: US futures rise on hopes of a US-China trade deal ahead of Trump meeting.

  **Reading worthiness:** 5

- **News title:** Stock market today: Dow, S&P 500, Nasdaq futures climb as US-China talks tee up trade deal for Trump

    **News URL:** [Yahoo Finance](https://finance.yahoo.com/news/live/stock-market-today-dow-sp-500-nasdaq-futures-climb-as-us-china-talks-tee-up-trade-deal-for-trump-225050786.html)

    **Short description:** Markets rise on renewed U.S.–China trade optimism during Trump’s talks.

    **Reading worthiness:** 5

# Omitted for brevity...

这些结果反映了运行流程时“stock market news”的 SERP 页面：

要确认 SERP 页面是否被正确检索，请查看 serp_api 节点“Outputs（输出）”部分中的“output”标签页：

在那里你将看到原始 SERP 的 Markdown 版本。Bright Data 的 SERP API 大显身手！

若要完整查看流程输出，可将 report 输出复制到文件（如 report.md），并在 Visual Studio Code 等 Markdown 查看器中打开：

请注意，流程生成的报告与 Google 上“stock market news”的 SERP 新闻相匹配。抓取 Google 搜索结果众所周知非常困难（因反爬措施和速率限制）。借助 SERP API，你可以可靠、轻松地从不同地区获取 Google（或其他受支持搜索引擎）的结果，且以适合 AI 的 Markdown 格式返回，并具备良好可扩展性。

该示例展示了一个简单用例，你可以尝试更复杂的流程、集成其他 Bright Data 产品，或调整 LLM 提示以处理不同任务。还有许多其他用例也同样适用！

就这样！你已经拥有一个 Azure AI Foundry 流程，能够检索网页搜索数据并将其用作 RAG 风格工作流中的上下文。

结论

在本文中，你学习了如何使用 Bright Data 的 SERP API 从 Google 获取最新新闻，并将其集成到 Azure AI 的 RAG 工作流中。

此处演示的 AI 工作流非常适合希望构建新闻助手、过滤内容的人群，让你只阅读与你关心主题相关的新闻。若要创建更高级的 AI 工作流，请探索Bright Data 的全套工具，用于检索、验证与转换实时网页数据。

立即注册免费的 Bright Data 账号，开始体验我们的 AI 就绪网页数据解决方案！

联系销售开始免费试用

支持支付宝等多种支付方式

Antonello Zanini

技术写作

5.5 years experience

Antonello是一名软件工程师，但他更喜欢称自己为技术传教士。通过写作传播知识是他的使命。

Expertise

Web 开发网页抓取 AI 集成

View all articles

在 Azure AI Foundry 中使用 Bright Data 的 SERP API 构建由搜索驱动的提示流