Les LLM auto-h\u00e9berg\u00e9s comme Ollama<\/a>, vLLM<\/a>, sont puissants, mais aveugles : ils ne voient que leur contexte d’entra\u00eenement ou les documents qu’on leur injecte via RAG<\/a>. Pour leur permettre de chercher des informations fra\u00eeches sur le web, il faut un moteur de recherche. SearXNG est un m\u00e9ta-moteur de recherche open source, auto-h\u00e9berg\u00e9, qui agr\u00e8ge les r\u00e9sultats de dizaines de sources (Google, Bing, DuckDuckGo, Wikipedia, Arxiv\u2026) sans tracer les utilisateurs. D\u00e9ploy\u00e9 sur Docker aux c\u00f4t\u00e9s de sa stack IA, il devient l’outil de recherche web que les agents peuvent interroger via une simple API JSON.<\/p>\n\n\n\n Les agents IA modernes, qu’ils soient orchestr\u00e9s par n8n<\/a>, LangChain, ou un MCP<\/a> server, ont souvent besoin de rechercher des informations actualis\u00e9es avant de r\u00e9pondre. Passer par les API commerciales de Google ou Bing implique des co\u00fbts, des quotas et une d\u00e9pendance \u00e0 des services tiers. SearXNG r\u00e9sout ce probl\u00e8me en offrant un point d’entr\u00e9e unique, gratuit et sans limite, vers l’ensemble du web index\u00e9. Son API JSON native retourne des r\u00e9sultats structur\u00e9s (titre, URL, extrait) directement exploitables par un pipeline RAG ou un agent conversationnel.<\/p>\n\n\n\n SearXNG se d\u00e9ploie via une image Docker officielle. Un fichier Le dossier Une fois d\u00e9ploy\u00e9, SearXNG expose une API JSON \u00e0 l’adresse Cette fonction peut \u00eatre expos\u00e9e comme outil MCP (via FastMCP), comme fonction n8n (n\u0153ud HTTP Request), ou comme tool LangChain. L’agent dispose alors d’une capacit\u00e9 de recherche web en temps r\u00e9el, enti\u00e8rement auto-h\u00e9berg\u00e9e.<\/p>\n\n\n\n Le cas d’usage le plus puissant consiste \u00e0 combiner SearXNG avec un pipeline RAG existant. Le flux devient : l’utilisateur pose une question \u2192 l’agent interroge d’abord la base vectorielle Qdrant (connaissances internes) \u2192 si la confiance est insuffisante ou si la question porte sur l’actualit\u00e9, l’agent lance une recherche SearXNG \u2192 les r\u00e9sultats web sont inject\u00e9s dans le contexte du LLM (Ollama ou vLLM) \u2192 la r\u00e9ponse est g\u00e9n\u00e9r\u00e9e avec des sources cit\u00e9es. Ce pattern, appel\u00e9 \u00ab RAG avec fallback web \u00bb, permet de couvrir \u00e0 la fois les connaissances propri\u00e9taires et l’information publique \u00e0 jour.<\/p>\n\n\n\n Pour les agents compatibles MCP (Claude, outils internes), SearXNG peut \u00eatre encapsul\u00e9 dans un serveur MCP avec FastMCP :<\/p>\n\n\n\n Avec ce serveur MCP, n’importe quel agent IA du r\u00e9seau interne peut appeler En production, SearXNG doit \u00eatre prot\u00e9g\u00e9 pour \u00e9viter les abus. Deux niveaux de s\u00e9curit\u00e9 se combinent : Traefik<\/a> comme reverse proxy avec un middleware SearXNG supporte plus de 70 moteurs de recherche, organis\u00e9s par cat\u00e9gories : general, images, news, science, it, files, social media. Pour une stack IA technique, les moteurs les plus utiles sont : Google et DuckDuckGo (r\u00e9sultats g\u00e9n\u00e9raux), Arxiv et Semantic Scholar (articles scientifiques), GitHub (code et projets), Wikipedia (connaissances encyclop\u00e9diques), et StackOverflow (solutions techniques). Chaque moteur peut \u00eatre activ\u00e9, d\u00e9sactiv\u00e9 ou pond\u00e9r\u00e9 individuellement dans Dans une architecture IA auto-h\u00e9berg\u00e9e compl\u00e8te, SearXNG occupe la couche \u00ab acc\u00e8s au web \u00bb : Ollama<\/a> ou vLLM<\/a> servent les mod\u00e8les, Qdrant<\/a> stocke les embeddings internes, Langfuse<\/a> observe les traces, Open WebUI <\/a>fournit l’interface utilisateur, n8n<\/a> orchestre les workflows, et SearXNG donne aux agents la capacit\u00e9 de chercher sur le web en temps r\u00e9el. C’est la brique qui transforme un LLM local en assistant v\u00e9ritablement connect\u00e9 au monde, sans d\u00e9pendance \u00e0 une API commerciale de recherche.<\/p>","protected":false},"excerpt":{"rendered":" SearXNG : donner des yeux sur le web \u00e0 ses agents IA open source Les LLM auto-h\u00e9berg\u00e9s comme Ollama, vLLM, sont puissants, mais aveugles : ils ne voient que leur contexte d’entra\u00eenement ou les documents qu’on leur injecte via RAG. Pour leur permettre de chercher des informations fra\u00eeches sur le web, il faut un moteur de recherche. […]<\/p>\n","protected":false},"author":1,"featured_media":2203,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"ocean_post_layout":"","ocean_both_sidebars_style":"","ocean_both_sidebars_content_width":0,"ocean_both_sidebars_sidebars_width":0,"ocean_sidebar":"","ocean_second_sidebar":"","ocean_disable_margins":"enable","ocean_add_body_class":"","ocean_shortcode_before_top_bar":"","ocean_shortcode_after_top_bar":"","ocean_shortcode_before_header":"","ocean_shortcode_after_header":"","ocean_has_shortcode":"","ocean_shortcode_after_title":"","ocean_shortcode_before_footer_widgets":"","ocean_shortcode_after_footer_widgets":"","ocean_shortcode_before_footer_bottom":"","ocean_shortcode_after_footer_bottom":"","ocean_display_top_bar":"default","ocean_display_header":"default","ocean_header_style":"","ocean_center_header_left_menu":"","ocean_custom_header_template":"","ocean_custom_logo":0,"ocean_custom_retina_logo":0,"ocean_custom_logo_max_width":0,"ocean_custom_logo_tablet_max_width":0,"ocean_custom_logo_mobile_max_width":0,"ocean_custom_logo_max_height":0,"ocean_custom_logo_tablet_max_height":0,"ocean_custom_logo_mobile_max_height":0,"ocean_header_custom_menu":"","ocean_menu_typo_font_family":"","ocean_menu_typo_font_subset":"","ocean_menu_typo_font_size":0,"ocean_menu_typo_font_size_tablet":0,"ocean_menu_typo_font_size_mobile":0,"ocean_menu_typo_font_size_unit":"px","ocean_menu_typo_font_weight":"","ocean_menu_typo_font_weight_tablet":"","ocean_menu_typo_font_weight_mobile":"","ocean_menu_typo_transform":"","ocean_menu_typo_transform_tablet":"","ocean_menu_typo_transform_mobile":"","ocean_menu_typo_line_height":0,"ocean_menu_typo_line_height_tablet":0,"ocean_menu_typo_line_height_mobile":0,"ocean_menu_typo_line_height_unit":"","ocean_menu_typo_spacing":0,"ocean_menu_typo_spacing_tablet":0,"ocean_menu_typo_spacing_mobile":0,"ocean_menu_typo_spacing_unit":"","ocean_menu_link_color":"","ocean_menu_link_color_hover":"","ocean_menu_link_color_active":"","ocean_menu_link_background":"","ocean_menu_link_hover_background":"","ocean_menu_link_active_background":"","ocean_menu_social_links_bg":"","ocean_menu_social_hover_links_bg":"","ocean_menu_social_links_color":"","ocean_menu_social_hover_links_color":"","ocean_disable_title":"default","ocean_disable_heading":"default","ocean_post_title":"","ocean_post_subheading":"","ocean_post_title_style":"","ocean_post_title_background_color":"","ocean_post_title_background":0,"ocean_post_title_bg_image_position":"","ocean_post_title_bg_image_attachment":"","ocean_post_title_bg_image_repeat":"","ocean_post_title_bg_image_size":"","ocean_post_title_height":0,"ocean_post_title_bg_overlay":0.5,"ocean_post_title_bg_overlay_color":"","ocean_disable_breadcrumbs":"default","ocean_breadcrumbs_color":"","ocean_breadcrumbs_separator_color":"","ocean_breadcrumbs_links_color":"","ocean_breadcrumbs_links_hover_color":"","ocean_display_footer_widgets":"default","ocean_display_footer_bottom":"default","ocean_custom_footer_template":"","osh_disable_topbar_sticky":"default","osh_disable_header_sticky":"default","osh_sticky_header_style":"default","osh_sticky_header_effect":"","osh_custom_sticky_logo":0,"osh_custom_retina_sticky_logo":0,"osh_custom_sticky_logo_height":0,"osh_background_color":"","osh_links_color":"","osh_links_hover_color":"","osh_links_active_color":"","osh_links_bg_color":"","osh_links_hover_bg_color":"","osh_links_active_bg_color":"","osh_menu_social_links_color":"","osh_menu_social_hover_links_color":"","ocean_post_oembed":"","ocean_post_self_hosted_media":"","ocean_post_video_embed":"","ocean_link_format":"","ocean_link_format_target":"self","ocean_quote_format":"","ocean_quote_format_link":"post","ocean_gallery_link_images":"on","ocean_gallery_id":[],"footnotes":""},"categories":[16],"tags":[],"class_list":["post-2202","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai","entry","has-media"],"yoast_head":"\nPourquoi SearXNG pour une stack IA auto-h\u00e9berg\u00e9e<\/h3>\n\n\n\n
D\u00e9ploiement Docker en 5 minutes<\/h3>\n\n\n\n
docker-compose.yml<\/code> minimal suffit :<\/p>\n\n\n\nservices:\n searxng:\n image: searxng\/searxng:latest\n container_name: searxng\n ports:\n - \"8888:8080\"\n volumes:\n - .\/searxng:\/etc\/searxng\n environment:\n - SEARXNG_BASE_URL=https:\/\/search.mondomaine.fr\n restart: unless-stopped<\/code><\/pre>\n\n\n\n.\/searxng<\/code> contient deux fichiers de configuration : settings.yml<\/code> (moteurs activ\u00e9s, langue par d\u00e9faut, format de sortie) et limiter.toml<\/code> (rate limiting). Pour activer l’API JSON, il faut s’assurer que le format json<\/code> est list\u00e9 dans search.formats<\/code> du fichier settings.yml<\/code> :<\/p>\n\n\n\nsearch:\n formats:\n - html\n - json\n\nserver:\n secret_key: \"une-cl\u00e9-al\u00e9atoire-longue\"\n limiter: true\n\nengines:\n - name: google\n engine: google\n shortcut: g\n - name: duckduckgo\n engine: duckduckgo\n shortcut: ddg\n - name: wikipedia\n engine: wikipedia\n shortcut: wp\n - name: arxiv\n engine: arxiv\n shortcut: ar<\/code><\/pre>\n\n\n\nInterroger SearXNG depuis un agent IA<\/h3>\n\n\n\n
\/search?q=ma+requ\u00eate&format=json<\/code>. Depuis Python, l’int\u00e9gration est directe :<\/p>\n\n\n\nimport requests\n\ndef search_web(query: str, num_results: int = 5) -> list[dict]:\n \"\"\"Recherche web via SearXNG local.\"\"\"\n resp = requests.get(\n \"http:\/\/searxng:8080\/search\",\n params={\"q\": query, \"format\": \"json\", \"pageno\": 1},\n timeout=10,\n )\n resp.raise_for_status()\n results = resp.json().get(\"results\", [])[:num_results]\n return [\n {\"title\": r[\"title\"], \"url\": r[\"url\"], \"content\": r.get(\"content\", \"\")}\n for r in results\n ]<\/code><\/pre>\n\n\n\nInt\u00e9gration dans un pipeline RAG augment\u00e9<\/h3>\n\n\n\n
Exposer SearXNG comme serveur MCP<\/h3>\n\n\n\n
from fastmcp import FastMCP\nimport requests\n\nmcp = FastMCP(\"searxng-search\")\n\n@mcp.tool()\ndef web_search(query: str, max_results: int = 5) -> list[dict]:\n \"\"\"Recherche sur le web via SearXNG auto-h\u00e9berg\u00e9.\"\"\"\n resp = requests.get(\n \"http:\/\/searxng:8080\/search\",\n params={\"q\": query, \"format\": \"json\"},\n timeout=10,\n )\n results = resp.json().get(\"results\", [])[:max_results]\n return [\n {\"title\": r[\"title\"], \"url\": r[\"url\"], \"snippet\": r.get(\"content\", \"\")}\n for r in results\n ]<\/code><\/pre>\n\n\n\nweb_search<\/code> comme un outil natif, sans conna\u00eetre les d\u00e9tails de SearXNG.<\/p>\n\n\n\nS\u00e9curisation et acc\u00e8s via Traefik et Keycloak<\/h3>\n\n\n\n
ForwardAuth<\/code> vers Keycloak pour l’acc\u00e8s humain via navigateur, et le limiter.toml<\/code> int\u00e9gr\u00e9 de SearXNG pour contr\u00f4ler le d\u00e9bit des requ\u00eates API. Pour les appels machine-to-machine (agents IA), une approche courante consiste \u00e0 restreindre l’acc\u00e8s au r\u00e9seau Docker interne et \u00e0 ne pas exposer le port sur l’interface publique.<\/p>\n\n\n\nConfiguration avanc\u00e9e : moteurs et cat\u00e9gories<\/h3>\n\n\n\n
settings.yml<\/code>. On peut aussi d\u00e9finir des cat\u00e9gories personnalis\u00e9es pour que l’agent choisisse le p\u00e9rim\u00e8tre de recherche adapt\u00e9 \u00e0 chaque requ\u00eate.<\/p>\n\n\n\nPositionnement dans la stack<\/h3>\n\n\n\n