Конфигуриране и контрол на резултатите от уеб търсенето
На тази страница
- Конфигуриране и контрол на резултатите от уеб търсенето
- Параметърът search_context_size
- Насочване на заявките за търсене чрез промпта
- Извличане и структуриране на цитати
- Шаблон: търсене с кръстосана валидация
- Обработка на липса на резултати
- Уеб търсене със стрийминг
- Филтриране на домейни и изброяване на източници
- Ключови изводи
Урокът е актуализиран на 2 ноември 2026 г. въз основа на документацията на OpenAI: инструментът Code Interpreter изисква параметър
container(добавен към всички примери), текстовите части за вход са от типinput_text, а уеб търсенето използва инструментаweb_search(web_search_previewвече е остарял инструмент без филтри за домейни). Генерираните файлове се извличат чрез функциитеfichiers_generesиtelechargerот Урок 10. Източници: Code Interpreter · Web search.
Конфигуриране и контрол на резултатите от уеб търсенето
Активирането на уеб търсене отнема един ред код; получаването на надеждни отговори изисква три настройки, които този урок разглежда подробно. Първата определя колко уеб съдържание се инжектира в контекста и това директно влияе върху разходите Ви. Втората насочва заявките, които моделът формулира сам – защото той ги пише, а не Вие. Третата се отнася до цитатите; без тях отговорът с източници е просто едно твърдение.
Параметърът search_context_size
Параметърът search_context_size контролира колко уеб съдържание се инжектира в контекста на модела. Той не променя нито броя на търсенията, нито тяхното качество: той определя колко текст, след като страниците са намерени, всъщност влиза в промпта. Това е баланс между изчерпателност и разходи и трябва да го настройвате според типа задача, а не да го зададете веднъж и да го забравите.
from openai import OpenAI
client = OpenAI()
# Минимален контекст: бързи, кратки отговори
response = client.responses.create(
model="gpt-5.6-terra",
input="What is France's GDP in 2025?",
tools=[{
"type": "web_search",
"search_context_size": "low"
}]
)
# Среден контекст: добър компромис (по подразбиране)
response = client.responses.create(
model="gpt-5.6-terra",
input="Summarize AI market trends in Europe",
tools=[{
"type": "web_search",
"search_context_size": "medium"
}]
)
# Голям контекст: задълбочен анализ
response = client.responses.create(
model="gpt-5.6-terra",
input="Compare AI strategies in France, Germany, and the Netherlands",
tools=[{
"type": "web_search",
"search_context_size": "high"
}]
)
Влияние върху разходите и латентността
Правилото е просто: увеличавайте нивото само когато полученият отговор Ви е разочаровал конкретно. Дата, цифра или фактологично потвърждение не се нуждаят от нищо повече от low; използването на high за това е все едно да платите за цяло досие, за да прочетете един ред.
| Размер | Токени в контекста | Латентност | Разход | Употреба |
|---|---|---|---|---|
low | Минимален | Бърза | Нисък | Прости факти, цифри |
medium | Умерен | Стандартна | Среден | Обобщения, сравнения |
high | Максимален | По-бавна | Висок | Задълбочен анализ |
Насочване на заявките за търсене чрез промпта
Ето точката, която повечето хора откриват твърде късно: моделът формулира собствените си заявки за търсене. Вие пишете „какви са последните регулаторни промени?“, а той ги превръща в ключови думи, които никога не виждате. Качеството на резултатите следователно зависи от преформулиране, над което имате само индиректен контрол – системния промпт. Посочете авторитетните източници във Вашата област и периода, който Ви интересува: това променя най-много нещата.
response = client.responses.create(
model="gpt-5.6-terra",
instructions=(
"You are a market analyst specializing in European technology. "
"When you perform web searches, prioritize institutional sources "
"(European Commission, INSEE, Eurostat) and specialized media "
"(Les Echos, La Tribune, TechCrunch). "
"Ignore personal blogs and forums."
),
input="What is the state of AI startup funding in France?",
tools=[{
"type": "web_search",
"search_context_size": "high"
}]
)
Извличане и структуриране на цитати
Цитатите пристигат като анотации, прикачени към отговора, а не в самия текст. Това разделение е добра новина: то Ви позволява да показвате източниците както пожелаете, да ги проверявате или да отхвърлите отговор, който няма такива. Във всяко приложение, където отговорът има тежест – правно, медицинско, финансово – третирането на липсващи анотации като грешка е по-безопасно от доверието в текста.
def extract_sources(response) -> list[dict]:
"""Extract all URL citations from a Web Search response."""
sources = []
for item in response.output:
if item.type == "message":
for block in item.content:
if hasattr(block, "annotations"):
for ann in block.annotations:
if ann.type == "url_citation":
sources.append({
"url": ann.url,
"title": ann.title,
"excerpt_start": ann.start_index,
"excerpt_end": ann.end_index
})
return sources
# Usage
response = client.responses.create(
model="gpt-5.6-terra",
input="What are the new GDPR rules for AI in 2026?",
tools=[{"type": "web_search"}]
)
sources = extract_sources(response)
for s in sources:
print(f" {s['title']}: {s['url']}")
Шаблон: търсене с кръстосана валидация
Един източник си остава един източник, дори ако моделът го е намерил. За информация, която движи решение, изрично поискайте потвърждение от множество независими източници и накарайте модела да маркира несъответствията, вместо да ги арбитражира мълчаливо: несъгласието между два източника е само по себе си информация, често по-полезна от осредняването на двете.
def validated_search(question: str, min_sources: int = 3) -> dict:
"""Web search requiring multiple sources."""
response = client.responses.create(
model="gpt-5.6-terra",
instructions=(
f"To answer this question, you must find at least "
f"{min_sources} independent sources that confirm the information. "
"If sources contradict each other, flag the discrepancies. "
"Cite each source explicitly."
),
input=question,
tools=[{
"type": "web_search",
"search_context_size": "high"
}]
)
sources = extract_sources(response)
return {
"answer": response.output_text,
"sources": sources,
"reliability": "high" if len(sources) >= min_sources else "verify"
}
Обработка на липса на резултати
Има един случай, който хората забравят да обработят: търсенето не връща нищо. Рискът не е липсата на отговор – рискът е, че при липса на резултати моделът отговаря от вътрешните си знания, без да го сигнализира, предоставяйки Ви правдоподобна, но остаряла информация. Поискайте от него да го каже изрично и планирайте преформулиране.
def search_with_fallback(question: str) -> dict:
"""Web search with failure detection and reformulation."""
# First attempt
response = client.responses.create(
model="gpt-5.6-terra",
input=question,
tools=[{"type": "web_search"}]
)
sources = extract_sources(response)
if len(sources) == 0:
# Automatic reformulation
response = client.responses.create(
model="gpt-5.6-terra",
input=f"Rephrase this question for a more effective web search, "
f"then search: {question}",
tools=[{"type": "web_search", "search_context_size": "high"}]
)
sources = extract_sources(response)
return {
"answer": response.output_text,
"sources": sources
}
Уеб търсене със стрийминг
Уеб търсенето отнема няколко секунди, понякога повече, ако моделът верижно изпълни няколко заявки. При стрийминг потребителят вижда как отговорът се изгражда, вместо да гледа индикатор за зареждане – а за този вид латентност разликата във възприятието е огромна при почти нулеви разходи за внедряване.
stream = client.responses.create(
model="gpt-5.6-terra",
input="What are this week's tech news headlines?",
tools=[{"type": "web_search"}],
stream=True
)
for event in stream:
if event.type == "response.output_text.delta":
print(event.delta, end="", flush=True)
elif event.type == "response.completed":
# Extract sources at the end
sources = extract_sources(event.response)
print(f"\n\n--- {len(sources)} sources consulted ---")
Филтриране на домейни и изброяване на източници
Инструментът web_search приема параметър filters, който ограничава търсенето до списък с разрешени домейни (до 100) или изключва списък (също до 100). Записвайте домейните без http:// или https://. Филтрирането съществува само с web_search в Responses API: остарелият инструмент web_search_preview го игнорира.
response = client.responses.create(
model="gpt-5.6-terra",
tools=[{
"type": "web_search",
"filters": {"allowed_domains": ["service-public.fr", "legifrance.gouv.fr"]},
}],
include=["web_search_call.action.sources"],
input="What are the price display requirements for retail stores in France?",
)
print(response.output_text)
Опцията include=["web_search_call.action.sources"] връща пълния списък с консултирани URL адреси, който често е по-дълъг от списъка с цитати. Самите цитати пристигат като анотации url_citation (URL, заглавие, позиция в текста): документацията на OpenAI изисква да ги показвате видимо и кликаемо във Вашия интерфейс.
Ключови изводи
search_context_sizeконтролира обема на инжектираните уеб данниfiltersограничава или изключва домейни (макс. 100);includeизброява всички консултирани източници- Системният промпт насочва модела към правилните източници
- Извлечете анотациите
url_citation, за да проследите източниците - Внедрете кръстосана валидация за критична информация
- Обработвайте липсващи резултати с автоматично преформулиране