Изходи със структура и уеб търсене
На тази страница
Комбиниране на изходи със структура и търсене в реално време
Изходите със структура не са предназначени само за статични данни. При моделите Grok 4 и по-новите – което обхваща цялата текуща гама – можете да комбинирате структурирани изходи с уеб търсене. Моделът търси информация в уеб в реално време, след което структурира резултатите според Вашата схема.
Защо тази комбинация е мощна
Без тази функция получаването на структурирани данни от уеб изисква три отделни стъпки:
- Извикване на API за търсене (Google, Bing и др.)
- Обработка на суровите резултати
- Изпращане на резултатите към LLM за структуриране
Със структурирани изходи плюс уеб търсене всичко се случва в едно единствено извикване. Моделът търси, синтезира и структурира.
Предпоставки: минимум Grok 4
Тази функция е достъпна за модели Grok 4 и по-нови, което обхваща цялата текуща гама (Grok 4.5, Grok 4.3, варианти на grok-4.20). По-старите модели Grok 3 и Grok 3 Mini не поддържаха комбинирането на инструменти със структурирани изходи.
Пример: Конкурентно разузнаване
from pydantic import BaseModel
class Concurrent(BaseModel):
nom: str
site_web: str
produit_phare: str
avantage_principal: str
class VeilleConcurrentielle(BaseModel):
secteur: str
date_analyse: str
concurrents: list[Concurrent]
tendances: list[str]
opportunites: list[str]
response, parsed = client.chat.parse(
model="grok-4.20-0309-reasoning",
messages=[{
"role": "user",
"content": "Perform competitive intelligence on the French neobank market in 2026"
}],
response_format=VeilleConcurrentielle,
tools=[{"type": "web_search"}]
)
for c in parsed.concurrents:
print(f"{c.nom} — {c.avantage_principal}")
Моделът ще:
- Търси текущи френски необанки в уеб
- Събере съответната информация
- Структурира всичко според схемата
VeilleConcurrentielle
Пример: Следене на новини
class Article(BaseModel):
titre: str
source: str
date: str
resume: str
impact: str
class RevuePresse(BaseModel):
sujet: str
articles: list[Article]
synthese: str
response, parsed = client.chat.parse(
model="grok-4.20-0309-reasoning",
messages=[{
"role": "user",
"content": "What is the latest news on AI regulation in Europe?"
}],
response_format=RevuePresse,
tools=[{"type": "web_search"}]
)
print(parsed.synthese)
for article in parsed.articles:
print(f"[{article.source}] {article.titre}")
Най-добри практики
Бъдете конкретни в подкана
Уеб търсенето работи най-добре с конкретни заявки:
# Твърде неясно
"What's new in tech?"
# Точно и приложимо
"The 5 largest AI funding rounds in France in Q1 2026"
Адаптирайте схемата си към наличните данни
Не искайте данни, които уеб не може да предостави надеждно:
# Трудно се открива точно
class Entreprise(BaseModel):
chiffre_affaires_exact: float # рядко публични
# Реалистично
class Entreprise(BaseModel):
chiffre_affaires_estime: str # "около 50 млн. евро"
source_estimation: str
Обработвайте липсващи данни
Направете полетата незадължителни, ако е възможно да не бъдат открити:
class InfoEntreprise(BaseModel):
nom: str
fondateur: str
annee_creation: int
valorisation: str | None # не винаги е налично
nombre_employes: str | None
Ключови изводи
- Комбинацията от структурирани изходи и уеб търсене изисква поне Grok 4 – цялата текуща гама е съвместима
- Активирайте уеб търсенето с
tools=[{"type": "web_search"}] - Едно единствено API извикване замества веригата търсене → обработка → структуриране
- Бъдете конкретни в подканите си за по-добри резултати
- Направете полетата незадължителни, ако наличността не е гарантирана