Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Web Search API: Vyhledávání na webu pomocí kódu

Lekce 5 z 20 Aktualizováno 2. listopadu 2026 Vývojář
Na této stránce
  1. Web Search API: Vyhledávání na webu pomocí kódu
  2. Aktivace vyhledávání na webu
  3. Struktura odpovědi
  4. Kontext uživatele pro relevanci
  5. Kombinace vyhledávání na webu s vlastními funkcemi
  6. Příklady použití v produkci
  7. Známá omezení
  8. Klíčové poznatky

Lekce aktualizována 2. listopadu 2026 na základě dokumentace OpenAI: nástroj Code Interpreter nyní vyžaduje parametr container (přidán do všech příkladů), části vstupního textu jsou typu input_text a vyhledávání na webu využívá nástroj web_search (web_search_preview je nyní zastaralý nástroj bez filtrů domén). Vygenerované soubory se získávají pomocí funkcí fichiers_generes a telecharger z Lekce 10. Zdroje: Code Interpreter · Web search.

Web Search API: Vyhledávání na webu pomocí kódu

Nástroj Web Search umožňuje modelu provádět vyhledávání na webu v reálném čase přímo prostřednictvím Responses API. Už nemusíš integrovat vyhledávací API třetí strany: model sám formulovat dotaz, provede hledání a syntetizuje výsledky.

Aktivace vyhledávání na webu

Aktivace zabere jen jeden řádek, což maskuje zásadní změnu: tvá aplikace již není omezena datem ukončení tréninku modelu. Otázky na včerejší události, aktuální ceny nebo nedávné předpisy se stávají zodpověditelnými bez nutnosti integrovat nebo platit za vyhledávač třetí strany.

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-terra",
    input="What are the latest Ligue 1 results?",
    tools=[{"type": "web_search"}]
)

print(response.output_text)

Model se sám rozhoduje, kdy má vyhledávat, a tento bod si zaslouží pozornost: nevyhledává systematicky. U otázek, o kterých se domnívá, že spadají do jeho stávajících znalostí, odpoví přímo – rychleji a levněji, ale s rizikem, že s toutéž jistotou předloží zastaralé informace. Když je aktuálnost kritická, uveď to v promptu explicitně, místo abys doufal, že model správně uhodne.

Struktura odpovědi

Zdroje přicházejí jako anotace připojené k odpovědi, oddělené od textu. To ti umožňuje zobrazit je způsobem, který ti vyhovuje, ověřit je nebo označit za podezřelou jakoukoli odpověď, která postrádá zdroje, pokud to téma vyžaduje.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="What is the current stock price of LVMH?",
    tools=[{"type": "web_search"}]
)

# Syntetizovaný text
print(response.output_text)

# Prozkoumání zdrojů
for item in response.output:
    if hasattr(item, "content"):
        for block in item.content:
            if hasattr(block, "annotations"):
                for annotation in block.annotations:
                    if annotation.type == "url_citation":
                        print(f"Source: {annotation.url}")
                        print(f"Title : {annotation.title}")

Kontext uživatele pro relevanci

Poloha ovlivňuje výsledky více, než bys možná čekal, a to nejen u zjevně lokálních vyhledávání. Otázky týkající se zdanění, cen, dostupnosti nebo právních povinností přinášejí různé odpovědi v závislosti na zemi: bez parametru user_location model implicitně používá kontext, který je často zaměřený na USA.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Which Japanese restaurant is open tonight?",
    tools=[{
        "type": "web_search",
        "user_location": {
            "type": "approximate",
            "city": "Paris",
            "country": "FR"
        }
    }]
)

Parametr user_location přijímá několik úrovní přesnosti:

# Přibližná poloha
"user_location": {
    "type": "approximate",
    "city": "Lyon",
    "region": "Auvergne-Rhone-Alpes",
    "country": "FR"
}

Kombinace vyhledávání na webu s vlastními funkcemi

Nejproduktivnější kombinace vždy následuje stejný vzor: web přináší externí informace, tvé funkce poskytují interní kontext a model spojuje souvislosti. Právě v tomto propojení spočívá hodnota – ani samotné hledání, ani tvá data samostatně neodpoví na otázku „ovlivní nás tato změna?“.

tools = [
    {"type": "web_search"},
    {
        "type": "function",
        "name": "sauvegarder_veille",
        "description": "Save a monitoring result to the database",
        "parameters": {
            "type": "object",
            "properties": {
                "titre": {"type": "string"},
                "resume": {"type": "string"},
                "url_source": {"type": "string"},
                "categorie": {
                    "type": "string",
                    "enum": ["concurrent", "marche", "reglementation", "technologie"]
                }
            },
            "required": ["titre", "resume", "categorie"],
            "additionalProperties": False
        },
        "strict": True
    }
]

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Search for the latest news on AI regulation in Europe "
          "and save important results",
    tools=tools
)

Příklady použití v produkci

Automatizovaný konkurenční průzkum

def veille_quotidienne(entreprises: list[str]):
    """Spustí monitorování webu pro každého konkurenta."""
    resultats = []
    for entreprise in entreprises:
        response = client.responses.create(
            model="gpt-5.6-terra",
            input=f"What is the latest news about {entreprise}? "
                  "Focus on product announcements, funding rounds, "
                  "and partnerships from the last 7 days.",
            tools=[{"type": "web_search"}]
        )
        resultats.append({
            "entreprise": entreprise,
            "synthese": response.output_text
        })
    return resultats

Ověřování faktů

def verifier_affirmation(affirmation: str) -> dict:
    """Ověří tvrzení křížovou kontrolou více webových zdrojů."""
    response = client.responses.create(
        model="gpt-5.6-terra",
        input=f"Verify this claim by searching for reliable sources: "
              f"'{affirmation}'. State whether it is true, false, or uncertain, "
              f"including the sources supporting your conclusion.",
        tools=[{"type": "web_search"}]
    )

    # Extrakce citací
    sources = []
    for item in response.output:
        if hasattr(item, "content"):
            for block in item.content:
                if hasattr(block, "annotations"):
                    for ann in block.annotations:
                        if ann.type == "url_citation":
                            sources.append(ann.url)

    return {
        "analyse": response.output_text,
        "nombre_sources": len(sources),
        "sources": sources
    }

Známá omezení

  • Model nemusí najít relevantní výsledky pro velmi úzká témata
  • Výsledky závisí na indexaci webu v okamžiku požadavku
  • Počet vyhledávání na jeden volání je omezený: model optimalizuje formulací přesných dotazů
  • Obsah za paywally nebo přihlašovacími obrazovkami je nepřístupný

Klíčové poznatky

  • Přidej web_search jedním řádkem do tools
  • Model se autonomně rozhoduje, kdy vyhledat na webu
  • user_location zlepšuje relevanci pro lokální výsledky
  • Anotace url_citation poskytují zdroje
  • Zkombinuj Web Search se svými funkcemi pro automatizaci monitoringu