Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Web Search API: Websøgning via programmering

Lektion 5 af 20 Opdateret 2. november 2026 Udvikler
På denne side
  1. Web Search API: Websøgning via programmering
  2. Aktivering af Web Search
  3. Responsstruktur
  4. Brugerkontekst for relevans
  5. Kombinér Web Search med brugerdefinerede funktioner
  6. Anvendelsescases i produktion
  7. Kendte begrænsninger
  8. Vigtige pointer

Lektion opdateret 2. november 2026 baseret på OpenAI-dokumentation: Code Interpreter-værktøjet kræver nu en container-parameter (tilføjet til alle eksempler), inputtekstdelene er af typen input_text, og websøgning bruger værktøjet web_search (web_search_preview er nu et forældet værktøj uden domænefiltre). Genererede filer hentes ved hjælp af funktionerne fichiers_generes og telecharger fra lektion 10. Kilder: Code Interpreter · Websøgning.

Web Search API: Websøgning via programmering

Værktøjet Web Search giver modellen mulighed for at udføre websøgninger i realtid direkte fra Responses API. Du behøver ikke længere integrere en tredjeparts søge-API: modellen formulerer forespørgslen, udfører søgningen og sammenfatter resultaterne.

Aktiveringen kræver kun én linje, hvilket maskerer et fundamentalt skift: din applikation er ikke længere begrænset af modellens videnscutoff. Spørgsmål om gårsdagens begivenheder, aktuelle priser eller nyeste regulativer kan besvares uden at integrere eller betale for en tredjeparts søgemaskine.

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)

Modellen beslutter selv, hvornår den skal søge, og dette punkt fortjener opmærksomhed: den søger ikke systematisk. For spørgsmål, som den mener falder inden for dens eksisterende viden, svarer den direkte – hurtigere og billigere, men med risikoen for at præsentere forældede informationer med samme sikkerhed. Når aktualitet er afgørende, skal du angive dette eksplicit i din prompt i stedet for at håbe på, at modellen gætter rigtigt.

Responsstruktur

Kilder ankommer som annotationer knyttet til svaret, adskilt fra selve teksten. Dette giver dig mulighed for at vise dem, som du ønsker, verificere dem eller flagge ethvert svar som mistænkeligt, der mangler kilder, når emnet kræver det.

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

# Sammenfattet tekst
print(response.output_text)

# Undersøg kilder
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}")

Brugerkontekst for relevans

Placering påvirker resultaterne mere, end du måske tror, og ikke kun for åbenlyst lokale søgninger. Spørgsmål om beskatning, prissætning, tilgængelighed eller juridiske forpligtelser giver forskellige svar afhængigt af landet: uden user_location defaulter modellen til en kontekst, der ofte er US-centreret.

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"
        }
    }]
)

Parameteren user_location accepterer flere præcisionsniveauer:

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

Kombinér Web Search med brugerdefinerede funktioner

Den mest produktive kombination følger altid det samme mønster: nettet bringer ekstern information, dine funktioner leverer intern kontekst, og modellen forbinder prikkerne. Det er i denne forbindelse, værdien ligger – hverken søgningen eller dine data alene besvarer spørgsmålet „påvirker dette os?”.

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
)

Anvendelsescases i produktion

Automatiseret konkurrenceintelligence

def veille_quotidienne(entreprises: list[str]):
    """Starter webovervågning for hver konkurrent."""
    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

Fact-checking

def verifier_affirmation(affirmation: str) -> dict:
    """Verificerer en påstand ved at krydsreferere flere webkilder."""
    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"}]
    )

    # Uddrag citationer
    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
    }

Kendte begrænsninger

  • Modellen finder måske ikke relevante resultater for meget nicheprægede emner
  • Resultaterne afhænger af webindekseringen på tidspunktet for forespørgslen
  • Antallet af søgninger per kald er begrænset: modellen optimerer ved at formulere præcise forespørgsler
  • Indhold bag paywalls eller login-skærme er utilgængeligt

Vigtige pointer

  • Tilføj web_search på én linje inden for tools
  • Modellen beslutter selvstændigt, hvornår den skal søge på nettet
  • user_location forbedrer relevansen for lokale resultater
  • Annotationer af typen url_citation leverer kilder
  • Kombinér Web Search med dine egne funktioner for at automatisere overvågning