Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Konfigurer og styre webresultater

Lektion 6 af 20 Opdateret 2. november 2026 Udvikler
På denne side
  1. Konfigurer og styre webresultater
  2. Parameteren search_context_size
  3. Styr søgeforspørgsler via prompten
  4. Uddrag og strukturering af citater
  5. Mønster: Søgning med krydsvalidering
  6. Håndtering af ingen resultater
  7. Websøgning med streaming
  8. Filtrering af domæner og liste over kilder
  9. Vigtige pointer

Lektion opdateret 2. november 2026 baseret på OpenAI-dokumentation: Code Interpreter-værktøjet kræver 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 · Web search.

Konfigurer og styre webresultater

At aktivere websøgning kræver én linje; at få pålidelige svar kræver tre indstillinger, som denne lektion gennemgår. Den første afgør, hvor meget webindhold der injiceres i konteksten, og det påvirker din regning direkte. Den anden styrer de forespørgsler, som modellen selv formulerer – for det er den, der skriver dem, ikke dig. Den tredje vedrører citater; uden dem er et svar med kilder blot en bekraftende udtalelse.

Parameteren search_context_size

Parameteren search_context_size styrer, hvor meget webindhold der injiceres i modellens kontekst. Den ændrer hverken antallet af søgninger eller deres kvalitet: den bestemmer, hvor meget tekst, når siderne er fundet, der faktisk kommer ind i prompten. Dette er en afvejning mellem udtømmende svar og omkostninger, og du bør justere den efter opgavetype, ikke sætte den én gang og glemme den.

from openai import OpenAI

client = OpenAI()

# Minimal kontekst: hurtige, koncise svar
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"
    }]
)

# Mellemstor kontekst: godt kompromis (standard)
response = client.responses.create(
    model="gpt-5.6-terra",
    input="Summarize AI market trends in Europe",
    tools=[{
        "type": "web_search",
        "search_context_size": "medium"
    }]
)

# Stor kontekst: dybdegående analyse
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"
    }]
)

Påvirkning af omkostninger og ventetid

Tommelfingerreglen er enkel: Skru kun op ét trin, hvis svaret du fik konkret skuffede dig. En dato, et tal eller en faktuel bekræftelse behøver ikke mere end low; at bruge high dertil er som at betale for en hel mappe for at læse én linje.

StørrelseKontekst-tokensVentetidOmkostningAnvendelse
lowMinimalHurtigLavEnkle fakta, tal
mediumModeratStandardMellemResuméer, sammenligninger
highMaksimalLangsommereHøjDybdegående analyse

Styr søgeforspørgsler via prompten

Her er det punkt, de fleste opdager for sent: modellen formulerer sine egne søgeforspørgsler. Du skriver „hvad er de seneste regulatoriske ændringer?”, og den oversætter det til nøgleord, du aldrig ser. Kvaliteten af resultatet afhænger derfor af en omformulering, som du kun har indirekte kontrol over – system-prompten. Navngiv de autoritative kilder inden for dit felt og den periode, du er interesseret i: det flytter mest på nålen.

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"
    }]
)

Uddrag og strukturering af citater

Citatater ankommer som annotationer knyttet til svaret, ikke i selve teksten. Denne adskillelse er gode nyheder: den lader dig vise kilder, præcis som du vil, verificere dem eller afvise et svar, der ingen har. I enhver applikation, hvor svaret har vægt – juridisk, medicinsk, finansiel – er det sikrere at behandle manglende annotationer som en fejl end at stole på teksten.

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']}")

Mønster: Søgning med krydsvalidering

En enkelt kilde er stadig kun en enkelt kilde, selv hvis en model fandt den. For information, der driver en beslutning, skal du eksplicit bede om bekræftelse fra flere uafhængige kilder og få modellen til at flagge uenigheder i stedet for stille at arbitere dem: en uenighed mellem to kilder er i sig selv information, ofte mere nyttig end at gennemsnitlige de to.

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"
    }

Håndtering af ingen resultater

Der er ét tilfælde, folk glemmer at håndtere: søgningen returnerer ingenting. Risikoen er ikke manglen på et svar – det er, at modellen i mangel på resultater svarer ud fra sin interne viden uden at signalere det, hvilket giver dig plausible, men forældede oplysninger. Bed den om at sige det eksplicit, og planlæg for omformulering.

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
    }

Websøgning med streaming

En websøgning tager nogle sekunder, nogle gange mere, hvis modellen kæder flere forespørgsler sammen. Med streaming ser brugeren svaret bygge sig op i stedet for at stirre på en indlæsningsindikator – og for denne type ventetid er forskellen i opfattelse enorm til næsten ingen implementeringsomkostning.

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 ---")

Filtrering af domæner og liste over kilder

Værktøjet web_search accepterer en parameter filters, der begrænser søgningen til en liste over tilladte domæner (op til 100) eller ekskluderer en liste (også op til 100). Skriv domæner uden http:// eller https://. Filtrering eksisterer kun med web_search i Responses API: det forældede værktøj web_search_preview ignorerer det.

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)

Indstillingen include=["web_search_call.action.sources"] returnerer den fulde liste over URL’er, der er konsulteret, ofte længere end listen over citater. Selve citaterne ankommer som url_citation-annotationer (URL, titel, position i tekst): OpenAI’s dokumentation beder om, at du viser dem synligt og klikbart i din grænseflade.

Vigtige pointer

  • search_context_size styrer mængden af injiceret webdata
  • filters begrænser eller ekskluderer domæner (maks. 100); include lister alle konsulterede kilder
  • System-prompten guider modellen mod de rigtige kilder
  • Uddrag url_citation-annotationer for at spore kilder
  • Implementer krydsvalidering for kritisk information
  • Håndter manglende resultater med automatisk omformulering