Kombination af web og X: Avancerede strategier
På denne side
Orkestrering af de to søgemaskiner
Du har nu styr på web_search og x_search hver for sig. Grok API’s virkelige kraft kommer til syne, når du kombinerer dem strategisk. Denne lektion viser dig, hvordan du orkestrerer begge værktøjer til at opbygge sofistikerede informationspipelines, samtidig med at du holder omkostninger og begrænsninger i skak.
Strategi 1: Komplementaritet mellem fakta og reaktioner
Den mest naturlige kombination bruger webbet til fakta og X til reaktioner. Modellen vælger det passende værktøj baseret på arten af den ønskede information:
response = client.responses.create(
model="grok-4.5",
input="""Analyser den seneste annoncering af den europæiske AI-lov.
DEL 1 (websøgning):
- Det nøjagtige indhold af den nye forordning
- Ikrafttrædelsesdatoer og forpligtelser
- Berørte virksomheder og sektorer
DEL 2 (X-søgning):
- Reaktioner fra tech-virksomheder
- Ekspertkritik og støtte
- Oplevet påvirkning af fællesskabet
SYNTES: Konvergens og divergens
mellem officielle fakta og offentlig opfattelse.""",
tools=[
{"type": "web_search"},
{"type": "x_search"}
]
)
Strategi 2: Krydsvalidering
Brug begge kilder til at validere information. Hvis webbet og X konvergerer, øges tilliden:
response = client.responses.create(
model="grok-4.5",
input="""Jeg hører, at [Virksomhed X] forbereder
massive fyringer.
Verificer denne information:
1. Websøgning: presseartikler, pressemeddelelser
2. X-søgning: medarbejderopslag, insiders
Vurdér troværdigheden (1-10) ved at krydsreferere kilderne.
Angiv eksplicit, om begge kanaler konvergerer.""",
tools=[
{"type": "web_search"},
{"type": "x_search"}
]
)
Strategi 3: Sekventiel pipeline
Nogle gange er det mere effektivt at lave to separate kald end ét kombineret kald. Dette giver dig større kontrol over parametrene for hver søgning:
# Trin 1: Web-indsamling med streng filtrering
web_result = client.responses.create(
model="grok-4.5",
input="Seneste fremskridt inden for kvantecomputing",
tools=[{
"type": "web_search",
"allowed_domains": ["arxiv.org", "nature.com", "science.org"]
}]
)
# Trin 2: X-reaktioner filtreret efter handles
x_result = client.responses.create(
model="grok-4.5",
input=f"""Under hensyntagen til disse fremskridt:
{web_result.output_text[:500]}
Hvad er forskernes reaktioner på X?""",
tools=[{
"type": "x_search",
"allowed_x_handles": [
"PeterShor_MIT",
"ScottAaronson"
]
}]
)
Håndtering af omkostninger
Hver tool-invokation koster $0,005, uanset antallet af resultater. Når modellen bruger begge værktøjer i samme kald, fordobles omkostningen. Hvis modellen kalder et værktøj flere gange (f.eks. to successive websøgninger for at forfine), faktureres hvert kald:
# Minimumsomkostning: 1 værktøj x 1 invokation = $0,005
tools=[{"type": "web_search"}]
# Potentiel omkostning: 2 værktøjer = mindst $0,01
# Men modellen kan invokere hvert værktøj
# flere gange, hvis det er nødvendigt
tools=[
{"type": "web_search"},
{"type": "x_search"}
]
Optimering af kvalitet/omkostnings-forhold
- Kombinér kun ved behov: Hvis spørgsmålet er rent faktuel, er
web_searchalene tilstrækkeligt. - Filtrér på forhånd: Parametre for domæner og handles reducerer støj og forbedrer relevansen uden ekstra omkostninger.
- Brug den sekventielle pipeline til komplekse analyser: Det første trin informerer det andet, hvilket reducerer unødvendige søgninger.
Håndtering af API-begrænsninger
Parameterbegrænsninger
Hvert værktøj har sine egne begrænsninger. Bland dem ikke:
web_search:allowed_domainsELLERexcluded_domains(maks. 5 af hver)x_search:allowed_x_handlesELLERexcluded_x_handles(maks. 10 af hver) +from_date/to_date
Ikke-deterministisk adfærd
Modellen beslutter autonomt, hvornår og hvor mange gange den skal bruge hvert værktøj. To identiske anmodninger kan give forskellige søgemønstre. Hvis reproducerbarhed er afgørende, skal du bruge den sekventielle pipeline med målrettede anmodninger.
Latens
Anmodninger med to værktøjer er langsommere. Planlæg for passende timeouts i dine applikationer, især hvis billede- eller videoanalyse er aktiveret.
Praktisk øvelse
Implementér alle tre strategier (komplementaritet, krydsvalidering, sekventiel pipeline) på samme aktuelle emne. Sammenlign resultatkvalitet, svartid og samlede omkostninger for hver tilgang. Identificér hvilken strategi, der passer bedst til dit brugstilfælde.
Vigtige pointer
- To værktøjer i samme kald: Modellen vælger automatisk, hvilket der skal bruges.
- Den komplementære strategi (web = fakta, X = reaktioner) er den mest almindelige.
- Krydsvalidering styrker tilliden til informationen.
- Den sekventielle pipeline giver mere kontrol over parametre.
- Hver tool-invokation koster $0,005, uanset antallet af resultater.
- Optimér omkostninger ved kun at kombinere, når begge kilder tilfører distinkt værdi.