Strukturerede outputs og websøgning
På denne side
Kombiner strukturerede outputs og søgning i realtid
Strukturerede outputs handler ikke kun om statiske data. På Grok 4 og nyere modeller – hvilket dækker hele den nuværende portefølje – kan du kombinere strukturerede outputs med websøgning. Modellen søger på nettet efter information i realtid og strukturerer derefter resultaterne i henhold til dit skema.
Hvorfor denne kombination er kraftfuld
Uden denne funktion kræver indhentning af strukturerede data fra webbet tre separate trin:
- Kald en søge-API (Google, Bing osv.)
- Pars de rå resultater
- Send resultaterne til LLM’en til strukturering
Med strukturerede outputs + websøgning sker alt i ét enkelt kald. Modellen søger, syntetiserer og strukturerer.
Forudsætninger: Mindst Grok 4
Denne funktion er tilgængelig på Grok 4 og nyere modeller, hvilket dækker hele den nuværende portefølje (Grok 4.5, Grok 4.3, grok-4.20-varianter). Ældre Grok 3- og Grok 3 Mini-modeller understøttede ikke kombinationen af værktøjer med strukturerede outputs.
Eksempel: Konkurrentanalyse
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}")
Modellen vil:
- Søge efter aktuelle franske neobanker på nettet
- Indsamle relevant information
- Strukturere alt i henhold til
VeilleConcurrentielle-skemaet
Eksempel: Nyhedsovervågning
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}")
Bedste praksis
Vær specifik i prompten
Websøgning fungerer bedst med specifikke forespørgsler:
# For vagt
"What's new in tech?"
# Præcist og handlingsorienteret
"The 5 largest AI funding rounds in France in Q1 2026"
Tilpas dit skema til tilgængelige data
Bed ikke om data, som nettet ikke kan levere pålideligt:
# Svært at finde præcist
class Entreprise(BaseModel):
chiffre_affaires_exact: float # sjældent offentligt
# Realistisk
class Entreprise(BaseModel):
chiffre_affaires_estime: str # "omkring 50 mio. €"
source_estimation: str
Håndter manglende data
Gør felter valgfrie, hvis de måske ikke kan findes:
class InfoEntreprise(BaseModel):
nom: str
fondateur: str
annee_creation: int
valorisation: str | None # ikke altid tilgængelig
nombre_employes: str | None
Vigtige pointer
- Kombinationen af strukturerede outputs og websøgning kræver mindst Grok 4 – hele den nuværende portefølje er kompatibel
- Aktiver websøgning med
tools=[{"type": "web_search"}] - Et enkelt API-kald erstatter kæden: søgning → parsing → strukturering
- Vær specifik i dine prompts for at opnå bedre resultater
- Gør felter valgfrie, hvis tilgængeligheden ikke er garanteret