Agent med websøgning
På denne side
Giv din agent adgang til nettet
En LLM uden internetadgang er begrænset til sine træningsdata. Spørger du den om en lovtekst vedtaget sidste måned, vil den enten hævde uvidenhed eller – værre endnu – svare ud fra sin lagrede verdensforståelse uden at flagge, at oplysningerne er forældede. Ved at aktivere værktøjet web_search på din agent giver du den mulighed for at finde information i realtid og citere sine kilder, hvilket forbedrer både aktualiteten og verificerbarheden af dens svar.
Opret en agent med websøgning
Aktiveringen kræver blot én konfigurationslinje, men instrukserne afgør outputkvaliteten. Eksemplet nedenfor håndhæver streng disciplin: søg systematisk, angiv URLs, datér fundene og flag modsigelser mellem kilderne.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
agent = client.beta.agents.create(
model="mistral-medium-latest",
name="News Agent",
instructions="""You are a news analyst.
- Use web search for every question
- Always cite your sources with URLs
- Specify the date of the information found
- If results are contradictory, mention it""",
tools=[{"type": "web_search"}],
completion_args={"temperature": 0.3, "top_p": 0.95}
)
Den sidste instruktion er den mest værdifulde i praksis. Uden den kan en model, der står over for to afvigende tal, vælge det ene og præsentere sin syntese som en etableret kendsgerning. En lav temperatur komplementerer denne opsætning ved at reducere hallucinationer, når resultaterne omformuleres.
Værktøjet web_search giver adgang til en standard søgemaskine. Til verificerede nyhedskilder skal du bruge web_search_premium:
tools=[{"type": "web_search_premium"}]
Brug agenten
Kaldet adskiller sig ikke fra en agent uden værktøjer: du udløser ikke søgningen; agenten beslutter selv, hvornår det er nødvendigt.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="What are the latest developments in AI regulation in Europe?"
)
Forstå responsstrukturen
Ændringen er tydeligst, når du læser svaret. En agent med websøgning returnerer flere typer poster. Kode, der blot læser den første post, vil vise søgemetadata i stedet for den forventede tekst.
for entry in response.outputs:
if entry.type == "tool.execution":
# Web search metadata
print(f"Tool used: {entry.tool_name}")
print(f"Search query: {entry.info}")
elif entry.type == "message.output":
# Agent response with citations
for chunk in entry.content:
if chunk.type == "text":
print(chunk.text)
elif chunk.type == "tool_reference":
print(f" Source: {chunk.title} — {chunk.url}")
Bemærk den indlejrede løkke: indholdet af en message.output er ikke én enkelt streng, men en sekvens af bidder, der skifter mellem tekstfragmenter og referencer. Hver sektion af svaret kan således indeholde tool_reference-objekter med tre felter:
tool– Navnet på kildeværktøjet (web_search)title– Titlen på den citerede websideurl– Reference-URL
Dette er en stor fordel: din agent svarer ikke bare; den beviser sine påstande med verificerbare kilder. I en grænseflade bliver disse felter til klikbare links placeret det rigtige sted i teksten, så brugere kan spore hver påstand tilbage til dens oprindelse.
Hvad søgning muliggør
Start med overvågning. En agent, hvis instrukser definerer outputformatet, omdanner et åbent spørgsmål til en regelmæssig, sammenlignelig ugentlig syntese.
agent = client.beta.agents.create(
model="mistral-large-latest",
name="Tech Watch",
instructions="Conduct technology monitoring. Summarize the 5 most important news items on the requested topic.",
tools=[{"type": "web_search"}]
)
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Monitoring on AI agents — last 2 weeks"
)
Faktatjek kommer derefter, hvor instrukserne tager form af en eksplicit procedure. Agenten behøver ikke beslutte en metode; metoden er dikteret, hvilket gør outputtet forudsigeligt.
agent = client.beta.agents.create(
model="mistral-large-latest",
name="Fact Checker",
instructions="""Verify the following claims.
For each claim:
1. Search for reliable sources
2. Indicate if it is true, false, or partially true
3. Cite your sources""",
tools=[{"type": "web_search"}]
)
Sammenligning afrunder serien: her bærer selve spørgsmålet beslutningskriterierne. Jo mere du specificerer de faktiske begrænsninger – teknologi, volumen – desto mere målrettede bliver de udløste søgninger.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Compare cloud offerings from OVH, Scaleway, and AWS for hosting a Python application with 10K users/day."
)
web_search vs. web_search_premium
| Aspekt | web_search | web_search_premium |
|---|---|---|
| Motor | Standardsøgning | Avanceret søgning |
| Kilder | Generelt web | Verificerede nyhedsudbydere |
| Omkostninger | Inkluderet | Ekstra omkostning |
| Anvendelse | Generel information | Pålidelige nyheder |
I de fleste brugsscenarier er web_search tilstrækkeligt. Reserver web_search_premium til applikationer, hvor kildepålidelighed er kritisk (journalistik, compliance, regulatorisk overvågning). Ræsonnementet bør ikke være „hvilken mulighed er bedst”, men „hvad koster en tvivlsom kilde i min kontekst”: for en intern nyhedsoversigt er det nul; for en note indsendt til en tilsynsmyndighed er det ikke.
Vigtige pointer
- Værktøjet
web_searchlader agenten søge på internettet i realtid - Svar inkluderer citationer med kildens titel og URL
web_search_premiumtilbyder verificerede nyhedskilder mod en ekstra omkostning- Lav temperatur (0,3) anbefales til faktuelle opgaver, der involverer søgning
- Agenten beslutter automatisk, hvornår og hvordan websøgning skal bruges