web_search-værktøjet: Realtidssøgning på internettet
På denne side
Mistrals fire indbyggede værktøjer
Denne lektion indleder afsnittet om indbyggede værktøjer. Før vi dykker ned i det første, skal du tage et øjeblik til at få overblikket over de fire værktøjer, der er tilgængelige i Agents API, og hvilke behov de dækker.
| Værktøj | Type | Beskrivelse | Anvendelsestilfælde |
|---|---|---|---|
| Web Search | web_search | Realtidssøgning på internettet | Nyheder, overvågning, faktatjek |
| Code Interpreter | code_interpreter | Sandboxet Python-kodeeksekvering | Beregninger, dataanalyse, diagrammer |
| Image Generation | image_generation | Tekst-til-billede-generering | Illustrationer, mockups, kreativt arbejde |
| Document Library | document_library | RAG på uploadede dokumenter | Fil-spørgsmål og svar, udtræk, opsummering |
Disse værktøjer kører i Mistrals cloud-miljø – du behøver ikke administrere nogen infrastruktur selv. Dette er en fundamental forskel fra klassisk funktionskald, hvor du håndterer eksekveringen: Her definerer du en kapacitet, og udbyderen står for sandboxen, afhængighederne og skaleringen.
Web Search i detaljer
Værktøjet web_search lader din agent søge efter information på internettet i realtid. Det er det mest anvendte værktøj, fordi det løser et fundamentalt problem for LLM’er: det tidsmæssige gab til virkeligheden. En model ved ingenting om begivenheder, der er indtruffet efter dens træning, og den ved ikke engang, at den ikke ved det – hvilket fører til selvsikre svar baseret på et forældet verdensbillede.
Konfiguration af en agent med dette værktøj kræver blot få linjer.
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="Web Search Agent",
instructions="You perform web searches to answer questions. Always cite your sources.",
tools=[{"type": "web_search"}],
completion_args={"temperature": 0.3, "top_p": 0.95}
)
Udførelse af en søgning
Du spørger denne agent, som du ville gøre med enhver anden: Beslutningen om at søge tilhører agenten.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Who won the most recent European Football Championship?"
)
Bag dette ene kald ligger en hel kæde af begivenheder. Agenten analyserer først spørgsmålet for at afgøre, om dens egen viden er tilstrækkelig – her implicerer ordet „most recent” dateret information, så det er den ikke. Derefter formulerer den en optimeret søgeforespørgsel, der ofte adskiller sig fra din sætning og er renset for konversationel fyld. Den udfører søgningen og syntetiserer derefter resultaterne med tilhørende kildehenvisninger. Du styrer ikke nogen af disse trin, men du kan se dem alle i svaret.
Responsens anatomi
Svaret indeholder flere sekventielle poster, som du skal iterere igennem i rækkefølge.
for entry in response.outputs:
print(f"--- {entry.type} ---")
if entry.type == "tool.execution":
# Detaljer om den udførte søgning
print(f"Tool: {entry.tool_name}")
elif entry.type == "message.output":
# Svar med kildehenvisninger
for chunk in entry.content:
if chunk.type == "text":
print(chunk.text)
elif chunk.type == "tool_reference":
print(f"[Source] {chunk.title} — {chunk.url}")
Du vil først se en tool.execution-post, som indeholder operationens metadata, herunder den faktiske forespørgsel sendt til søgemaskinen. Dette er stedet at kigge, hvis et svar virker irrelevant, da du ofte vil se, at omformuleringen er løbet løbsk. message.output-posten indeholder derefter det syntetiserede svar, opdelt i text- og tool_reference-stykker – heraf den indlejrede løkke i koden ovenfor.
Brug af direkte tilstand (uden en agent)
Værktøjet fungerer også uden en registreret agent, hvilket er praktisk til hurtig test.
response = client.beta.conversations.start(
model="mistral-large-latest",
inputs=[{"role": "user", "content": "Latest news on Mistral AI"}],
tools=[{"type": "web_search"}]
)
Bedste praksis, der gør forskellen
Start med at stille præcise spørgsmål. Agenten transformerer dit spørgsmål til en søgeforespørgsel: „fortæl mig om AI” vil give generiske resultater, mens „hvilke europæiske AI-reguleringer blev vedtaget i 2026?” straks målretter mod handlingsorienterede sider. Denne regel gælder også for spørgsmål, dine brugere stiller: Hvis din grænseflade tillader vague forespørgsler, så inkluder et trin i dine instrukser om omformulering eller afklarende spørgsmål.
Kontrollér derefter temperaturen. Til faktuelle opgaver reducerer en lav værdi – mellem 0,2 og 0,4 – hallucinationer under syntetiseringen af resultater. Søgningen leverer råmaterialet, men modellen skriver stadig teksten, og intet forhindrer den i at fylde huller ud, hvis den får for meget frihed.
Verificér til sidst kilderne. Kildehenvisninger er automatiske, men deres relevans varierer: Et forumindlæg og en officiel tekst ser ens ud i en referenceliste. I kritiske sammenhænge bør du åbne de returnerede URL’er, før du adopterer informationen – og eksponér dem for dine brugere, så de kan gøre det samme.
Vigtige pointer
web_searchgiver agenten realtidsadgang til internettet- Svar inkluderer automatiske kildehenvisninger (titel + URL)
web_search_premiumtilføjer verificerede nyhedskilder- Værktøjet fungerer med eller uden en agent (direkte tilstand er mulig)
- Lav temperatur anbefales til faktuelle opgaver