Strukturierte Ausgaben und Websuche

Strukturierte Ausgaben und Echtzeitsuche kombinieren

Strukturierte Ausgaben dienen nicht nur statischen Daten. Bei Grok 4 und neueren Modellen – also bei der gesamten aktuellen Produktlinie – können Sie strukturierte Ausgaben mit der Websuche kombinieren. Das Modell durchsucht das Web nach Echtzeitinformationen und strukturiert die Ergebnisse anschließend gemäß Ihrem Schema.

Warum diese Kombination leistungsstark ist

Ohne diese Funktion erfordert die Gewinnung strukturierter Daten aus dem Web drei getrennte Schritte:

1. Aufruf einer Such-API (Google, Bing usw.)
2. Parsen der rohen Ergebnisse
3. Übermittlung der Ergebnisse an das LLM zur Strukturierung

Mit strukturierten Ausgaben plus Websuche geschieht alles in einem einzigen Aufruf. Das Modell sucht, synthetisiert und strukturiert.

Voraussetzungen: Mindestens Grok 4

Diese Funktion ist bei Grok 4 und neueren Modellen verfügbar, was die gesamte aktuelle Produktlinie abdeckt (Grok 4.5, Grok 4.3, grok-4.20-Varianten). Ältere Grok 3 und Grok 3 Mini-Modelle unterstützten die Kombination von Werkzeugen mit strukturierten Ausgaben nicht.

Beispiel: Wettbewerbsanalyse

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}")

Das Modell wird:

1. Nach aktuellen französischen Neobanken im Web suchen
2. Relevante Informationen sammeln
3. Alles gemäß dem VeilleConcurrentielle-Schema strukturieren

Beispiel: Nachrichtenüberwachung

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}")

Best Practices

Präzision im Prompt

Die Websuche funktioniert am besten mit spezifischen Abfragen:

# Zu vage
"What's new in tech?"

# Präzise und umsetzbar
"The 5 largest AI funding rounds in France in Q1 2026"

Schema an verfügbare Daten anpassen

Fordern Sie keine Daten an, die das Web nicht zuverlässig bereitstellen kann:

# Schwer präzise zu finden
class Entreprise(BaseModel):
    chiffre_affaires_exact: float  # selten öffentlich

# Realistisch
class Entreprise(BaseModel):
    chiffre_affaires_estime: str  # "um 50 Mio. €"
    source_estimation: str

Fehlende Daten behandeln

Machen Sie Felder optional, falls sie möglicherweise nicht gefunden werden:

class InfoEntreprise(BaseModel):
    nom: str
    fondateur: str
    annee_creation: int
    valorisation: str | None  # nicht immer verfügbar
    nombre_employes: str | None

Kernaussagen

• Die Kombination aus strukturierten Ausgaben und Websuche erfordert mindestens Grok 4 – die gesamte aktuelle Produktlinie ist kompatibel
• Aktivieren Sie die Websuche mit tools=[{"type": "web_search"}]
• Ein einziger API-Aufruf ersetzt die Kette Suche → Parsen → Strukturierung
• Seien Sie in Ihren Prompts präzise, um bessere Ergebnisse zu erzielen
• Machen Sie Felder optional, wenn die Verfügbarkeit nicht garantiert ist