web_search-Tool: Echtzeit-Internet-Suche

Die vier eingebaute Tools von Mistral

Diese Lektion leitet den Abschnitt zu den eingebauten Tools ein. Bevor Sie sich mit dem ersten Tool befassen, nehmen Sie sich einen Moment Zeit, um die vier verfügbaren Tools der Agents API und die Bedürfnisse, die sie abdecken, im Überblick zu betrachten.

Diese Tools laufen in der Cloud-Umgebung von Mistral – Sie müssen keine Infrastruktur verwalten. Dies ist ein grundlegender Unterschied zum klassischen Funktionsaufruf (function calling), bei dem Sie die Ausführung selbst steuern: Hier deklarieren Sie lediglich eine Fähigkeit, und der Anbieter übernimmt die Sandbox, Abhängigkeiten und Skalierung.

Web-Suche im Detail

Das web_search-Tool ermöglicht es Ihrem Agenten, Informationen im Internet in Echtzeit zu suchen. Es ist das am weitesten verbreitete Tool, da es ein grundlegendes Problem von LLMs löst: die zeitliche Lücke zur Realität. Ein Modell weiß nichts über Ereignisse, die nach seinem Training stattgefunden haben, und es weiß auch nicht, dass es diese Lücke hat – was zu selbstbewussten Antworten auf Basis einer veralteten Weltsicht führt.

Die Konfiguration eines Agenten mit diesem Tool erfordert nur wenige Zeilen Code.

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="Sie führen Websuchen durch, um Fragen zu beantworten. Zitieren Sie stets Ihre Quellen.",
    tools=[{"type": "web_search"}],
    completion_args={"temperature": 0.3, "top_p": 0.95}
)

Eine Suche durchführen

Sie fragen diesen Agenten wie jeden anderen ab: Die Entscheidung, eine Suche durchzuführen, liegt beim Agenten.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Wer hat das jüngste Europameisterschaft im Fußball gewonnen?"
)

Hinter diesem einzelnen Aufruf verbirgt sich eine ganze Kette von Ereignissen. Der Agent analysiert zunächst die Frage, um zu bestimmen, ob sein eigenes Wissen ausreicht – hier impliziert das Wort „jüngste” zeitgebundene Informationen, sodass dies nicht der Fall ist. Anschließend formuliert er eine optimierte Suchanfrage, die sich oft von Ihrem Satz unterscheidet und konversationsbezogene Formulierungen entfernt. Er führt die Suche aus und synthetisiert die Ergebnisse anschließend mit angehängten Zitaten. Sie haben keine Kontrolle über diese Schritte, können aber alle in der Antwort einsehen.

Anatomie der Antwort

Die Antwort enthält mehrere sequenzielle Einträge, die Sie in der richtigen Reihenfolge durchlaufen müssen.

for entry in response.outputs:
    print(f"--- {entry.type} ---")

    if entry.type == "tool.execution":
        # Details der durchgeführten Suche
        print(f"Tool: {entry.tool_name}")

    elif entry.type == "message.output":
        # Antwort mit Zitaten
        for chunk in entry.content:
            if chunk.type == "text":
                print(chunk.text)
            elif chunk.type == "tool_reference":
                print(f"[Quelle] {chunk.title} — {chunk.url}")

Zuerst sehen Sie einen Eintrag vom Typ tool.execution, der die Metadaten der Operation enthält, einschließlich der tatsächlichen Anfrage, die an den Suchmotor gesendet wurde. Dies ist der Ort, an dem Sie suchen sollten, wenn eine Antwort vom Thema abweicht, da Sie hier häufig feststellen werden, dass die Umformulierung in eine andere Richtung gewandert ist. Der Eintrag message.output enthält dann die synthetisierte Antwort, aufgeteilt in text- und tool_reference-Abschnitte – daher der verschachtelte Loop im obigen Code.

Nutzung im Direktmodus (ohne Agenten)

Das Tool funktioniert auch ohne einen registrierten Agenten, was für schnelle Tests praktisch ist.

response = client.beta.conversations.start(
    model="mistral-large-latest",
    inputs=[{"role": "user", "content": "Neueste Nachrichten zu Mistral AI"}],
    tools=[{"type": "web_search"}]
)

Best Practices, die den Unterschied machen

Beginnen Sie mit präzisen Fragen. Der Agent wandelt Ihre Frage in eine Suchanfrage um: „Erzählen Sie mir von KI” liefert generische Ergebnisse, während „Welche europäischen KI-Regelungen wurden 2026 verabschiedet?” sofort auf handlungsrelevante Seiten zielt. Diese Regel gilt auch für Fragen Ihrer Nutzer: Wenn Ihre Schnittstelle vage Anfragen zulässt, fügen Sie in Ihren Anweisungen einen Schritt zur Umformulierung oder zur Klärungsfrage hinzu.

Kontrollieren Sie zudem die Temperatur. Für faktenbasierte Aufgaben reduziert ein niedriger Wert – zwischen 0,2 und 0,4 – Halluzinationen während der Ergebnissynthese. Die Suche liefert das Rohmaterial, aber das Modell schreibt den Text, und nichts hindert es daran, Lücken zu füllen, wenn ihm zu viel Freiheit gegeben wird.

Schließlich verifizieren Sie die Quellen. Zitate sind automatisch vorhanden, aber ihre Relevanz variiert: Ein Forum-Beitrag und ein offizielles Dokument sehen in einer Referenzliste ähnlich aus. In kritischen Kontexten sollten Sie die zurückgegebenen URLs vor der Übernahme der Informationen öffnen – und sie Ihren Nutzern zugänglich machen, damit diese dies ebenfalls tun können.

Kernaussagen

• web_search gewährt dem Agenten Echtzeit-Zugriff auf das Internet
• Antworten enthalten automatische Zitate (Titel + URL)
• web_search_premium fügt verifizierte Nachrichtenquellen hinzu
• Das Tool funktioniert mit oder ohne Agenten (Direktmodus ist möglich)
• Für faktenbasierte Aufgaben wird eine niedrige Temperatur empfohlen