Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Web Search API: Αναζήτηση στον Ιστό μέσω Προγραμματισμού

Μάθημα 5 / 20 Ενημερώθηκε 2 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Web Search API: Αναζήτηση στον Ιστό μέσω Προγραμματισμού
  2. Ενεργοποίηση της Αναζήτησης στον Ιστό
  3. Δομή Απόκρισης
  4. Πλαίσιο Χρήστη για Σχετικότητα
  5. Συνδυασμός Αναζήτησης στον Ιστό με Προσαρμοσμένες Συναρτήσεις
  6. Περιπτώσεις Χρήσης σε Παραγωγή
  7. Γνωστοί Περιορισμοί
  8. Βασικά σημεία

Μάθημα ενημερώθηκε στις 2 Νοεμβρίου 2026 με βάση την τεκμηρίωση της OpenAI: το εργαλείο Code Interpreter απαιτεί πλέον την παράμετρο container (προστέθηκε σε όλα τα παραδείγματα), τα μέρη κειμένου εισόδου είναι τύπου input_text, και η αναζήτηση στον ιστό χρησιμοποιεί το εργαλείο web_search (το web_search_preview είναι πλέον ένα παρωχημένο εργαλείο χωρίς φίλτρα τομέα). Τα παραγόμενα αρχεία ανακτώνται χρησιμοποιώντας τις συναρτήσεις fichiers_generes και telecharger από το Μάθημα 10. Πηγές: Code Interpreter · Web search.

Web Search API: Αναζήτηση στον Ιστό μέσω Προγραμματισμού

Το εργαλείο Web Search επιτρέπει στο μοντέλο να πραγματοποιεί αναζητήσεις στον ιστό σε πραγματικό χρόνο απευθείας από το Responses API. Δεν χρειάζεται πλέον να ενσωματώσετε κάποιο API αναζήτησης τρίτου μέρους: το μοντέλο διατυπώνει το ερώτημα, εκτελεί την αναζήτηση και συνθέτει τα αποτελέσματα.

Ενεργοποίηση της Αναζήτησης στον Ιστό

Η ενεργοποίηση απαιτεί μόνο μία γραμμή κώδικα, η οποία αποκρύπτει μια θεμελιώδη αλλαγή: η εφαρμογή σας δεν περιορίζεται πλέον από την ημερομηνία λήξης των γνώσεων του μοντέλου. Ερωτήσεις σχετικά με γεγονότα της χθεσινής ημέρας, τρέχουσες τιμές ή πρόσφατους κανονισμούς γίνονται απαντήσιμες χωρίς την ανάγκη ενσωμάτωσης ή πληρωμής για μια μηχανή αναζήτησης τρίτου μέρους.

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-terra",
    input="What are the latest Ligue 1 results?",
    tools=[{"type": "web_search"}]
)

print(response.output_text)

Το μοντέλο αποφασίζει μόνο του πότε θα πραγματοποιήσει αναζήτηση, και αυτό το σημείο αξίζει προσοχής: δεν αναζητά συστηματικά. Για ερωτήσεις που πιστεύει ότι εμπίπτουν στις υπάρχουσες γνώσεις του, απαντά απευθείας—πιο γρήγορα και φθηνά, αλλά με τον κίνδυνο να παρουσιάσει ξεπερασμένες πληροφορίες με την ίδια βεβαιότητα. Όταν η επικαιρότητα είναι κρίσιμη, δηλώστε το ρητά στο prompt σας αντί να ελπίζετε ότι το μοντέλο θα μαντέψει σωστά.

Δομή Απόκρισης

Οι πηγές φτάνουν ως σχολιασμοί (annotations) προσαρτημένοι στην απόκριση, χωριστά από το κείμενο. Αυτό σας επιτρέπει να τις εμφανίζετε με τον τρόπο που επιθυμείτε, να τις επαληθεύετε ή να επισημαίνετε ως ύποπτη οποιαδήποτε απόκριση που στερείται πηγών όταν το θέμα το απαιτεί.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="What is the current stock price of LVMH?",
    tools=[{"type": "web_search"}]
)

# Συνθετικό κείμενο
print(response.output_text)

# Εξέταση πηγών
for item in response.output:
    if hasattr(item, "content"):
        for block in item.content:
            if hasattr(block, "annotations"):
                for annotation in block.annotations:
                    if annotation.type == "url_citation":
                        print(f"Source: {annotation.url}")
                        print(f"Title : {annotation.title}")

Πλαίσιο Χρήστη για Σχετικότητα

Η τοποθεσία επηρεάζει τα αποτελέσματα περισσότερο από όσο ίσως νομίζετε, και όχι μόνο για προφανώς τοπικές αναζητήσεις. Ερωτήσεις σχετικά με τη φορολογία, τις τιμές, τη διαθεσιμότητα ή τις νομικές υποχρεώσεις αποδίδουν διαφορετικές απαντήσεις ανάλογα με τη χώρα: χωρίς την παράμετρο user_location, το μοντέλο χρησιμοποιεί ως προεπιλογή ένα πλαίσιο που είναι συχνά επικεντρωμένο στις ΗΠΑ.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Which Japanese restaurant is open tonight?",
    tools=[{
        "type": "web_search",
        "user_location": {
            "type": "approximate",
            "city": "Paris",
            "country": "FR"
        }
    }]
)

Η παράμετρος user_location δέχεται διάφορα επίπεδα ακρίβειας:

# Κατά προσέγγιση τοποθεσία
"user_location": {
    "type": "approximate",
    "city": "Lyon",
    "region": "Auvergne-Rhone-Alpes",
    "country": "FR"
}

Συνδυασμός Αναζήτησης στον Ιστό με Προσαρμοσμένες Συναρτήσεις

Ο πιο παραγωγικός συνδυασμός ακολουθεί πάντα το ίδιο μοτίβο: ο ιστός φέρνει εξωτερικές πληροφορίες, οι συναρτήσεις σας παρέχουν εσωτερικό πλαίσιο και το μοντέλο συνδέει τα σημεία. Αυτή η σύνδεση είναι εκεί που βρίσκεται η αξία—ούτε η αναζήτηση ούτε τα δεδομένα σας από μόνα τους απαντούν στο ερώτημα «επηρεάζει αυτή η αλλαγή εμάς;».

tools = [
    {"type": "web_search"},
    {
        "type": "function",
        "name": "sauvegarder_veille",
        "description": "Save a monitoring result to the database",
        "parameters": {
            "type": "object",
            "properties": {
                "titre": {"type": "string"},
                "resume": {"type": "string"},
                "url_source": {"type": "string"},
                "categorie": {
                    "type": "string",
                    "enum": ["concurrent", "marche", "reglementation", "technologie"]
                }
            },
            "required": ["titre", "resume", "categorie"],
            "additionalProperties": False
        },
        "strict": True
    }
]

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Search for the latest news on AI regulation in Europe "
          "and save important results",
    tools=tools
)

Περιπτώσεις Χρήσης σε Παραγωγή

Αυτοματοποιημένη Ανταγωνιστική Πληροφόρηση

def veille_quotidienne(entreprises: list[str]):
    """Launches web monitoring for each competitor."""
    resultats = []
    for entreprise in entreprises:
        response = client.responses.create(
            model="gpt-5.6-terra",
            input=f"What is the latest news about {entreprise}? "
                  "Focus on product announcements, funding rounds, "
                  "and partnerships from the last 7 days.",
            tools=[{"type": "web_search"}]
        )
        resultats.append({
            "entreprise": entreprise,
            "synthese": response.output_text
        })
    return resultats

Επαλήθευση Γεγονότων (Fact-Checking)

def verifier_affirmation(affirmation: str) -> dict:
    """Verifies a claim by cross-referencing multiple web sources."""
    response = client.responses.create(
        model="gpt-5.6-terra",
        input=f"Verify this claim by searching for reliable sources: "
              f"'{affirmation}'. State whether it is true, false, or uncertain, "
              f"including the sources supporting your conclusion.",
        tools=[{"type": "web_search"}]
    )

    # Εξαγωγή παραπομπών
    sources = []
    for item in response.output:
        if hasattr(item, "content"):
            for block in item.content:
                if hasattr(block, "annotations"):
                    for ann in block.annotations:
                        if ann.type == "url_citation":
                            sources.append(ann.url)

    return {
        "analyse": response.output_text,
        "nombre_sources": len(sources),
        "sources": sources
    }

Γνωστοί Περιορισμοί

  • Το μοντέλο μπορεί να μην βρει σχετικά αποτελέσματα για πολύ εξειδικευμένα θέματα
  • Τα αποτελέσματα εξαρτώνται από την ευρετηρίαση του ιστού τη στιγμή του αιτήματος
  • Ο αριθμός των αναζητήσεων ανά κλήση είναι περιορισμένος: το μοντέλο βελτιστοποιεί διατυπώνοντας ακριβή ερωτήματα
  • Το περιεχόμενο πίσω από paywalls ή οθόνες σύνδεσης είναι απρόσιτο

Βασικά σημεία

  • Προσθέστε το web_search σε μία γραμμή μέσα στο tools
  • Το μοντέλο αποφασίζει αυτόνομα πότε θα αναζητήσει στον ιστό
  • Το user_location βελτιώνει τη σχετικότητα για τοπικά αποτελέσματα
  • Οι σχολιασμοί url_citation παρέχουν τις πηγές
  • Συνδυάστε την Αναζήτηση στον Ιστό με τις δικές σας συναρτήσεις για να αυτοματοποιήσετε την παρακολούθηση