Διαμόρφωση και έλεγχος των αποτελεσμάτων αναζήτησης στον ιστό
Σε αυτήν τη σελίδα
- Διαμόρφωση και έλεγχος των αποτελεσμάτων αναζήτησης στον ιστό
- Η παράμετρος search_context_size
- Καθοδήγηση των ερωτημάτων αναζήτησης μέσω της εντολής
- Εξαγωγή και δομή των παραπομπών
- Πρότυπο: Αναζήτηση με διασταυρωμένη επαλήθευση
- Διαχείριση έλλειψης αποτελεσμάτων
- Αναζήτηση Ιστού με ροή (Streaming)
- Φιλτράρισμα τομέων και λίστα πηγών
- Βασικά σημεία
Μάθημα ενημερώθηκε στις 2 Νοεμβρίου 2026 με βάση την τεκμηρίωση της OpenAI: το εργαλείο Code Interpreter απαιτεί την παράμετρο
container(προστέθηκε σε όλα τα παραδείγματα), τα μέρη κειμένου εισόδου είναι τύπουinput_text, και η αναζήτηση στον ιστό χρησιμοποιεί το εργαλείοweb_search(τοweb_search_previewείναι πλέον ένα παρωχημένο εργαλείο χωρίς φίλτρα τομέα). Τα παραγόμενα αρχεία ανακτώνται χρησιμοποιώντας τις συναρτήσειςfichiers_generesκαιtelechargerαπό το Μάθημα 10. Πηγές: Code Interpreter · Web search.
Διαμόρφωση και έλεγχος των αποτελεσμάτων αναζήτησης στον ιστό
Η ενεργοποίηση της Αναζήτησης Ιστού (Web Search) απαιτεί μία γραμμή κώδικα· η λήψη αξιόπιστων απαντήσεων απαιτεί τρεις ρυθμίσεις που αναλύονται σε αυτό το μάθημα. Η πρώτη καθορίζει πόσο περιεχόμενο ιστού εισάγεται στο πλαίσιο (context), επηρεάζοντας άμεσα το κόστος σας. Η δεύτερη κατευθύνει τα ερωτήματα που διατυπώνει το ίδιο το μοντέλο—καθώς τα γράφει εκείνο, όχι εσείς. Η τρίτη αφορά τις παραπομπές· χωρίς αυτές, μια απάντηση με πηγές είναι απλώς μια καταφατική δήλωση.
Η παράμετρος search_context_size
Η παράμετρος search_context_size ελέγχει την ποσότητα του περιεχομένου ιστού που εισάγεται στο πλαίσιο του μοντέλου. Δεν αλλάζει ούτε τον αριθμό των αναζητήσεων ούτε την ποιότητά τους: καθορίζει πόσο κείμενο, μόλις βρεθούν οι σελίδες, εισέρχεται πραγματικά στην εντολή (prompt). Πρόκειται για μια ισορροπία μεταξύ πληρότητας και κόστους, την οποία πρέπει να προσαρμόζετε ανάλογα με τον τύπο της εργασίας, και όχι να την ορίζετε άπαξ και να την ξεχνάτε.
from openai import OpenAI
client = OpenAI()
# Ελάχιστο πλαίσιο: γρήγορες, συνοπτικές απαντήσεις
response = client.responses.create(
model="gpt-5.6-terra",
input="What is France's GDP in 2025?",
tools=[{
"type": "web_search",
"search_context_size": "low"
}]
)
# Μεσαίο πλαίσιο: καλός συμβιβασμός (προεπιλογή)
response = client.responses.create(
model="gpt-5.6-terra",
input="Summarize AI market trends in Europe",
tools=[{
"type": "web_search",
"search_context_size": "medium"
}]
)
# Μεγάλο πλαίσιο: εμπεριστατωμένη ανάλυση
response = client.responses.create(
model="gpt-5.6-terra",
input="Compare AI strategies in France, Germany, and the Netherlands",
tools=[{
"type": "web_search",
"search_context_size": "high"
}]
)
Επίπτωση στο κόστος και την καθυστέρηση
Ο κανόνας είναι απλός: αυξήστε το επίπεδο μόνο όταν η απάντηση που λάβατε σας απογοήτευσε συγκεκριμένα. Μια ημερομηνία, ένας αριθμός ή μια πραγματική επιβεβαίωση δεν χρειάζονται τίποτα περισσότερο από low· η χρήση του high γι’ αυτό είναι σαν να πληρώνετε για έναν πλήρη φάκελο ώστε να διαβάσετε μία γραμμή.
| Μέγεθος | Tokens πλαισίου | Καθυστέρηση | Κόστος | Χρήση |
|---|---|---|---|---|
low | Ελάχιστο | Γρήγορο | Χαμηλό | Απλά γεγονότα, αριθμοί |
medium | Μέτριο | Τυπικό | Μεσαίο | Περιλήψεις, συγκρίσεις |
high | Μέγιστο | Πιο αργό | Υψηλό | Εμπεριστατωμένη ανάλυση |
Καθοδήγηση των ερωτημάτων αναζήτησης μέσω της εντολής
Εδώ βρίσκεται το σημείο που οι περισσότεροι ανακαλύπτουν πολύ αργά: το μοντέλο διατυπώνει τα δικά του ερωτήματα αναζήτησης. Εσείς γράφετε «ποιες είναι οι πρόσφατες κανονιστικές αλλαγές;» και εκείνο το μεταφράζει σε λέξεις-κλειδιά που δεν βλέπετε ποτέ. Η ποιότητα του αποτελέσματος εξαρτάται επομένως από μια αναδιατύπωση επί της οποίας έχετε μόνο έμμεσο έλεγχο—την εντολή συστήματος (system prompt). Ονομάστε τις αξιόπιστες πηγές στον τομέα σας και την περίοδο που σας ενδιαφέρει: αυτό κάνει τη μεγαλύτερη διαφορά.
response = client.responses.create(
model="gpt-5.6-terra",
instructions=(
"You are a market analyst specializing in European technology. "
"When you perform web searches, prioritize institutional sources "
"(European Commission, INSEE, Eurostat) and specialized media "
"(Les Echos, La Tribune, TechCrunch). "
"Ignore personal blogs and forums."
),
input="What is the state of AI startup funding in France?",
tools=[{
"type": "web_search",
"search_context_size": "high"
}]
)
Εξαγωγή και δομή των παραπομπών
Οι παραπομπές φτάνουν ως σχολιασμοί (annotations) προσαρτημένοι στην απάντηση, όχι μέσα στο ίδιο το κείμενο. Αυτός ο διαχωρισμός είναι καλά νέα: σας επιτρέπει να εμφανίζετε τις πηγές όπως θέλετε, να τις επαληθεύετε ή να απορρίπτετε μια απάντηση που δεν έχει καμία. Σε κάθε εφαρμογή όπου η απάντηση έχει βάρος—νομικό, ιατρικό, οικονομικό—η αντιμετώπιση των ελλειπόντων σχολιασμών ως σφάλμα είναι ασφαλέστερη από το να εμπιστευτείτε το κείμενο.
def extract_sources(response) -> list[dict]:
"""Extract all URL citations from a Web Search response."""
sources = []
for item in response.output:
if item.type == "message":
for block in item.content:
if hasattr(block, "annotations"):
for ann in block.annotations:
if ann.type == "url_citation":
sources.append({
"url": ann.url,
"title": ann.title,
"excerpt_start": ann.start_index,
"excerpt_end": ann.end_index
})
return sources
# Usage
response = client.responses.create(
model="gpt-5.6-terra",
input="What are the new GDPR rules for AI in 2026?",
tools=[{"type": "web_search"}]
)
sources = extract_sources(response)
for s in sources:
print(f" {s['title']}: {s['url']}")
Πρότυπο: Αναζήτηση με διασταυρωμένη επαλήθευση
Μια μοναδική πηγή παραμένει μια μοναδική πηγή, ακόμα κι αν την βρήκε ένα μοντέλο. Για πληροφορίες που καθοδηγούν μια απόφαση, ζητήστε ρητά επιβεβαίωση από πολλαπλές ανεξάρτητες πηγές και κάντε το μοντέλο να επισημαίνει τις ασυμφωνίες αντί να τις διαιτητεύει σιωπηλά: μια διαφωνία μεταξύ δύο πηγών είναι η ίδια πληροφορία, συχνά πιο χρήσιμη από τον μέσο όρο των δύο.
def validated_search(question: str, min_sources: int = 3) -> dict:
"""Web search requiring multiple sources."""
response = client.responses.create(
model="gpt-5.6-terra",
instructions=(
f"To answer this question, you must find at least "
f"{min_sources} independent sources that confirm the information. "
"If sources contradict each other, flag the discrepancies. "
"Cite each source explicitly."
),
input=question,
tools=[{
"type": "web_search",
"search_context_size": "high"
}]
)
sources = extract_sources(response)
return {
"answer": response.output_text,
"sources": sources,
"reliability": "high" if len(sources) >= min_sources else "verify"
}
Διαχείριση έλλειψης αποτελεσμάτων
Υπάρχει μια περίπτωση που οι άνθρωποι ξεχνούν να διαχειριστούν: η αναζήτηση δεν επιστρέφει τίποτα. Ο κίνδυνος δεν είναι η έλλειψη απάντησης—είναι ότι, ελλείψει αποτελεσμάτων, το μοντέλο απαντά από τις εσωτερικές του γνώσεις χωρίς να το σηματοδοτεί, παρέχοντάς σας πληροφορίες που φαίνονται λογικές αλλά είναι ξεπερασμένες. Ζητήστε του να το δηλώσει ρητά και σχεδιάστε για αναδιατύπωση.
def search_with_fallback(question: str) -> dict:
"""Web search with failure detection and reformulation."""
# First attempt
response = client.responses.create(
model="gpt-5.6-terra",
input=question,
tools=[{"type": "web_search"}]
)
sources = extract_sources(response)
if len(sources) == 0:
# Automatic reformulation
response = client.responses.create(
model="gpt-5.6-terra",
input=f"Rephrase this question for a more effective web search, "
f"then search: {question}",
tools=[{"type": "web_search", "search_context_size": "high"}]
)
sources = extract_sources(response)
return {
"answer": response.output_text,
"sources": sources
}
Αναζήτηση Ιστού με ροή (Streaming)
Μια αναζήτηση στον ιστό διαρκεί μερικά δευτερόλεπτα, μερικές φορές περισσότερο αν το μοντέλο αλυσοδετήσει πολλά ερωτήματα. Με τη ροή (streaming), ο χρήστης βλέπει την απάντηση να χτίζεται σταδιακά αντί να κοιτάζει έναν δείκτη φόρτωσης—και για αυτό το είδος καθυστέρησης, η διαφορά στην αντίληψη είναι τεράστια με σχεδόν μηδενικό κόστος υλοποίησης.
stream = client.responses.create(
model="gpt-5.6-terra",
input="What are this week's tech news headlines?",
tools=[{"type": "web_search"}],
stream=True
)
for event in stream:
if event.type == "response.output_text.delta":
print(event.delta, end="", flush=True)
elif event.type == "response.completed":
# Extract sources at the end
sources = extract_sources(event.response)
print(f"\n\n--- {len(sources)} sources consulted ---")
Φιλτράρισμα τομέων και λίστα πηγών
Το εργαλείο web_search δέχεται μια παράμετρο filters που περιορίζει την αναζήτηση σε μια λίστα επιτρεπόμενων τομέων (έως 100) ή αποκλείει μια λίστα (επίσης έως 100). Γράψτε τους τομείς χωρίς http:// ή https://. Το φιλτράρισμα υπάρχει μόνο με το web_search στο Responses API: το παρωχημένο εργαλείο web_search_preview το αγνοεί.
response = client.responses.create(
model="gpt-5.6-terra",
tools=[{
"type": "web_search",
"filters": {"allowed_domains": ["service-public.fr", "legifrance.gouv.fr"]},
}],
include=["web_search_call.action.sources"],
input="What are the price display requirements for retail stores in France?",
)
print(response.output_text)
Η επιλογή include=["web_search_call.action.sources"] επιστρέφει την πλήρη λίστα των URL που consultήθηκαν, η οποία είναι συχνά μεγαλύτερη από τη λίστα των παραπομπών. Οι ίδιες οι παραπομπές φτάνουν ως σχολιασμοί url_citation (URL, τίτλος, θέση στο κείμενο): η τεκμηρίωση της OpenAI ζητά να τις εμφανίζετε ορατά και με δυνατότητα κλικ στη διεπαφή σας.
Βασικά σημεία
- Το
search_context_sizeελέγχει τον όγκο των δεδομένων ιστού που εισάγονται - Τα
filtersπεριορίζουν ή αποκλείουν τομείς (μέγιστο 100)· τοincludeπαραθέτει όλες τις consultηθείσες πηγές - Η εντολή συστήματος καθοδηγεί το μοντέλο προς τις σωστές πηγές
- Εξάγετε τους σχολιασμούς
url_citationγια να εντοπίσετε τις πηγές - Υλοποιήστε διασταυρωμένη επαλήθευση για κρίσιμες πληροφορίες
- Διαχειριστείτε τα ελλείποντα αποτελέσματα με αυτόματη αναδιατύπωση