Salidas estructuradas y búsqueda web
En esta página
Combina salidas estructuradas y búsqueda en tiempo real
Las salidas estructuradas no sirven solo para datos estáticos. En los modelos Grok 4 y posteriores, es decir, en toda la gama actual, puedes combinar salidas estructuradas con la búsqueda web. El modelo busca información actualizada en la web y, a continuación, estructura los resultados según tu esquema.
Por qué esta combinación es potente
Sin esta funcionalidad, obtener datos estructurados desde la web requiere tres pasos independientes:
- Llamar a una API de búsqueda (Google, Bing, etc.)
- Analizar los resultados en bruto
- Enviar los resultados al LLM para que los estructure
Con salidas estructuradas más búsqueda web, todo ocurre en una única llamada. El modelo busca, sintetiza y estructura.
Requisitos previos: mínimo Grok 4
Esta funcionalidad está disponible en los modelos Grok 4 y posteriores, lo que abarca toda la gama actual (Grok 4.5, Grok 4.3, variantes grok-4.20). Los modelos anteriores Grok 3 y Grok 3 Mini no admitían la combinación de herramientas con salidas estructuradas.
Ejemplo: Inteligencia competitiva
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": "Realiza un análisis de la competencia en el mercado francés de neobancos en 2026"
}],
response_format=VeilleConcurrentielle,
tools=[{"type": "web_search"}]
)
for c in parsed.concurrents:
print(f"{c.nom} — {c.avantage_principal}")
El modelo hará lo siguiente:
- Buscará en la web los neobancos franceses actuales
- Recopilará la información relevante
- Estructurará todo según el esquema
VeilleConcurrentielle
Ejemplo: Seguimiento de noticias
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": "¿Cuáles son las últimas noticias sobre la regulación de la IA en Europa?"
}],
response_format=RevuePresse,
tools=[{"type": "web_search"}]
)
print(parsed.synthese)
for article in parsed.articles:
print(f"[{article.source}] {article.titre}")
Buenas prácticas
Sé específico en el prompt
La búsqueda web funciona mejor con consultas concretas:
# Demasiado vago
"¿Qué hay de nuevo en tecnología?"
# Preciso y accionable
"Las 5 mayores rondas de financiación de IA en Francia en el primer trimestre de 2026"
Adapta tu esquema a los datos disponibles
No solicites datos que la web no pueda proporcionar de forma fiable:
# Difícil de encontrar con precisión
class Entreprise(BaseModel):
chiffre_affaires_exact: float # rara vez público
# Realista
class Entreprise(BaseModel):
chiffre_affaires_estime: str # "alrededor de 50 M€"
source_estimation: str
Gestiona los datos faltantes
Define campos como opcionales si es posible que no se encuentren:
class InfoEntreprise(BaseModel):
nom: str
fondateur: str
annee_creation: int
valorisation: str | None # no siempre disponible
nombre_employes: str | None
Puntos clave
- La combinación de salidas estructuradas y búsqueda web requiere como mínimo Grok 4; toda la gama actual es compatible
- Activa la búsqueda web con
tools=[{"type": "web_search"}] - Una única llamada a la API sustituye a la cadena búsqueda → análisis → estructuración
- Sé específico en tus prompts para obtener mejores resultados
- Define campos como opcionales si su disponibilidad no está garantizada