Agente con búsqueda web
En esta página
Da acceso a la web a tu agente
Un LLM sin acceso a internet está limitado a sus datos de entrenamiento. Si le preguntas sobre un texto normativo aprobado el mes pasado, o bien afirmará no saber nada o, lo que es peor, responderá basándose en su estado memorizado del mundo sin indicar que la información está desactualizada. Al habilitar la herramienta web_search en tu agente, le permites encontrar información en tiempo real y citar sus fuentes, mejorando tanto la actualidad como la verificabilidad de sus respuestas.
Crear un agente con búsqueda web
La activación requiere solo una línea de configuración, pero las instrucciones determinan la calidad del resultado. El ejemplo siguiente impone una disciplina estricta: buscar de forma sistemática, citar URLs, fechar los hallazgos y señalar contradicciones entre fuentes.
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="News Agent",
instructions="""Eres un analista de noticias.
- Usa la búsqueda web para cada pregunta
- Cita siempre tus fuentes con URLs
- Especifica la fecha de la información encontrada
- Si los resultados son contradictorios, menciónalo""",
tools=[{"type": "web_search"}],
completion_args={"temperature": 0.3, "top_p": 0.95}
)
La última instrucción es la más valiosa en la práctica. Sin ella, un modelo enfrentado a dos cifras divergentes podría elegir una y presentar su síntesis como un hecho establecido. Una temperatura baja complementa esta configuración al reducir las alucinaciones al reformular los resultados.
La herramienta web_search proporciona acceso a un motor de búsqueda estándar. Para fuentes de noticias verificadas, usa web_search_premium:
tools=[{"type": "web_search_premium"}]
Usar el agente
La llamada no difiere de la de un agente sin herramientas: no activas la búsqueda manualmente; el agente decide cuándo es necesaria.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="¿Cuáles son las últimas novedades en la regulación de la IA en Europa?"
)
Entender la estructura de la respuesta
El cambio es más evidente al leer la respuesta. Un agente con búsqueda web devuelve varios tipos de entradas. Un código que simplemente lea la primera entrada mostraría metadatos de búsqueda en lugar del texto esperado.
for entry in response.outputs:
if entry.type == "tool.execution":
# Metadatos de la búsqueda web
print(f"Herramienta usada: {entry.tool_name}")
print(f"Consulta de búsqueda: {entry.info}")
elif entry.type == "message.output":
# Respuesta del agente con citas
for chunk in entry.content:
if chunk.type == "text":
print(chunk.text)
elif chunk.type == "tool_reference":
print(f" Fuente: {chunk.title} — {chunk.url}")
Observa el bucle anidado: el contenido de un message.output no es una única cadena, sino una secuencia de fragmentos que alternan textos y referencias. Cada sección de la respuesta puede incluir así objetos tool_reference que contienen tres campos:
tool— Nombre de la herramienta fuente (web_search)title— Título de la página web citadaurl— URL de referencia
Esta es una ventaja importante: tu agente no solo responde; demuestra sus afirmaciones con fuentes verificables. En una interfaz, estos campos se convierten en enlaces clicables colocados en el lugar adecuado del texto, lo que permite a los usuarios rastrear cada afirmación hasta su origen.
Qué permite hacer la búsqueda
Empieza por la monitorización. Un agente cuyas instrucciones enmarcan el formato de salida convierte una pregunta abierta en una síntesis semanal regular y comparable.
agent = client.beta.agents.create(
model="mistral-large-latest",
name="Tech Watch",
instructions="Realiza monitorización tecnológica. Resume las 5 noticias más importantes sobre el tema solicitado.",
tools=[{"type": "web_search"}]
)
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Monitorización sobre agentes de IA — últimas 2 semanas"
)
A continuación viene la verificación de hechos, con instrucciones que adoptan la forma de un procedimiento explícito. El agente no necesita decidir un método; el método está dictado, lo que hace predecible el resultado.
agent = client.beta.agents.create(
model="mistral-large-latest",
name="Fact Checker",
instructions="""Verifica las siguientes afirmaciones.
Para cada afirmación:
1. Busca fuentes fiables
2. Indica si es verdadera, falsa o parcialmente verdadera
3. Cita tus fuentes""",
tools=[{"type": "web_search"}]
)
La comparación cierra la serie: aquí, la propia pregunta lleva implícitos los criterios de decisión. Cuanto más especifiques las restricciones reales —tecnología, volumen—, más dirigidas serán las búsquedas activadas.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Compara las ofertas en la nube de OVH, Scaleway y AWS para alojar una aplicación Python con 10K usuarios/día."
)
web_search frente a web_search_premium
| Aspecto | web_search | web_search_premium |
|---|---|---|
| Motor | Búsqueda estándar | Búsqueda avanzada |
| Fuentes | Web general | Proveedores de noticias verificados |
| Coste | Incluido | Coste adicional |
| Uso | Información general | Noticias fiables |
Para la mayoría de los casos de uso, web_search es suficiente. Reserva web_search_premium para aplicaciones donde la fiabilidad de la fuente sea crítica (periodismo, cumplimiento normativo, monitorización regulatoria). El razonamiento no debe ser «qué opción es mejor», sino «cuál es el coste de una fuente dudosa en mi contexto»: para un resumen interno de noticias, es cero; para una nota presentada a un regulador, no lo es.
Puntos clave
- La herramienta
web_searchpermite al agente buscar en internet en tiempo real - Las respuestas incluyen citas con el título de la fuente y la URL
web_search_premiumofrece fuentes de noticias verificadas con un coste adicional- Se recomienda una temperatura baja (0,3) para tareas factuales que impliquen búsqueda
- El agente decide automáticamente cuándo y cómo usar la búsqueda web