Herramienta web_search: Búsqueda en internet en tiempo real
En esta página
Las cuatro herramientas integradas de Mistral
Esta lección da inicio a la sección sobre herramientas integradas. Antes de profundizar en la primera, dedica un minuto a revisar las cuatro herramientas disponibles en la API de Agents y las necesidades que cubren.
| Herramienta | Tipo | Descripción | Caso de uso |
|---|---|---|---|
| Búsqueda web | web_search | Búsqueda en internet en tiempo real | Noticias, monitorización, verificación de hechos |
| Intérprete de código | code_interpreter | Ejecución de código Python en entorno aislado (sandbox) | Cálculos, análisis de datos, gráficos |
| Generación de imágenes | image_generation | Creación de imágenes a partir de texto | Ilustraciones, maquetas, trabajo creativo |
| Biblioteca de documentos | document_library | RAG sobre documentos cargados | Preguntas y respuestas sobre archivos, extracción, resumen |
Estas herramientas se ejecutan en el entorno en la nube de Mistral; no tienes que gestionar ninguna infraestructura por tu parte. Esta es una diferencia fundamental respecto a la llamada a funciones clásica, donde tú te encargas de la ejecución: aquí, declaras una capacidad y el proveedor se ocupa del entorno aislado, las dependencias y el escalado.
La búsqueda web en detalle
La herramienta web_search permite que tu agente busque información en internet en tiempo real. Es la herramienta más utilizada porque resuelve un problema fundamental de los LLM: la brecha temporal con la realidad. Un modelo no sabe nada sobre eventos ocurridos después de su entrenamiento y, además, no es consciente de que lo ignora, lo que le lleva a ofrecer respuestas seguras basadas en una visión obsoleta del mundo.
Configurar un agente con esta herramienta requiere apenas unas líneas.
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="Agente de búsqueda web",
instructions="Realizas búsquedas web para responder preguntas. Cita siempre tus fuentes.",
tools=[{"type": "web_search"}],
completion_args={"temperature": 0.3, "top_p": 0.95}
)
Ejecución de una búsqueda
Consultas a este agente igual que a cualquier otro: la decisión de buscar corresponde al agente.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="¿Quién ganó el último Campeonato de Europa de Fútbol?"
)
Detrás de esta única llamada se oculta toda una cadena de eventos. El agente analiza primero la pregunta para determinar si su propio conocimiento es suficiente; aquí, la expresión «último» implica información fechada, por lo que no lo es. A continuación, formula una consulta de búsqueda optimizada, a menudo distinta de tu frase, despojada de giros conversacionales. Ejecuta la búsqueda y luego sintetiza los resultados adjuntando las citas. No controlas ninguno de estos pasos, pero puedes verlos todos en la respuesta.
Anatomía de la respuesta
La respuesta contiene varias entradas secuenciales que debes iterar en orden.
for entry in response.outputs:
print(f"--- {entry.type} ---")
if entry.type == "tool.execution":
# Detalles de la búsqueda realizada
print(f"Herramienta: {entry.tool_name}")
elif entry.type == "message.output":
# Respuesta 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}")
Verás primero una entrada tool.execution, que contiene los metadatos de la operación, incluida la consulta real enviada al motor de búsqueda. Este es el lugar donde mirar cuando una respuesta parece fuera de lugar, ya que a menudo verás que la reformulación se ha desviado. La entrada message.output contiene luego la respuesta sintetizada, dividida en fragmentos text y tool_reference; de ahí el bucle anidado en el código anterior.
Uso del modo directo (sin un agente)
La herramienta también funciona sin un agente registrado, lo cual resulta cómodo para pruebas rápidas.
response = client.beta.conversations.start(
model="mistral-large-latest",
inputs=[{"role": "user", "content": "Últimas noticias sobre Mistral AI"}],
tools=[{"type": "web_search"}]
)
Buenas prácticas que marcan la diferencia
Empieza formulando preguntas precisas. El agente transforma tu pregunta en una consulta de búsqueda: «háblame de la IA» dará resultados genéricos, mientras que «¿qué regulaciones europeas sobre IA se adoptaron en 2026?» apunta directamente a páginas accionables. Esta regla también se aplica a las preguntas que hacen tus usuarios: si tu interfaz permite solicitudes vagas, incluye un paso en tus instrucciones para reformular o hacer preguntas de clarificación.
A continuación, controla la temperatura. Para tareas factuales, un valor bajo —entre 0,2 y 0,4— reduce las alucinaciones durante la síntesis de resultados. La búsqueda proporciona la materia prima, pero el modelo sigue siendo el que redacta, y nada le impide rellenar lagunas si se le da demasiada libertad.
Por último, verifica las fuentes. Las citas son automáticas, pero su relevancia varía: una publicación en un foro y un texto oficial tienen un aspecto similar en una lista de referencias. En contextos críticos, abre las URL devueltas antes de adoptar la información y exponlas a tus usuarios para que puedan hacer lo mismo.
Puntos clave
web_searchotorga al agente acceso en tiempo real a internet- Las respuestas incluyen citas automáticas (título + URL)
web_search_premiumañade fuentes de noticias verificadas- La herramienta funciona con o sin agente (el modo directo es posible)
- Se recomienda una temperatura baja para tareas factuales