Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Seadista ja kontrolli veebitulemusi

Õppetund 6 / 20 Värskendatud 2. november 2026 Arendajatele
Sellel lehel
  1. Seadista ja kontrolli veebitulemusi
  2. Parameeter search_context_size
  3. Suuna otsingupäringuid vihje kaudu
  4. Eralda ja struktureeri viited
  5. Muster: otsing ristkontrolliga
  6. Käitle tulemuste puudumist
  7. Veebiotsing voogedastusega
  8. Filtreeri domeene ja loetle allikaid
  9. Peamised punktid

Tund uuendatud 2. novembril 2026 vastavalt OpenAI dokumentatsioonile: Code Interpreteri tööriist nõuab parameetrit container (lisatud kõigile näidetele), sisendteksti osad on tüüpi input_text ja veebiotsing kasutab tööriista web_search (web_search_preview on nüüd aegunud tööriist ilma domeenifiltriteta). Genereeritud failid hangitakse 10. tunni funktsioonide fichiers_generes ja telecharger abil. Allikad: Code Interpreter · Veebiotsing.

Seadista ja kontrolli veebitulemusi

Veebiotsingu lubamine võtab ühe rea; usaldusväärsete vastuste saamine nõuab kolme seadet, mida see tund detailselt kirjeldab. Esimene määrab, kui palju veebisisu konteksti süstitakse, ja see mõjutab otseselt sinu arvet. Teine suunab päringuid, mida mudel ise formuleerib – sest need kirjutab mudel, mitte sina. Kolmas puudutab viiteid; ilma nendeta on allikatele tuginev vastus lihtalt väide.

Parameeter search_context_size

Parameeter search_context_size kontrollib, kui palju veebisisu mudeli konteksti süstitakse. See ei muuda ei otsingute arvu ega nende kvaliteeti: see määrab, kui palju teksti pärast lehtede leidmist tegelikult vihjesse (prompt) satub. See on kompromiss täielikkuse ja kulu vahel ning seda tuleks häälestada ülesande tüübi järgi, mitte seada kord ja unustada.

from openai import OpenAI

client = OpenAI()

# Minimaalne kontekst: kiired, lühikesed vastused
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"
    }]
)

# Keskmine kontekst: hea kompromiss (vaikimisi)
response = client.responses.create(
    model="gpt-5.6-terra",
    input="Summarize AI market trends in Europe",
    tools=[{
        "type": "web_search",
        "search_context_size": "medium"
    }]
)

# Suur kontekst: põhjalik analüüs
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"
    }]
)

Mõju kuludele ja latentsusele

Reegel on lihtne: suurenda taset ühe võrra ainult siis, kui saadud vastus sind konkreetselt pettis. Kuupäev, number või faktiline kinnitus ei vaja midagi enamat kui low; high kasutamine selleks on nagu maksta terve toimiku eest, et lugeda ühte rida.

SuurusKonteksti tokenidLatentsusKuluKasutus
lowMinimaalneKiireMadalLihtsad faktid, arvud
mediumMõõdukasStandardneKeskmineKokkuvõtted, võrdlused
highMaksimaalneAeglasemKõrgePõhjalik analüüs

Suuna otsingupäringuid vihje kaudu

Siin on punkt, mille enamik inimesi avastab liiga hilja: mudel formuleerib oma otsingupäringud ise. Sa kirjutad „millised on hiljutised regulatiivsed muudatused?“ ja see tõlgib need märksõnadeks, mida sa kunagi ei näe. Tulemuse kvaliteet sõltub seega ümberformuleerimisest, mida saad kaudselt mõjutada – süsteemivihte (system prompt) kaudu. Nimeta oma valdkonna autoriteetsed allikad ja periood, mis sind huvitab: see muudab olukorda kõige rohkem.

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"
    }]
)

Eralda ja struktureeri viited

Viited saabuvad vastusele lisatud annotatsioonidena, mitte teksti sees. See eraldatus on hea uudis: see võimaldab sul allikaid kuvada nii, nagu soovid, neid kontrollida või lükata tagasi vastus, millel neid pole. Igas rakenduses, kus vastusel on kaal – õiguslik, meditsiiniline, finantsiline – on ohutum käsitleda puuduvaid annotatsioone veana kui usaldada teksti.

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

# Kasutus
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']}")

Muster: otsing ristkontrolliga

Üks allikas on ikka üks allikas, isegi kui mudel selle leidis. Teabe puhul, mis mõjutab otsuseid, küsi sõnaselgelt kinnitust mitmelt sõltumatult allikalt ja pane mudel märkama lahknevusi, mitte vaikimisi neid lahendama: kahe allika vaheline lahknevus on iseenesest teave, mis on sageli kasulikum kui kahe keskmistamine.

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"
    }

Käitle tulemuste puudumist

On üks juhtum, mida unustatakse käsitleda: otsing ei tagasta midagi. Risk ei seisne vastuse puudumises, vaid selles, et tulemuste puudumisel vastab mudel oma sisemiste teadmiste põhjal, seda märkamata jätmata, pakkudes usutavat, kuid aegunud teavet. Palu tal seda sõnaselgelt öelda ja planeeri ümberformuleerimist.

def search_with_fallback(question: str) -> dict:
    """Web search with failure detection and reformulation."""
    # Esimene katse
    response = client.responses.create(
        model="gpt-5.6-terra",
        input=question,
        tools=[{"type": "web_search"}]
    )

    sources = extract_sources(response)

    if len(sources) == 0:
        # Automaatne ümberformuleerimine
        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
    }

Veebiotsing voogedastusega

Veebiotsing võtab paar sekundit, mõnikord rohkem, kui mudel aheldab mitu päringut. Voogedastusega näeb kasutaja vastuse kujunemist laadimisindikaatori vaatamise asemel – ja sellise latentsuse puhul on tajuerinevus tohutu peaaegu nullilise rakenduskulu hinnaga.

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":
        # Eralda allikad lõpus
        sources = extract_sources(event.response)
        print(f"\n\n--- {len(sources)} sources consulted ---")

Filtreeri domeene ja loetle allikaid

Tööriist web_search aktsepteerib parameetrit filters, mis piirab otsingu lubatud domeenide loendiga (kuni 100) või välistab loendi (samuti kuni 100). Kirjuta domeenid ilma http:// või https://-ta. Filtreerimine eksisteerib ainult web_search puhul Responses API-s: aegunud tööriist web_search_preview ignoreerib seda.

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)

Valik include=["web_search_call.action.sources"] tagastab täieliku loendi konsulteeritud URL-dest, mis on sageli pikem kui viidete loend. Viited ise saabuvad url_citation annotatsioonidena (URL, pealkiri, asukoht tekstis): OpenAI dokumentatsioon palub need liideses nähtavalt ja klõpsatavalt kuvada.

Peamised punktid

  • search_context_size kontrollib süstitava veebiandmete mahtu
  • filters piirab või välistab domeene (max 100); include loetleb kõik konsulteeritud allikad
  • Süsteemivihe suunab mudeli õigete allikate juurde
  • Allikate jälgimiseks eralda url_citation annotatsioonid
  • Rakenda kriitilise teabe jaoks ristkontrolli
  • Käitle puuduvaid tulemusi automaatse ümberformuleerimisega