Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Web Search API: haku ohjelmallisesti

Oppitunti 5 / 20 Päivitetty 2. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Web Search API: haku ohjelmallisesti
  2. Web-haun käyttöönotto
  3. Vastauksen rakenne
  4. Käyttäjäkonteksti osuvuuden parantamiseksi
  5. Yhdistä verkkohaku omiin funktioihisi
  6. Käyttötapauksia tuotannossa
  7. Tunnetut rajoitukset
  8. Keskeiset asiat

Oppitunti päivitetty 2. marraskuuta 2026 OpenAI:n dokumentaation perusteella: Code Interpreter -työkalu vaatii nyt container-parametrin (lisätty kaikkiin esimerkkeihin), syöttötekstiosat ovat tyyppiä input_text, ja verkkohaku käyttää web_search-työkalua (web_search_preview on nyt vanhentunut työkalu ilman verkkotunnussuodattimia). Generoidut tiedostot haetaan käyttämällä oppitunnin 10 funktioita fichiers_generes ja telecharger. Lähteet: Code Interpreter · Web search.

Web Search API: haku ohjelmallisesti

Web Search -työkalun avulla malli voi suorittaa reaaliaikaisia verkkohakuja suoraan Responses API:n kautta. Sinun ei enää tarvitse integroida kolmannen osapuolen hakukoneen rajapintaa: malli muotoilee kyselyn, suorittaa haun ja tiivistää tulokset.

Web-haun käyttöönotto

Aktivointi vaatii vain yhden rivin, mutta se peittää alleen perustavanlaatuisen muutoksen: sovelluksesi ei ole enää rajoitettu mallin tiedonkatkaisupäivämäärään. Kysymykset eilisen tapahtumista, nykyisistä hinnoista tai tuoreista määräyksistä voidaan vastata ilman, että sinun tarvitsee integroida tai maksaa kolmannen osapuolen hakukoneesta.

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-terra",
    input="What are the latest Ligue 1 results?",
    tools=[{"type": "web_search"}]
)

print(response.output_text)

Malli päättää itse, milloin se tekee haun, ja tämä kohta ansaitsee huomiota: se ei hae systemaattisesti. Kysymyksiin, jotka sen mielestä kuuluvat sen olemassa olevaan tietämykseen, se vastaa suoraan – nopeammin ja halvemmalla, mutta riskinä on, että se esittää vanhentunutta tietoa yhtä itsevarmasti. Kun ajantasaisuus on kriittistä, mainitse tämä nimenomaisesti kehotteessasi sen sijaan, että toivoisit mallin arvaavan oikein.

Vastauksen rakenne

Lähteet saapuvat vastaukseen liitettyinä huomautuksina (annotations), erillään itse tekstistä. Tämä antaa sinulle mahdollisuuden näyttää ne haluamallasi tavalla, tarkistaa ne tai merkitä epäilyttäviksi vastaukset, joista puuttuvat lähteet, vaikka aihe niitä edellyttäisi.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="What is the current stock price of LVMH?",
    tools=[{"type": "web_search"}]
)

# Tiivistetty teksti
print(response.output_text)

# Tarkista lähteet
for item in response.output:
    if hasattr(item, "content"):
        for block in item.content:
            if hasattr(block, "annotations"):
                for annotation in block.annotations:
                    if annotation.type == "url_citation":
                        print(f"Source: {annotation.url}")
                        print(f"Title : {annotation.title}")

Käyttäjäkonteksti osuvuuden parantamiseksi

Sijainti vaikuttaa tuloksiin enemmän kuin saatat olettaa, eikä vain ilmeisen paikallisissa hauissa. Kysymykset verotuksesta, hinnoittelusta, saatavuudesta tai lakisääteisistä velvoitteista tuottavat erilaisia vastauksia maasta riippuen: ilman user_location-parametria malli olettaa kontekstin, joka on usein Yhdysvaltojen keskeinen.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Which Japanese restaurant is open tonight?",
    tools=[{
        "type": "web_search",
        "user_location": {
            "type": "approximate",
            "city": "Paris",
            "country": "FR"
        }
    }]
)

user_location-parametri hyväksyy useita tarkkuustasoja:

# Likimääräinen sijainti
"user_location": {
    "type": "approximate",
    "city": "Lyon",
    "region": "Auvergne-Rhone-Alpes",
    "country": "FR"
}

Yhdistä verkkohaku omiin funktioihisi

Tuottavin yhdistelmä noudattaa aina samaa kaavaa: verkko tuo ulkoista tietoa, funktiosi tarjoavat sisäistä kontekstia, ja malli yhdistää pisteet. Arvo syntyy juuri tästä yhdistämisestä – pelkkä haku tai pelkkä datasi ei yksinään vastaa kysymykseen “vaikuttaako tämä muutokseen meihin?”.

tools = [
    {"type": "web_search"},
    {
        "type": "function",
        "name": "sauvegarder_veille",
        "description": "Save a monitoring result to the database",
        "parameters": {
            "type": "object",
            "properties": {
                "titre": {"type": "string"},
                "resume": {"type": "string"},
                "url_source": {"type": "string"},
                "categorie": {
                    "type": "string",
                    "enum": ["concurrent", "marche", "reglementation", "technologie"]
                }
            },
            "required": ["titre", "resume", "categorie"],
            "additionalProperties": False
        },
        "strict": True
    }
]

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Search for the latest news on AI regulation in Europe "
          "and save important results",
    tools=tools
)

Käyttötapauksia tuotannossa

Automatisoitu kilpailija-analyysi

def veille_quotidienne(entreprises: list[str]):
    """Launches web monitoring for each competitor."""
    resultats = []
    for entreprise in entreprises:
        response = client.responses.create(
            model="gpt-5.6-terra",
            input=f"What is the latest news about {entreprise}? "
                  "Focus on product announcements, funding rounds, "
                  "and partnerships from the last 7 days.",
            tools=[{"type": "web_search"}]
        )
        resultats.append({
            "entreprise": entreprise,
            "synthese": response.output_text
        })
    return resultats

Faktantarkistus

def verifier_affirmation(affirmation: str) -> dict:
    """Verifies a claim by cross-referencing multiple web sources."""
    response = client.responses.create(
        model="gpt-5.6-terra",
        input=f"Verify this claim by searching for reliable sources: "
              f"'{affirmation}'. State whether it is true, false, or uncertain, "
              f"including the sources supporting your conclusion.",
        tools=[{"type": "web_search"}]
    )

    # Poimi viittaukset
    sources = []
    for item in response.output:
        if hasattr(item, "content"):
            for block in item.content:
                if hasattr(block, "annotations"):
                    for ann in block.annotations:
                        if ann.type == "url_citation":
                            sources.append(ann.url)

    return {
        "analyse": response.output_text,
        "nombre_sources": len(sources),
        "sources": sources
    }

Tunnetut rajoitukset

  • Malli ei välttämättä löydä osuvia tuloksia hyvin kapeille aiheille
  • Tulokset riippuvat verkon indeksoinnista pyynnön hetkellä
  • Hakujen määrä kutakin kutsua kohti on rajoitettu: malli optimoi muotoilemalla tarkkoja kyselyitä
  • Maksullisten seinien tai kirjautumisruutujen takana oleva sisältö on tavoittamaton

Keskeiset asiat

  • Lisää web_search yhdellä rivillä kohtaan tools
  • Malli päättää itsenäisesti, milloin se hakee verkosta
  • user_location parantaa paikallisten tulosten osuvuutta
  • url_citation-huomautukset tarjoavat lähteet
  • Yhdistä Web Search omiin funktioihisi automatisoidaksesi seurannan