Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Konfiguriraj i kontroliraj web rezultate

Lekcija 6 od 20 Ažurirano 2. studenoga 2026. Programer
Na ovoj stranici
  1. Konfiguriraj i kontroliraj web rezultate
  2. Parametar search_context_size
  3. Usmjeri upite za pretraživanje putem prompta
  4. Izdvoj i strukturiraj citate
  5. Uzorak: pretraživanje s unakrsnom provjerom
  6. Rukuj slučajem bez rezultata
  7. Web pretraživanje sa streamingom
  8. Filtriraj domene i izlistaj izvore
  9. Ključne točke

Lekcija ažurirana 2. studenoga 2026. na temelju OpenAI dokumentacije: alat Code Interpreter zahtijeva parametar container (dodan svim primjerima), ulazni tekstualni dijelovi su tipa input_text, a web pretraživanje koristi alat web_search (web_search_preview je sada zastarjeli alat bez filtara domena). Generirane datoteke dohvaćaju se pomoću funkcija fichiers_generes i telecharger iz Lekcije 10. Izvori: Code Interpreter · Web search.

Konfiguriraj i kontroliraj web rezultate

Omogućivanje web pretraživanja zahtijeva jedan redak; dobivanje pouzdanih odgovora zahtijeva tri postavke koje ova lekcija detaljno objašnjava. Prva odlučuje koliko se web sadržaja ubacuje u kontekst, što izravno utječe na tvoje troškove. Druga usmjerava upite koje model sam formulira – jer ih on piše, a ne ti. Treća se tiče citata; bez njih je odgovor s izvorima samo afirmativna izjava.

Parametar search_context_size

Parametar search_context_size kontrolira koliko se web sadržaja ubacuje u kontekst modela. Ne mijenja ni broj pretraživanja ni njihovu kvalitetu: određuje koliko teksta, nakon što se stranice pronađu, zapravo ulazi u prompt. To je kompromis između iscrpnosti i troška, pa ga trebaš prilagoditi prema vrsti zadatka, a ne postaviti jednom i zaboraviti.

from openai import OpenAI

client = OpenAI()

# Minimalni kontekst: brzi, sažeti odgovori
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"
    }]
)

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

# Veliki kontekst: dubinska analiza
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"
    }]
)

Utjecaj na troškove i kašnjenje

Praktično pravilo je jednostavno: povećaj razinu samo ako te dobiveni odgovor konkretno razočarao. Datum, brojka ili činjenična potvrda ne trebaju ništa više od low; korištenje high za to je kao da plaćaš cijeli dosje da bi pročitao jedan redak.

VeličinaTokeni kontekstaKašnjenjeTrošakUpotreba
lowMinimalnoBrzoNiskoJednostavne činjenice, brojke
mediumUmjerenoStandardnoSrednjeSažeci, usporedbe
highMaksimalnoSporijeVisokoDubinske analize

Usmjeri upite za pretraživanje putem prompta

Evo točke koju većina ljudi otkrije prekasno: model sam formulira svoje upite za pretraživanje. Ti napišeš „koje su nedavne regulatorne promjene?“, a on to prevodi u ključne riječi koje nikad ne vidiš. Kvaliteta rezultata stoga ovisi o reformulaciji nad kojom imaš samo neizravnu kontrolu – sistemski prompt. Imenuj autoritativne izvore u svom području i razdoblje koje te zanima: to najviše pomiče iglu.

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"
    }]
)

Izdvoj i strukturiraj citate

Citati stižu kao anotacije pričvršćene uz odgovor, a ne u samom tekstu. Ova odvojenost je dobra vijest: omogućuje ti da izvore prikažeš kako god želiš, da ih verificiraš ili odbaciš odgovor koji ih nema. U bilo kojoj aplikaciji gdje odgovor nosi težinu – pravnoj, medicinskoj, financijskoj – sigurnije je tretirati nedostatak anotacija kao grešku nego vjerovati tekstu.

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

# Usage
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']}")

Uzorak: pretraživanje s unakrsnom provjerom

Jedan izvor je i dalje samo jedan izvor, čak i ako ga je model pronašao. Za informacije koje pokreću odluku, eksplicitno zatraži potvrdu od više neovisnih izvora i natjeraj model da označi neslaganja umjesto da ih tiho arbitrira: neslaganje između dva izvora samo je po sebi informacija, često korisnija od prosječenja ta dva.

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"
    }

Rukuj slučajem bez rezultata

Postoji jedan slučaj koji ljudi zaborave obraditi: pretraživanje ne vraća ništa. Rizik nije u nedostatku odgovora – već u tome što, bez rezultata, model odgovara iz svog internog znanja bez signaliziranja toga, dajući ti uvjerljive, ali zastarjele informacije. Zatraži od njega da to eksplicitno kaže i planiraj reformulaciju.

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

    sources = extract_sources(response)

    if len(sources) == 0:
        # Automatic reformulation
        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
    }

Web pretraživanje sa streamingom

Web pretraživanje traje nekoliko sekundi, ponekad i više ako model lančano izvrši nekoliko upita. Uz streaming, korisnik vidi kako se odgovor gradi umjesto da gleda u indikator učitavanja – a za ovakvu latenciju, razlika u percepciji je ogromna uz gotovo nulti trošak implementacije.

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":
        # Extract sources at the end
        sources = extract_sources(event.response)
        print(f"\n\n--- {len(sources)} sources consulted ---")

Filtriraj domene i izlistaj izvore

Alat web_search prihvaća parametar filters koji ograničava pretraživanje na popis dopuštenih domena (do 100) ili isključuje popis (također do 100). Domenе piši bez http:// ili https://. Filtriranje postoji samo uz web_search u Responses API-ju: zastarjeli alat web_search_preview ga ignorira.

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)

Opcija include=["web_search_call.action.sources"] vraća puni popis konzultiranih URL-ova, koji je često duži od popisa citata. Sami citati stižu kao anotacije url_citation (URL, naslov, pozicija u tekstu): OpenAI-jeva dokumentacija traži da ih u svom sučelju prikažeš vidljivo i kao poveznice na koje se može kliknuti.

Ključne točke

  • search_context_size kontrolira volumen ubačenih web podataka
  • filters ograničava ili isključuje domene (maks. 100); include izlistava sve konzultirane izvore
  • Sistemski prompt usmjerava model prema ispravnim izvorima
  • Izdvoj anotacije url_citation za praćenje izvora
  • Implementiraj unakrsnu provjeru za kritične informacije
  • Obradi nedostatak rezultata automatskom reformulacijom