Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Alat web_search: Pretraživanje interneta u stvarnom vremenu

Lekcija 8 od 18 Ažurirano 2. studenoga 2026. Programer
Na ovoj stranici
  1. Četiri Mistralova ugrađena alata
  2. Detalji o web pretraživanju
  3. Pokretanje pretraživanja
  4. Anatomija odgovora
  5. Korištenje izravnog načina (bez agenta)
  6. Najbolje prakse koje čine razliku
  7. Ključne točke

Četiri Mistralova ugrađena alata

Ova lekcija otvara poglavlje o ugrađenim alatima. Prije nego što zaronimo u prvi od njih, odvoji minutu za pregled četiri alata dostupna u Agents API-ju i potreba koje oni zadovoljavaju.

Alat Vrsta Opis Slučaj upotrebe
Web Search web_search Pretraživanje interneta u stvarnom vremenu Vijesti, nadzor, provjera činjenica
Code Interpreter code_interpreter Izvršavanje Python koda u izoliranom okruženju (sandbox) Izračuni, analiza podataka, grafikoni
Image Generation image_generation Stvaranje slika iz teksta Ilustracije, makete, kreativni radovi
Document Library document_library RAG na učitanim dokumentima Odgovori na pitanja o datotekama, ekstrakcija, sažimanje

Ovi alati rade u Mistralovom cloud okruženju – nemaš nikakvu infrastrukturu za održavati na svojoj strani. To je temeljna razlika u odnosu na klasično pozivanje funkcija, gdje ti upravljaš izvršavanjem: ovdje samo deklariraš mogućnost, a pružatelj usluge brine o izoliranom okruženju (sandbox), ovisnostima i skaliranju.

Detalji o web pretraživanju

Alat web_search omogućuje tvom agentu da u stvarnom vremenu pretražuje informacije na internetu. Najčešće korišteni je alat jer rješava temeljni problem velikih jezičnih modela (LLM): vremenski jaz u odnosu na stvarnost. Model ne zna ništa o događajima koji su se dogodili nakon njegove obuke, a čak ni ne zna da to ne zna – što dovodi do uvjerenih odgovora temeljenih na zastarjelom pogledu na svijet.

Konfiguriranje agenta s ovim alatom zahtijeva samo nekoliko redaka koda.

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="Web Search Agent",
    instructions="You perform web searches to answer questions. Always cite your sources.",
    tools=[{"type": "web_search"}],
    completion_args={"temperature": 0.3, "top_p": 0.95}
)

Pokretanje pretraživanja

Ovom agentu postavljaš upite kao i svakom drugom: odluka o pretraživanju pripada agentu.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Who won the most recent European Football Championship?"
)

Iza ovog jednog poziva krije se čitav lanac događaja. Agent prvo analizira pitanje kako bi utvrdio je li njegovo vlastito znanje dovoljno – ovdje riječ „najnovije“ implicira informacije vezane uz datum, pa nije. Zatim formulira optimizirani upit za pretraživanje, koji se često razlikuje od tvoje rečenice, očišćen od konverzacijskih fraza. Izvršava pretraživanje, a zatim sintetizira rezultate s priloženim citatima. Ne kontroliraš nijedan od ovih koraka, ali ih sve možeš vidjeti u odgovoru.

Anatomija odgovora

Odgovor sadrži nekoliko uzastopnih unosa kroz koje moraš iterirati redom.

for entry in response.outputs:
    print(f"--- {entry.type} ---")

    if entry.type == "tool.execution":
        # Detalji izvršenog pretraživanja
        print(f"Tool: {entry.tool_name}")

    elif entry.type == "message.output":
        # Odgovor s citatima
        for chunk in entry.content:
            if chunk.type == "text":
                print(chunk.text)
            elif chunk.type == "tool_reference":
                print(f"[Source] {chunk.title} — {chunk.url}")

Prvo ćeš vidjeti unos tool.execution, koji nosi metapodatke operacije, uključujući stvarni upit poslan tražilici. Ovo je mjesto gdje trebaš gledati kada se odgovor čini izvan teme, jer ćeš često vidjeti da je reformulacija skrenula s puta. Unos message.output zatim nosi sintetizirani odgovor, podijeljen na dijelove text i tool_reference – otuda ugniježđena petlja u gornjem kodu.

Korištenje izravnog načina (bez agenta)

Alat radi i bez registriranog agenta, što je pogodno za brzo testiranje.

response = client.beta.conversations.start(
    model="mistral-large-latest",
    inputs=[{"role": "user", "content": "Latest news on Mistral AI"}],
    tools=[{"type": "web_search"}]
)

Najbolje prakse koje čine razliku

Započni postavljanjem preciznih pitanja. Agent transformira tvoje pitanje u upit za pretraživanje: „reci mi nešto o umjetnoj inteligenciji“ dat će generičke rezultate, dok će „koji europski propisi o umjetnoj inteligenciji usvojeni su 2026.?“ odmah ciljati na korisne stranice. Ovo pravilo vrijedi i za pitanja koja postavljaju tvoji korisnici: ako tvoje sučelje dopušta nejasne zahtjeve, uključi korak u svoje upute za reformulaciju ili postavljaj pitanja za razjašnjenje.

Zatim, kontroliraj temperaturu. Za faktografske zadatke, niska vrijednost – između 0,2 i 0,4 – smanjuje halucinacije tijekom sinteze rezultata. Pretraživanje osigurava sirovi materijal, ali model još uvijek piše tekst i ništa ga ne sprječava da popuni praznine ako mu se da previše slobode.

Konačno, provjeri izvore. Citati su automatski, ali njihova relevantnost varira: objava na forumu i službeni tekst izgledaju slično na popisu referenci. U kritičnim kontekstima, otvori vraćene URL-ove prije usvajanja informacija – i izloži ih svojim korisnicima kako bi i oni mogli učiniti isto.

Ključne točke

  • web_search daje agentu pristup internetu u stvarnom vremenu
  • Odgovori uključuju automatske citate (naslov + URL)
  • web_search_premium dodaje verificirane izvore vijesti
  • Alat radi s agentom ili bez njega (moguć je izravni način rada)
  • Niska temperatura preporučuje se za faktografske zadatke