Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Web Search API: keresés programozottan

5. lecke 20 közül Frissítve 2026. november 2. Fejlesztő
Ezen az oldalon
  1. Web Search API: keresés programozottan
  2. A webes keresés engedélyezése
  3. A válasz szerkezete
  4. Felhasználói kontextus a relevancia érdekében
  5. Webes keresés kombinálása egyedi függvényekkel
  6. Gyakorlati alkalmazási esetek éles környezetben
  7. Ismert korlátok
  8. Főbb megállapítások

A leckét 2026. november 2-án frissítettük az OpenAI dokumentációja alapján: a Code Interpreter eszköz mostantól igényli a container paramétert (ezt minden példában hozzáadtuk), a bemeneti szövegrészek típusa input_text, a webes keresés pedig a web_search eszközt használja (a web_search_preview már elavult eszköz, domain-szűrők nélkül). A generált fájlokat a 10. leckéből ismert fichiers_generes és telecharger függvényekkel érheted el. Források: Code Interpreter · Webes keresés.

Web Search API: keresés programozottan

A Web Search eszköz lehetővé teszi, hogy a modell valós idejű webes kereséseket hajtson végre közvetlenül a Responses API-n keresztül. Többé nem kell harmadik féltől származó keresőAPI-t integrálnod: a modell maga fogalmazza meg a lekérdezést, futtatja le a keresést, és szintetizálja az eredményeket.

A webes keresés engedélyezése

Az aktiváláshoz mindössze egy sor kód szükséges, ami azonban alapvető változást takar: az alkalmazásod többé nincs korlátozva a modell tudásbázisának lezárási dátumához. A tegnapi eseményekre, az aktuális árakra vagy a legfrissebb szabályozásokra vonatkozó kérdésekre így válaszolhatsz anélkül, hogy harmadik féltől származó keresőmotort kellene integrálnod vagy fizetned érte.

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Mik a legfrissebb Ligue 1 eredmények?",
    tools=[{"type": "web_search"}]
)

print(response.output_text)

A modell önállóan dönti el, mikor keressen, és ezt a pontot érdemes hangsúlyozni: nem keres szisztematikusan. Azokra a kérdésekre, amelyekről úgy véli, hogy a meglévő tudása lefedi őket, közvetlenül válaszol – ez gyorsabb és olcsóbb, de azzal a kockázattal jár, hogy elavult információkat közöl ugyanolyan magabiztossággal. Amikor a frissesség kritikus fontosságú, ezt expliciten fogalmazd meg a promptodban, ahelyett, hogy abban bíznál, a modell helyesen találgat.

A válasz szerkezete

A források annotációkként érkeznek, a válaszszövegtől elkülönítve. Ez lehetővé teszi, hogy tetszés szerint jelenítsd meg őket, ellenőrizd őket, vagy gyanúsként jelöld meg azokat a válaszokat, amelyeknél hiányoznak a források, pedig a téma megkövetelné azokat.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Mi az LVMH aktuális részvényárfolyama?",
    tools=[{"type": "web_search"}]
)

# Szintetizált szöveg
print(response.output_text)

# Források vizsgálata
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"Forrás: {annotation.url}")
                        print(f"Cím: {annotation.title}")

Felhasználói kontextus a relevancia érdekében

A tartózkodási hely jobban befolyásolja az eredményeket, mint gondolnád, és nemcsak az egyértelműen lokális kereséseknél. Az adózásra, az árakra, a rendelkezésre állásra vagy a jogi kötelezettségekre vonatkozó kérdések országonként eltérő válaszokat generálnak: a user_location paraméter hiányában a modell gyakran egy USA-központú kontextust feltételez alapértelmezettként.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Melyik japán étterem tart ma este nyitva?",
    tools=[{
        "type": "web_search",
        "user_location": {
            "type": "approximate",
            "city": "Paris",
            "country": "FR"
        }
    }]
)

A user_location paraméter többféle pontossági szintet fogad el:

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

Webes keresés kombinálása egyedi függvényekkel

A leghatékonyabb kombináció mindig ugyanazt a mintázatot követi: a web külső információkat hoz, a te függvényeid belső kontextust biztosítanak, a modell pedig összeköti a pontokat. Az értékteremtés именно ebben az összekötésben rejlik – sem a keresés, sem a saját adataid önmagukban nem válaszolják meg azt a kérdést, hogy „ez a változás ránk is vonatkozik?“.

tools = [
    {"type": "web_search"},
    {
        "type": "function",
        "name": "sauvegarder_veille",
        "description": "Mentse el a monitoring eredményét az adatbázisba",
        "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="Keress rá az európai AI-szabályozás legfrissebb híreire, "
          "és mentsd el a fontos eredményeket",
    tools=tools
)

Gyakorlati alkalmazási esetek éles környezetben

Automatizált versenykörnyezet-elemzés

def veille_quotidienne(entreprises: list[str]):
    """Elindítja a webes monitoringot minden versenytárs számára."""
    resultats = []
    for entreprise in entreprises:
        response = client.responses.create(
            model="gpt-5.6-terra",
            input=f"Mik a legfrissebb hírek a(z) {entreprise} cég körül? "
                  "Fókuszálj a termékbejelentésekre, a finanszírozási körökre "
                  "és a partnerségekre az elmúlt 7 napból.",
            tools=[{"type": "web_search"}]
        )
        resultats.append({
            "entreprise": entreprise,
            "synthese": response.output_text
        })
    return resultats

Tényellenőrzés

def verifier_affirmation(affirmation: str) -> dict:
    """Ellenőrzi az állítást több webes forrás keresztreferenciálásával."""
    response = client.responses.create(
        model="gpt-5.6-terra",
        input=f"Ellenőrizd ezt az állítást megbízható források keresésével: "
              f"'{affirmation}'. Állapítsd meg, hogy igaz, hamis vagy bizonytalan, "
              f"és tüntesd fel a következtetésedet alátámasztó forrásokat.",
        tools=[{"type": "web_search"}]
    )

    # Idézetek kinyerése
    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
    }

Ismert korlátok

  • A modell nagyon szűk témák esetén lehet, hogy nem talál releváns eredményeket
  • Az eredmények függnek a lekérdezés időpontjában elérhető webes indexeléstől
  • A hívásonkénti keresések száma korlátozott: a modell precíz lekérdezések megfogalmazásával optimalizál
  • A fizetőfalak vagy bejelentkezési képernyők mögötti tartalmak elérhetetlenek

Főbb megállapítások

  • Add hozzá a web_search elemet egy sorban a tools listához
  • A modell autonóm módon dönti el, mikor keressen a weben
  • A user_location paraméter javítja a helyi eredmények relevanciáját
  • Az url_citation annotációk biztosítják a forrásokat
  • Kombináld a Web Search funkciót a saját függvényeiddel a monitoring automatizálásához