Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

web_search eszköz: Valós idejű internetes keresés

8. lecke 18 közül Frissítve 2026. november 2. Fejlesztő
Ezen az oldalon
  1. A Mistral négy beépített eszköze
  2. A webes keresés részletesen
  3. Keresés futtatása
  4. A válasz felépítése
  5. Közvetlen mód használata (ügynök nélkül)
  6. Bevált gyakorlatok, amelyek számítanak
  7. Főbb megállapítások

A Mistral négy beépített eszköze

Ez a lecke indítja az beépített eszközökről szóló fejezetet. Mielőtt belevágnánk az elsőbe, szánj egy percet a Agents API-ban elérhető négy eszköz és az általuk megoldott igények áttekintésére.

Eszköz Típus Leírás Használati eset
Webes keresés web_search Valós idejű internetes keresés Hírek, monitorozás, tényellenőrzés
Kódértelmező code_interpreter Homokozó környezetben futtatott Python kód Számítások, adatelemzés, diagramok
Képgenerálás image_generation Szövegből kép létrehozása Illusztrációk, makettek, kreatív munka
Dokumentumtár document_library RAG feltöltött dokumentumokon Fájlos kérdések, kinyerés, összefoglalás

Ezek az eszközök a Mistral felhőkörnyezetében futnak – neked semmilyen infrastruktúrát nem kell kezelned. Ez alapvető különbség a klasszikus függvényhíváshoz képest, ahol te végzed a végrehajtást: itt csupán deklarálod a képességet, a szolgáltató pedig kezeli a homokozót, a függőségeket és a méretezést.

A webes keresés részletesen

A web_search eszköz lehetővé teszi, hogy az ügynököd valós időben keressen információkat az interneten. Ez a legszélesebb körben használt eszköz, mert megold egy alapvető LLM-problémát: az időbeli szakadékot a valósághoz képest. Egy modell nem tud semmit a tanítása után történt eseményekről, és azt sem tudja, hogy nem tudja – ez pedig magabiztos, de elavult világképen alapuló válaszokhoz vezet.

Az eszköz konfigurálása mindössze néhány sor kódot igényel.

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}
)

Keresés futtatása

Ugyanúgy kérdezed meg ezt az ügynököt, mint bármelyik másikat: a keresés eldöntése az ügynök feladata.

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

Egyetlen hívás mögött események egész lánca húzódik meg. Az ügynök először elemzi a kérdést, hogy eldöntse: elegendő-e a saját tudása – itt a „legutóbbi“ szó dátumhoz kötött információt sejtet, tehát nem az. Ezután optimalizált keresési lekérdezést fogalmaz meg, amely gyakran eltér a te mondatodtól, mentes a beszélgetési fordulatoktól. Végrehajtja a keresést, majd szintetizálja az eredményeket hivatkozásokkal ellátva. Te nem irányítod ezeket a lépéseket, de a válaszban mindet láthatod.

A válasz felépítése

A válasz több szekvenciális bejegyzést tartalmaz, amelyeken sorban kell végigiterálnod.

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

    if entry.type == "tool.execution":
        # A végrehajtott keresés részletei
        print(f"Tool: {entry.tool_name}")

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

Először egy tool.execution bejegyzést látsz, amely a művelet metaadatait hordozza, beleértve a keresőmotorhoz ténylegesen elküldött lekérdezést is. Ez az a hely, ahol érdemes körülnézni, ha a válasz témát tévesztett, mert gyakran itt látszik, hogy az átfogalmazás félrement. A message.output bejegyzés ezután a szintetizált választ hordozza, text és tool_reference darabokra bontva – ezért szükséges a fenti kódban a beágyazott ciklus.

Közvetlen mód használata (ügynök nélkül)

Az eszköz regisztrált ügynök nélkül is működik, ami gyors tesztelés esetén kényelmes.

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

Bevált gyakorlatok, amelyek számítanak

Kezdd pontos kérdésekkel. Az ügynök átalakítja a kérdésedet keresési lekérdezéssé: az „mesélj az AI-ról“ általános eredményeket hoz, míg a „milyen európai AI-szabályozásokat fogadtak el 2026-ban?“ azonnal célzott, használható oldalakra irányít. Ez a szabály a felhasználóid kérdéseire is vonatkozik: ha a felületed engedélyezi a bizonytalan kéréseket, építs be egy lépést az utasításaidba az átfogalmazáshoz vagy a tisztázó kérdésekhez.

Ezután kontrolláld a hőmérsékletet (temperature). Tényalapú feladatoknál az alacsony érték – 0,2 és 0,4 között – csökkenti a hallucinációkat az eredmények szintetizálásakor. A keresés biztosítja a nyersanyagot, de a modellt még mindig ír, és semmi sem akadályozza meg abban, hogy kitöltse a hézagokat, ha túl nagy szabadságot kap.

Végül ellenőrizd a forrásokat. A hivatkozások automatikusak, de relevanciájuk változó: egy fórumbejegyzés és egy hivatalos szöveg hasonlóan néz ki a hivatkozási listában. Kritikus kontextusban nyisd meg a visszaadott URL-eket, mielőtt elfogadnád az információt – és tedd elérhetővé őket a felhasználóid számára is, hogy ők is megtehessék ugyanezt.

Főbb megállapítások

  • A web_search valós idejű internetelérést biztosít az ügynök számára
  • A válaszok automatikus hivatkozásokat tartalmaznak (cím + URL)
  • A web_search_premium ellenőrzött hírforrásokat ad hozzá
  • Az eszköz ügynökkel és anélkül is működik (közvetlen mód lehetséges)
  • Tényalapú feladatokhoz alacsony hőmérséklet ajánlott