Output strutturati e ricerca web
In questa pagina
Combina output strutturati e ricerca in tempo reale
Gli output strutturati non servono solo per i dati statici. Sui modelli Grok 4 e successivi, ovvero sull’intera gamma attuale, puoi combinare gli output strutturati con la ricerca web. Il modello cerca informazioni in tempo reale sul web, quindi struttura i risultati secondo il tuo schema.
Perché questa combinazione è potente
Senza questa funzionalità, ottenere dati strutturati dal web richiede tre passaggi separati:
- Chiamare un’API di ricerca (Google, Bing, ecc.)
- Analizzare i risultati grezzi
- Inviare i risultati all’LLM per la strutturazione
Con gli output strutturati + ricerca web, tutto avviene in una singola chiamata. Il modello cerca, sintetizza e struttura.
Prerequisiti: minimo Grok 4
Questa funzionalità è disponibile sui modelli Grok 4 e successivi, che coprono l’intera gamma attuale (Grok 4.5, Grok 4.3, varianti grok-4.20). I vecchi modelli Grok 3 e Grok 3 Mini non supportavano la combinazione di strumenti con output strutturati.
Esempio: Intelligence competitiva
from pydantic import BaseModel
class Concurrent(BaseModel):
nom: str
site_web: str
produit_phare: str
avantage_principal: str
class VeilleConcurrentielle(BaseModel):
secteur: str
date_analyse: str
concurrents: list[Concurrent]
tendances: list[str]
opportunites: list[str]
response, parsed = client.chat.parse(
model="grok-4.20-0309-reasoning",
messages=[{
"role": "user",
"content": "Perform competitive intelligence on the French neobank market in 2026"
}],
response_format=VeilleConcurrentielle,
tools=[{"type": "web_search"}]
)
for c in parsed.concurrents:
print(f"{c.nom} — {c.avantage_principal}")
Il modello:
- Cercherà le attuali neobanche francesi sul web
- Raccoglierà le informazioni rilevanti
- Strutturerà tutto secondo lo schema
VeilleConcurrentielle
Esempio: Monitoraggio delle notizie
class Article(BaseModel):
titre: str
source: str
date: str
resume: str
impact: str
class RevuePresse(BaseModel):
sujet: str
articles: list[Article]
synthese: str
response, parsed = client.chat.parse(
model="grok-4.20-0309-reasoning",
messages=[{
"role": "user",
"content": "What is the latest news on AI regulation in Europe?"
}],
response_format=RevuePresse,
tools=[{"type": "web_search"}]
)
print(parsed.synthese)
for article in parsed.articles:
print(f"[{article.source}] {article.titre}")
Migliori pratiche
Sii specifico nel prompt
La ricerca web funziona meglio con query specifiche:
# Troppo vago
"What's new in tech?"
# Preciso e azionabile
"The 5 largest AI funding rounds in France in Q1 2026"
Adatta il tuo schema ai dati disponibili
Non richiedere dati che il web non può fornire in modo affidabile:
# Difficile da trovare con precisione
class Entreprise(BaseModel):
chiffre_affaires_exact: float # raramente pubblico
# Realistico
class Entreprise(BaseModel):
chiffre_affaires_estime: str # "circa 50 milioni di euro"
source_estimation: str
Gestisci i dati mancanti
Rendi i campi opzionali se potrebbero non essere trovati:
class InfoEntreprise(BaseModel):
nom: str
fondateur: str
annee_creation: int
valorisation: str | None # non sempre disponibile
nombre_employes: str | None
Punti chiave
- La combinazione output strutturati + ricerca web richiede almeno Grok 4: l’intera gamma attuale è compatibile
- Abilita la ricerca web con
tools=[{"type": "web_search"}] - Una singola chiamata API sostituisce la catena ricerca → analisi → strutturazione
- Sii specifico nei tuoi prompt per ottenere risultati migliori
- Rendi i campi opzionali se la disponibilità non è garantita