Agent avec recherche web
In questa pagina
Donne à ton agent l’accès au web
Un LLM sans accès à Internet se limite à ses données d’entraînement. Si tu lui poses une question sur un texte réglementaire adopté le mois dernier, il prétendra soit ne pas savoir, soit — pire — répondra en se basant sur son état mémorisé du monde sans signaler que l’information est obsolète. En activant l’outil web_search sur ton agent, tu lui permets de trouver des informations en temps réel et de citer ses sources, améliorant ainsi la fraîcheur et la vérifiabilité de ses réponses.
Créer un agent avec recherche web
L’activation ne nécessite qu’une seule ligne de configuration, mais ce sont les instructions qui déterminent la qualité du résultat. L’exemple ci-dessous impose une discipline stricte : rechercher systématiquement, citer les URL, dater les découvertes et signaler les contradictions entre les sources.
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="News Agent",
instructions="""You are a news analyst.
- Use web search for every question
- Always cite your sources with URLs
- Specify the date of the information found
- If results are contradictory, mention it""",
tools=[{"type": "web_search"}],
completion_args={"temperature": 0.3, "top_p": 0.95}
)
La dernière instruction est la plus précieuse en pratique. Sans elle, un modèle confronté à deux chiffres divergents pourrait en choisir un et présenter sa synthèse comme un fait établi. Une température faible complète ce dispositif en réduisant les hallucinations lors de la reformulation des résultats.
L’outil web_search donne accès à un moteur de recherche standard. Pour des sources d’actualités vérifiées, utilise web_search_premium :
tools=[{"type": "web_search_premium"}]
Utiliser l’agent
L’appel ne diffère pas de celui d’un agent sans outils : tu ne déclenches pas la recherche ; c’est l’agent qui décide quand elle est nécessaire.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="What are the latest developments in AI regulation in Europe?"
)
Comprendre la structure de la réponse
Le changement est plus apparent lors de la lecture de la réponse. Un agent doté de la recherche web renvoie plusieurs types d’entrées. Un code qui se contenterait de lire la première entrée afficherait des métadonnées de recherche au lieu du texte attendu.
for entry in response.outputs:
if entry.type == "tool.execution":
# Web search metadata
print(f"Tool used: {entry.tool_name}")
print(f"Search query: {entry.info}")
elif entry.type == "message.output":
# Agent response with citations
for chunk in entry.content:
if chunk.type == "text":
print(chunk.text)
elif chunk.type == "tool_reference":
print(f" Source: {chunk.title} — {chunk.url}")
Note la boucle imbriquée : le contenu d’un message.output n’est pas une chaîne unique, mais une séquence de fragments, alternant textes et références. Chaque section de la réponse peut ainsi inclure des objets tool_reference contenant trois champs :
tool— Nom de l’outil source (web_search)title— Titre de la page web citéeurl— URL de référence
C’est un avantage majeur : ton agent ne se contente pas de répondre, il prouve ses affirmations par des sources vérifiables. Dans une interface, ces champs deviennent des liens cliquables placés au bon endroit dans le texte, permettant aux utilisateurs de retracer chaque affirmation jusqu’à son origine.
Ce que la recherche rend possible
Commence par la veille. Un agent dont les instructions encadrent le format de sortie transforme une question ouverte en une synthèse hebdomadaire régulière et comparable.
agent = client.beta.agents.create(
model="mistral-large-latest",
name="Tech Watch",
instructions="Conduct technology monitoring. Summarize the 5 most important news items on the requested topic.",
tools=[{"type": "web_search"}]
)
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Monitoring on AI agents — last 2 weeks"
)
Vient ensuite la vérification des faits, avec des instructions prenant la forme d’une procédure explicite. L’agent n’a pas besoin de décider d’une méthode ; la méthode est dictée, rendant le résultat prévisible.
agent = client.beta.agents.create(
model="mistral-large-latest",
name="Fact Checker",
instructions="""Verify the following claims.
For each claim:
1. Search for reliable sources
2. Indicate if it is true, false, or partially true
3. Cite your sources""",
tools=[{"type": "web_search"}]
)
La comparaison clôt la série : ici, la question elle-même porte les critères de décision. Plus tu spécifies les contraintes réelles — technologie, volume — plus les recherches déclenchées seront ciblées.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Compare cloud offerings from OVH, Scaleway, and AWS for hosting a Python application with 10K users/day."
)
web_search vs web_search_premium
| Aspect | web_search | web_search_premium |
|---|---|---|
| Moteur | Recherche standard | Recherche avancée |
| Sources | Web général | Fournisseurs d’actualités vérifiés |
| Coût | Inclus | Coût supplémentaire |
| Usage | Informations générales | Actualités fiables |
Pour la plupart des cas d’usage, web_search suffit. Réserve web_search_premium aux applications où la fiabilité des sources est critique (journalisme, conformité, veille réglementaire). Le raisonnement ne doit pas être « quelle option est la meilleure », mais « quel est le coût d’une source douteuse dans mon contexte » : pour un résumé d’actualités interne, il est nul ; pour une note soumise à un régulateur, il ne l’est pas.
Punti chiave
- L’outil
web_searchpermet à l’agent de rechercher sur Internet en temps réel - Les réponses incluent des citations avec le titre de la source et l’URL
web_search_premiumoffre des sources d’actualités vérifiées moyennant un coût supplémentaire- Une température faible (0,3) est recommandée pour les tâches factuelles impliquant une recherche
- L’agent décide automatiquement quand et comment utiliser la recherche web