Strumento web_search: Ricerca in tempo reale su Internet
In questa pagina
I quattro strumenti integrati di Mistral
Questa lezione inaugura la sezione dedicata agli strumenti integrati. Prima di approfondire il primo, prenditi un minuto per esaminare i quattro strumenti disponibili nell’API Agents e le esigenze che soddisfano.
| Strumento | Tipo | Descrizione | Caso d'uso |
|---|---|---|---|
| Ricerca Web | web_search | Ricerca in tempo reale su Internet | Notizie, monitoraggio, verifica dei fatti |
| Interprete di codice | code_interpreter | Esecuzione di codice Python in sandbox | Calcoli, analisi dati, grafici |
| Generazione di immagini | image_generation | Creazione da testo a immagine | Illustrazioni, mockup, lavori creativi |
| Libreria di documenti | document_library | RAG su documenti caricati | Domande e risposte sui file, estrazione, riassunto |
Questi strumenti vengono eseguiti nell’ambiente cloud di Mistral: non devi gestire alcuna infrastruttura. Questa è una differenza fondamentale rispetto alla chiamata di funzioni classica, dove gestisci tu l’esecuzione: qui dichiari una capacità e il provider si occupa della sandbox, delle dipendenze e del ridimensionamento.
Dettagli sulla ricerca Web
Lo strumento web_search consente al tuo agente di cercare informazioni su Internet in tempo reale. È lo strumento più utilizzato perché risolve un problema fondamentale dei LLM: il divario temporale con la realtà. Un modello non sa nulla degli eventi accaduti dopo il suo addestramento e non sa nemmeno di non sapere, il che porta a risposte sicure basate su una visione obsoleta del mondo.
Configurare un agente con questo strumento richiede solo poche righe.
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}
)
Esecuzione di una ricerca
Interroghi questo agente come qualsiasi altro: la decisione di effettuare una ricerca spetta all’agente.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Who won the most recent European Football Championship?"
)
Dietro questa singola chiamata si nasconde un’intera catena di eventi. L’agente analizza prima la domanda per determinare se le sue conoscenze sono sufficienti: qui, l’espressione “più recente” implica informazioni datate, quindi non lo sono. Formula quindi una query di ricerca ottimizzata, spesso diversa dalla tua frase, priva di formulazioni conversazionali. Esegue la ricerca e sintetizza i risultati allegando le citazioni. Non controlli nessuno di questi passaggi, ma puoi vederli tutti nella risposta.
Anatomia della risposta
La risposta contiene diverse voci sequenziali che devi iterare in ordine.
for entry in response.outputs:
print(f"--- {entry.type} ---")
if entry.type == "tool.execution":
# Details of the search performed
print(f"Tool: {entry.tool_name}")
elif entry.type == "message.output":
# 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}")
Vedrai prima una voce tool.execution, che contiene i metadati dell’operazione, inclusa la query effettiva inviata al motore di ricerca. Questo è il punto da controllare quando una risposta sembra fuori tema, poiché spesso noterai che la riformulazione ha deviato. La voce message.output contiene quindi la risposta sintetizzata, suddivisa in blocchi text e tool_reference: da qui il ciclo annidato nel codice sopra.
Utilizzo della modalità diretta (senza agente)
Lo strumento funziona anche senza un agente registrato, il che è comodo per test rapidi.
response = client.beta.conversations.start(
model="mistral-large-latest",
inputs=[{"role": "user", "content": "Latest news on Mistral AI"}],
tools=[{"type": "web_search"}]
)
Best practice che fanno la differenza
Inizia ponendo domande precise. L’agente trasforma la tua domanda in una query di ricerca: “parlami dell’IA” produrrà risultati generici, mentre “quali regolamenti europei sull’IA sono stati adottati nel 2026?” mira immediatamente a pagine utili. Questa regola vale anche per le domande poste dai tuoi utenti: se la tua interfaccia consente richieste vaghe, includi nei tuoi istruzioni un passaggio per la riformulazione o per porre domande di chiarimento.
Successivamente, controlla la temperatura. Per compiti fattuali, un valore basso, tra 0,2 e 0,4, riduce le allucinazioni durante la sintesi dei risultati. La ricerca fornisce la materia prima, ma il modello scrive comunque e nulla gli impedisce di colmare le lacune se gli viene data troppa libertà.
Infine, verifica le fonti. Le citazioni sono automatiche, ma la loro rilevanza varia: un post su un forum e un testo ufficiale appaiono simili in un elenco di riferimenti. In contesti critici, apri gli URL restituiti prima di adottare le informazioni ed esponili ai tuoi utenti affinché possano fare lo stesso.
Punti chiave
web_searchoffre all’agente un accesso in tempo reale a Internet- Le risposte includono citazioni automatiche (titolo + URL)
web_search_premiumaggiunge fonti di notizie verificate- Lo strumento funziona con o senza agente (la modalità diretta è possibile)
- Si consiglia una temperatura bassa per i compiti fattuali