Configurer et contrôler les résultats web
Šiame puslapyje
- Configurer et contrôler les résultats web
- Le paramètre search_context_size
- Guider les requêtes de recherche via le prompt
- Extraire et structurer les citations
- Motif : recherche avec validation croisée
- Gérer l’absence de résultats
- Recherche web avec streaming
- Filtrer les domaines et lister les sources
- Svarbiausi punktai
Leçon mise à jour le 2 novembre 2026 sur la base de la documentation OpenAI : l’outil Code Interpreter nécessite un paramètre
container(ajouté à tous les exemples), les parties de texte d’entrée sont de typeinput_text, et la recherche web utilise l’outilweb_search(web_search_previewest désormais un outil obsolète sans filtres de domaine). Les fichiers générés sont récupérés via les fonctionsfichiers_generesettelechargerde la leçon 10. Sources : Code Interpreter · Recherche web.
Configurer et contrôler les résultats web
Activer la recherche web tient en une ligne ; obtenir des réponses fiables exige trois réglages que cette leçon détaille. Le premier décide de la quantité de contenu web injectée dans le contexte, ce qui impacte directement ta facture. Le second oriente les requêtes que le modèle formule lui-même — car c’est lui qui les écrit, pas toi. Le troisième concerne les citations ; sans elles, une réponse sourcée n’est qu’une affirmation.
Le paramètre search_context_size
Le paramètre search_context_size contrôle la quantité de contenu web injectée dans le contexte du modèle. Il ne change ni le nombre de recherches ni leur qualité : il détermine combien de texte, une fois les pages trouvées, entre réellement dans le prompt. C’est un arbitrage entre exhaustivité et coût, à ajuster selon le type de tâche, et non à fixer une fois pour toutes.
from openai import OpenAI
client = OpenAI()
# Contexte minimal : réponses rapides et concises
response = client.responses.create(
model="gpt-5.6-terra",
input="What is France's GDP in 2025?",
tools=[{
"type": "web_search",
"search_context_size": "low"
}]
)
# Contexte moyen : bon compromis (par défaut)
response = client.responses.create(
model="gpt-5.6-terra",
input="Summarize AI market trends in Europe",
tools=[{
"type": "web_search",
"search_context_size": "medium"
}]
)
# Contexte large : analyse approfondie
response = client.responses.create(
model="gpt-5.6-terra",
input="Compare AI strategies in France, Germany, and the Netherlands",
tools=[{
"type": "web_search",
"search_context_size": "high"
}]
)
Impact sur les coûts et la latence
La règle est simple : n’augmente le niveau que si la réponse obtenue t’a concrètement déçu. Une date, un chiffre ou une confirmation factuelle ne nécessitent rien de plus que low ; utiliser high pour cela revient à payer un dossier complet pour lire une seule ligne.
| Taille | Jetons de contexte | Latence | Coût | Usage |
|---|---|---|---|---|
low | Minimal | Rapide | Faible | Faits simples, chiffres |
medium | Modéré | Standard | Moyen | Résumés, comparaisons |
high | Maximal | Plus lente | Élevé | Analyse approfondie |
Guider les requêtes de recherche via le prompt
Voici le point que la plupart découvrent trop tard : le modèle formule ses propres requêtes de recherche. Tu écris « quelles sont les récentes évolutions réglementaires ? » et il les traduit en mots-clés que tu ne vois jamais. La qualité du résultat dépend donc d’une reformulation sur laquelle tu n’as qu’un contrôle indirect : le prompt système. Nomme les sources faisant autorité dans ton domaine et la période qui t’intéresse : c’est ce qui fait la différence.
response = client.responses.create(
model="gpt-5.6-terra",
instructions=(
"You are a market analyst specializing in European technology. "
"When you perform web searches, prioritize institutional sources "
"(European Commission, INSEE, Eurostat) and specialized media "
"(Les Echos, La Tribune, TechCrunch). "
"Ignore personal blogs and forums."
),
input="What is the state of AI startup funding in France?",
tools=[{
"type": "web_search",
"search_context_size": "high"
}]
)
Extraire et structurer les citations
Les citations arrivent sous forme d’annotations attachées à la réponse, et non dans le texte lui-même. Cette séparation est une bonne nouvelle : elle te permet d’afficher les sources comme tu le souhaites, de les vérifier, ou de rejeter une réponse qui n’en contient aucune. Dans toute application où la réponse a un poids — juridique, médical, financier — traiter l’absence d’annotations comme une erreur est plus sûr que de faire confiance au texte.
def extract_sources(response) -> list[dict]:
"""Extract all URL citations from a Web Search response."""
sources = []
for item in response.output:
if item.type == "message":
for block in item.content:
if hasattr(block, "annotations"):
for ann in block.annotations:
if ann.type == "url_citation":
sources.append({
"url": ann.url,
"title": ann.title,
"excerpt_start": ann.start_index,
"excerpt_end": ann.end_index
})
return sources
# Usage
response = client.responses.create(
model="gpt-5.6-terra",
input="What are the new GDPR rules for AI in 2026?",
tools=[{"type": "web_search"}]
)
sources = extract_sources(response)
for s in sources:
print(f" {s['title']}: {s['url']}")
Motif : recherche avec validation croisée
Une source unique reste une source unique, même si un modèle l’a trouvée. Pour les informations qui pilotent une décision, demande explicitement une confirmation auprès de plusieurs sources indépendantes et fais en sorte que le modèle signale les désaccords plutôt que de les arbitrer silencieusement : un désaccord entre deux sources est en soi une information, souvent plus utile qu’une moyenne des deux.
def validated_search(question: str, min_sources: int = 3) -> dict:
"""Web search requiring multiple sources."""
response = client.responses.create(
model="gpt-5.6-terra",
instructions=(
f"To answer this question, you must find at least "
f"{min_sources} independent sources that confirm the information. "
"If sources contradict each other, flag the discrepancies. "
"Cite each source explicitly."
),
input=question,
tools=[{
"type": "web_search",
"search_context_size": "high"
}]
)
sources = extract_sources(response)
return {
"answer": response.output_text,
"sources": sources,
"reliability": "high" if len(sources) >= min_sources else "verify"
}
Gérer l’absence de résultats
Il y a un cas que l’on oublie souvent de traiter : la recherche ne renvoie rien. Le risque n’est pas l’absence de réponse, c’est que, faute de résultats, le modèle réponde à partir de ses connaissances internes sans le signaler, te fournissant ainsi des informations plausibles mais obsolètes. Demande-lui de le dire explicitement et prévois une reformulation.
def search_with_fallback(question: str) -> dict:
"""Web search with failure detection and reformulation."""
# Première tentative
response = client.responses.create(
model="gpt-5.6-terra",
input=question,
tools=[{"type": "web_search"}]
)
sources = extract_sources(response)
if len(sources) == 0:
# Reformulation automatique
response = client.responses.create(
model="gpt-5.6-terra",
input=f"Rephrase this question for a more effective web search, "
f"then search: {question}",
tools=[{"type": "web_search", "search_context_size": "high"}]
)
sources = extract_sources(response)
return {
"answer": response.output_text,
"sources": sources
}
Recherche web avec streaming
Une recherche web prend quelques secondes, parfois plus si le modèle enchaîne plusieurs requêtes. Avec le streaming, l’utilisateur voit la réponse se construire au lieu de fixer un indicateur de chargement — et pour ce type de latence, la différence de perception est énorme pour un coût d’implémentation quasi nul.
stream = client.responses.create(
model="gpt-5.6-terra",
input="What are this week's tech news headlines?",
tools=[{"type": "web_search"}],
stream=True
)
for event in stream:
if event.type == "response.output_text.delta":
print(event.delta, end="", flush=True)
elif event.type == "response.completed":
# Extraire les sources à la fin
sources = extract_sources(event.response)
print(f"\n\n--- {len(sources)} sources consulted ---")
Filtrer les domaines et lister les sources
L’outil web_search accepte un paramètre filters qui restreint la recherche à une liste de domaines autorisés (jusqu’à 100) ou en exclut une liste (également jusqu’à 100). Écris les domaines sans http:// ni https://. Le filtrage n’existe qu’avec web_search dans l’API Responses : l’outil obsolète web_search_preview l’ignore.
response = client.responses.create(
model="gpt-5.6-terra",
tools=[{
"type": "web_search",
"filters": {"allowed_domains": ["service-public.fr", "legifrance.gouv.fr"]},
}],
include=["web_search_call.action.sources"],
input="What are the price display requirements for retail stores in France?",
)
print(response.output_text)
L’option include=["web_search_call.action.sources"] renvoie la liste complète des URL consultées, souvent plus longue que la liste des citations. Les citations elles-mêmes arrivent sous forme d’annotations url_citation (URL, titre, position dans le texte) : la documentation d’OpenAI demande de les afficher de manière visible et cliquable dans ton interface.
Svarbiausi punktai
search_context_sizecontrôle le volume de données web injectéesfiltersrestreint ou exclut des domaines (max 100) ;includeliste toutes les sources consultées- Le prompt système guide le modèle vers les bonnes sources
- Extrais les annotations
url_citationpour tracer les sources - Mets en œuvre une validation croisée pour les informations critiques
- Gère les résultats manquants par une reformulation automatique