Sorties structurées et recherche web
Šiame puslapyje
Combiner sorties structurées et recherche en temps réel
Les sorties structurées ne servent pas uniquement aux données statiques. Sur Grok 4 et les modèles ultérieurs, c’est-à-dire l’intégralité de la gamme actuelle, tu peux combiner les sorties structurées avec la recherche web. Le modèle effectue une recherche sur le web pour obtenir des informations en temps réel, puis structure les résultats selon ton schéma.
Pourquoi cette combinaison est puissante
Sans cette fonctionnalité, l’obtention de données structurées depuis le web nécessite trois étapes distinctes :
- Appeler une API de recherche (Google, Bing, etc.)
- Analyser les résultats bruts
- Envoyer les résultats au LLM pour structuration
Avec les sorties structurées + recherche web, tout se déroule en un seul appel. Le modèle recherche, synthétise et structure.
Prérequis : Grok 4 minimum
Cette fonctionnalité est disponible sur Grok 4 et les modèles ultérieurs, ce qui couvre l’intégralité de la gamme actuelle (Grok 4.5, Grok 4.3, variantes grok-4.20). Les anciens modèles Grok 3 et Grok 3 Mini ne prenaient pas en charge la combinaison d’outils avec des sorties structurées.
Exemple : Veille concurrentielle
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}")
Le modèle va :
- Rechercher les néobanques françaises actuelles sur le web
- Collecter les informations pertinentes
- Structurer le tout selon le schéma
VeilleConcurrentielle
Exemple : Suivi de l’actualité
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}")
Bonnes pratiques
Sois précis dans ton prompt
La recherche web fonctionne mieux avec des requêtes spécifiques :
# Trop vague
"What's new in tech?"
# Précis et actionnable
"The 5 largest AI funding rounds in France in Q1 2026"
Adapte ton schéma aux données disponibles
Ne demande pas de données que le web ne peut pas fournir de manière fiable :
# Difficile à trouver précisément
class Entreprise(BaseModel):
chiffre_affaires_exact: float # rarement public
# Réaliste
class Entreprise(BaseModel):
chiffre_affaires_estime: str # "environ 50 M€"
source_estimation: str
Gère les données manquantes
Rends les champs optionnels s’ils risquent de ne pas être trouvés :
class InfoEntreprise(BaseModel):
nom: str
fondateur: str
annee_creation: int
valorisation: str | None # pas toujours disponible
nombre_employes: str | None
Svarbiausi punktai
- La combinaison sorties structurées + recherche web nécessite Grok 4 minimum ; l’intégralité de la gamme actuelle est compatible
- Active la recherche web avec
tools=[{"type": "web_search"}] - Un seul appel API remplace la chaîne recherche → analyse → structuration
- Sois précis dans tes prompts pour obtenir de meilleurs résultats
- Rends les champs optionnels si leur disponibilité n’est pas garantie