Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Įrankis web_search: realaus laiko paieška internete

Paskaita 8 iš 18 Atnaujinta 2026 m. lapkričio 2 d. Kūrėjas
Šiame puslapyje
  1. Keturi Mistral integruoti įrankiai
  2. Išsamiau apie „Web Search“
  3. Paieškos vykdymas
  4. Atsakymo sandara
  5. Naudojimas tiesioginiu režimu (be agento)
  6. Geriausios praktikos, darančios skirtumą
  7. Svarbiausi punktai

Keturi Mistral integruoti įrankiai

Ši pamoka pradeda skyrių apie integruotus įrankius. Prieš gilindamasis į pirmąjį, skirk minutę apžvelgti keturis Agents API siūlomus įrankius ir poreikius, kuriuos jie tenkina.

Įrankis Tipas Aprašymas Naudojimo atvejis
Web Search web_search Realaus laiko paieška internete Naujienos, stebėsena, faktų tikrinimas
Code Interpreter code_interpreter Python kodo vykdymas izoliuotoje aplinkoje Skaičiavimai, duomenų analizė, diagramos
Image Generation image_generation Vaizdų kūrimas iš teksto Iliustracijos, maketai, kūrybiniai darbai
Document Library document_library RAG su įkeltais dokumentais Klausimai apie failus, informacijos ištraukimas, santraukos

Šie įrankiai veikia Mistral debesijos aplinkoje – tau nereikia valdyti jokios infrastruktūros. Tai esminis skirtumas nuo klasikinio funkcijų kvietimo, kai vykdymą valdai pats: čia tu tik nurodai galimybę, o tiekėjas pasirūpina izoliuota aplinka, priklausomybėmis ir mastelio keitimu.

Įrankis web_search leidžia tavo agentui realiuoju laiku ieškoti informacijos internete. Tai dažniausiai naudojamas įrankis, nes jis sprendžia vieną pagrindinių didžiųjų kalbos modelių (LLM) problemų: laiko atotrūkį nuo realybės. Modelis nieko nežino apie įvykius, nutikusius po jo mokymo, ir netgi nesuvokia, kad jų nežino – todėl gali pateikti įtikinamus, bet pasenusius atsakymus.

Agento konfigūravimas su šiuo įrankiu užtrunka vos kelias eilutes.

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}
)

Paieškos vykdymas

Šiam agentui užklausas teiki taip pat, kaip ir bet kuriam kitam: sprendimą ieškoti priima pats agentas.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Who won the most recent European Football Championship?"
)

Už šio vieno kvietimo slypi visa įvykių grandinė. Agentas pirmiausia išanalizuoja klausimą ir įvertina, ar jo pačio žinių pakanka – čia žodžiai „most recent“ (paskutinis) rodo, kad reikia naujausios informacijos, todėl savo žinių nepakanka. Tada jis suformuluoja optimizuotą paieškos užklausą, kuri dažnai skiriasi nuo tavo sakinio ir yra be šnekamosios kalbos elementų. Įvykdęs paiešką, agentas apibendrina rezultatus ir prideda citatas. Tu nevaldai nė vieno iš šių žingsnių, tačiau visus juos gali matyti atsakyme.

Atsakymo sandara

Atsakymą sudaro keli nuoseklūs įrašai, kuriuos turi apdoroti eilės tvarka.

for entry in response.outputs:
    print(f"--- {entry.type} ---")

    if entry.type == "tool.execution":
        # Atliktos paieškos detalės
        print(f"Tool: {entry.tool_name}")

    elif entry.type == "message.output":
        # Atsakymas su citatomis
        for chunk in entry.content:
            if chunk.type == "text":
                print(chunk.text)
            elif chunk.type == "tool_reference":
                print(f"[Source] {chunk.title} — {chunk.url}")

Pirmiausia pamatysi tool.execution įrašą, kuriame pateikiama operacijos metaduomenys, įskaitant actualią paieškos varikliui išsiųstą užklausą. Tai vieta, kur žiūrėti, jei atsakymas atrodo ne į temą – dažnai pastebėsi, kad performuluojant klausimą praslydo nukrypimas. Tada eina message.output įrašas su apibendrintu atsakymu, suskirstytu į text ir tool_reference dalis – todėl aukščiau esančiame kode naudojamas įdėtas ciklas.

Naudojimas tiesioginiu režimu (be agento)

Įrankis veikia ir neregistruojant agento, kas patogu greitai testuoti.

response = client.beta.conversations.start(
    model="mistral-large-latest",
    inputs=[{"role": "user", "content": "Latest news on Mistral AI"}],
    tools=[{"type": "web_search"}]
)

Geriausios praktikos, darančios skirtumą

Pirmiausia klausk tiksliai. Agentas tavo klausimą paverčia paieškos užklausa: „papapasakok apie DI“ duos bendrus rezultatus, o „kokios Europos DI taisyklės buvo priimtos 2026 m.?“ iškart nukreips į konkrečius puslapius. Ši taisyklė galioja ir tavo naudotojų klausimams: jei tavo sąsaja leidžia formuluoti neaiškias užklausas, instrukcijose numatyk žingsnį jų patikslinimui arba papildomų klausimų uždavimui.

Antra, valdyk temperatūrą. Faktiniams uždaviniams naudok mažą reikšmę – tarp 0,2 ir 0,4 – tai sumažina haliucinacijas apibendrinant rezultatus. Paieška suteikia žaliavą, bet tekstą vis tiek rašo modelis, ir jei jam duosi per daug laisvės, jis gali užpildyti spragas išgalvota informacija.

Galiausiai, tikrink šaltinius. Citatos generuojamos automatiškai, tačiau jų aktualumas skiriasi: forumo įrašas ir oficialus dokumentas sąraše atrodo panašiai. Kritinėse situacijose prieš naudodamas informaciją atidaryk grąžintus URL – ir parodyk juos savo naudotojams, kad jie galėtų patys pasitikrinti.

Svarbiausi punktai

  • web_search suteikia agentui realaus laiko prieigą prie interneto
  • Atsakymai automatiškai include citatas (pavadinimas + URL)
  • web_search_premium prideda patikrintus naujienų šaltinius
  • Įrankis veikia tiek su agentu, tiek be jo (galimas tiesioginis režimas)
  • Faktiniams uždaviniams rekomenduojama naudoti žemą temperatūrą