Agent met webzoekfunctie
Op deze pagina
Geef uw agent toegang tot het web
Een LLM zonder internettoegang is beperkt tot zijn trainingsdata. Vraagt u het naar een regelgevingstekst die vorige maand is aangenomen, dan claimt het ofwel onwetendheid, of—erger nog—antwoordt het op basis van zijn geheugen van de wereld zonder aan te geven dat de informatie verouderd is. Door de tool web_search in te schakelen voor uw agent, kunt u deze realtime informatie laten vinden en bronnen citeren, wat zowel de actualiteit als de verifieerbaarheid van de antwoorden verbetert.
Een agent met webzoekfunctie maken
Activering vereist slechts één regel configuratie, maar de instructies bepalen de kwaliteit van de output. Het onderstaande voorbeeld legt strikte discipline op: systematisch zoeken, URL’s citeren, de datum van de bevindingen vermelden en tegenstrijdigheden tussen bronnen signaleren.
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}
)
De laatste instructie is in de praktijk het waardevolst. Zonder deze instructie zou een model dat geconfronteerd wordt met twee afwijkende cijfers er eentje kunnen kiezen en de synthese presenteren als een vaststaand feit. Een lage temperatuur vult deze opzet aan door hallucinaties bij het herformuleren van resultaten te verminderen.
De tool web_search biedt toegang tot een standaard zoekmachine. Voor geverifieerde nieuwsbronnen gebruikt u web_search_premium:
tools=[{"type": "web_search_premium"}]
De agent gebruiken
De aanroep verschilt niet van die van een agent zonder tools: u activeert de zoekopdracht niet; de agent beslist zelf wanneer dit nodig is.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="What are the latest developments in AI regulation in Europe?"
)
De structuur van het antwoord begrijpen
De wijziging is het meest zichtbaar bij het lezen van het antwoord. Een agent met webzoekfunctie retourneert verschillende soorten vermeldingen. Code die simpelweg de eerste vermelding leest, zou zoekmetadata weergeven in plaats van de verwachte tekst.
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}")
Let op de geneste lus: de inhoud van een message.output is geen enkele string, maar een reeks chunks, waarbij tekstfragmenten en referenties elkaar afwisselen. Elke sectie van het antwoord kan dus tool_reference-objecten bevatten met drie velden:
tool— Naam van de brontool (web_search)title— Titel van de geciteerde webpaginaurl— Referentie-URL
Dit is een groot voordeel: uw agent geeft niet alleen een antwoord, maar bewijst zijn beweringen met verifieerbare bronnen. In een interface worden deze velden klikbare links die op de juiste plek in de tekst worden geplaatst, zodat gebruikers elke bewering terug kunnen voeren naar de oorsprong.
Wat zoeken mogelijk maakt
Begin met monitoring. Een agent waarvan de instructies het outputformaat kaderen, maakt van een open vraag een regelmatige, vergelijkbare wekelijkse synthese.
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"
)
Fact-checking volgt daarna, waarbij instructies de vorm aannemen van een expliciete procedure. De agent hoeft geen methode te kiezen; de methode wordt gedicteerd, waardoor de output voorspelbaar wordt.
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"}]
)
Vergelijking sluit de reeks af: hier draagt de vraag zelf de beslissingscriteria. Hoe specifieker u de daadwerkelijke beperkingen aangeeft—technologie, volume—des te gerichter de geactiveerde zoekopdrachten zullen zijn.
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 versus web_search_premium
| Aspect | web_search | web_search_premium |
|---|---|---|
| Engine | Standaard zoekopdracht | Geavanceerde zoekopdracht |
| Bronnen | Algemeen web | Geverifieerde nieuwsaanbieders |
| Kosten | Inbegrepen | Extra kosten |
| Gebruik | Algemene informatie | Betrouwbaar nieuws |
Voor de meeste use cases is web_search voldoende. Reserveer web_search_premium voor toepassingen waarbij de betrouwbaarheid van de bron cruciaal is (journalistiek, compliance, toezicht op regelgeving). De redenering moet niet zijn “welke optie is het beste”, maar “wat zijn de kosten van een twijfelachtige bron in mijn context”: voor een interne nieuwssamenvatting is dit nul; voor een nota die aan een toezichthouder wordt voorgelegd, is dat niet zo.
Belangrijkste punten
- De tool
web_searchstelt de agent in staat om realtime op internet te zoeken - Antwoorden bevatten citaten met de titel en URL van de bron
web_search_premiumbiedt geverifieerde nieuwsbronnen tegen extra kosten- Een lage temperatuur (0,3) wordt aanbevolen voor feitelijke taken waarbij gezocht wordt
- De agent beslist automatisch wanneer en hoe de webzoekfunctie wordt gebruikt