web_search Tool: Zoeken op internet in realtime
Op deze pagina
De vier ingebouwde tools van Mistral
Deze les opent het hoofdstuk over ingebouwde tools. Voordat we ingaan op de eerste tool, nemen we kort de vier tools in de Agents API door en bekijken we welke behoeften ze vervullen.
| Tool | Type | Beschrijving | Use case |
|---|---|---|---|
| Web Search | web_search | Zoeken op internet in realtime | Nieuws, monitoring, factchecking |
| Code Interpreter | code_interpreter | Uitvoeren van Python-code in een sandbox | Berekeningen, data-analyse, grafieken |
| Image Generation | image_generation | Creatie van afbeeldingen op basis van tekst | Illustraties, mock-ups, creatief werk |
| Document Library | document_library | RAG op geüploade documenten | Vragen over bestanden, extractie, samenvatting |
Deze tools draaien in de cloudomgeving van Mistral; u hoeft zelf geen infrastructuur te beheren. Dit is een fundamenteel verschil ten opzichte van klassieke function calling, waarbij u de uitvoering zelf regelt: hier declareert u een capability en de provider neemt de sandbox, afhankelijkheden en schaling voor zijn rekening.
Web Search in detail
De tool web_search stelt uw agent in staat om in realtime informatie op internet te zoeken. Het is de meest gebruikte tool omdat hij een fundamenteel probleem van LLM’s oplost: de temporele kloof met de werkelijkheid. Een model weet niets over gebeurtenissen die plaatsvonden na zijn training, en het weet zelfs niet dat het dit niet weet—wat leidt tot zelfverzekerde antwoorden gebaseerd op een verouderd wereldbeeld.
Het configureren van een agent met deze tool kost slechts een paar regels code.
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}
)
Een zoekopdracht uitvoeren
U bevraagt deze agent zoals elke andere: de beslissing om te zoeken ligt bij de agent.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Who won the most recent European Football Championship?"
)
Achter deze ene aanroep gaat een hele keten van gebeurtenissen schuil. De agent analyseert eerst de vraag om te bepalen of zijn eigen kennis voldoende is—hier impliceert het woord “most recent” gedateerde informatie, dus is dat niet het geval. Vervolgens formuleert hij een geoptimaliseerde zoekopdracht, die vaak verschilt van uw zin en ontdaan is van conversationele formuleringen. Hij voert de zoekopdracht uit en synthetiseert daarna de resultaten met bijbehorende bronvermeldingen. U hebt geen controle over deze stappen, maar u kunt ze allemaal terugzien in het antwoord.
Anatomie van het antwoord
Het antwoord bevat meerdere opeenvolgende entries die u sequentieel moet doorlopen.
for entry in response.outputs:
print(f"--- {entry.type} ---")
if entry.type == "tool.execution":
# Details van de uitgevoerde zoekopdracht
print(f"Tool: {entry.tool_name}")
elif entry.type == "message.output":
# Antwoord met bronvermeldingen
for chunk in entry.content:
if chunk.type == "text":
print(chunk.text)
elif chunk.type == "tool_reference":
print(f"[Source] {chunk.title} — {chunk.url}")
U ziet eerst een tool.execution-entry, die de metadata van de bewerking bevat, inclusief de daadwerkelijke zoekopdracht die naar de zoekmachine is gestuurd. Dit is de plek om te kijken wanneer een antwoord off-topic lijkt, omdat u vaak zult zien dat de herformulering is afgedwaald. De message.output-entry bevat vervolgens het gesynthetiseerde antwoord, opgesplitst in text- en tool_reference-chunks—vandaar de geneste lus in de bovenstaande code.
Directe modus gebruiken (zonder agent)
De tool werkt ook zonder geregistreerde agent, wat handig is voor snelle tests.
response = client.beta.conversations.start(
model="mistral-large-latest",
inputs=[{"role": "user", "content": "Latest news on Mistral AI"}],
tools=[{"type": "web_search"}]
)
Best practices die het verschil maken
Begin met het stellen van precieze vragen. De agent zet uw vraag om in een zoekopdracht: “tell me about AI” levert generieke resultaten op, terwijl “what European AI regulations were adopted in 2026?” direct richt op bruikbare pagina’s. Deze regel geldt ook voor vragen die uw gebruikers stellen: als uw interface vage verzoeken toelaat, bouw dan een stap in uw instructies in voor herformulering of verduidelijkingsvragen.
Stel vervolgens de temperatuur in. Voor feitelijke taken verlaagt een lage waarde—tussen 0,2 en 0,4—hallucinaties tijdens de synthese van de resultaten. De zoekopdracht levert het ruwe materiaal, maar het model schrijft nog steeds de tekst, en niets weerhoudt het ervan gaten in te vullen als het te veel vrijheid krijgt.
Controleer tot slot de bronnen. Bronvermeldingen zijn automatisch, maar de relevantie varieert: een forumpost en een officiële tekst zien er in een referentielijst vergelijkbaar uit. In kritieke contexten opent u de geretourneerde URL’s voordat u de informatie overneemt—en stel ze beschikbaar aan uw gebruikers zodat zij hetzelfde kunnen doen.
Belangrijkste punten
web_searchgeeft de agent realtime toegang tot internet- Antwoorden bevatten automatische bronvermeldingen (titel + URL)
web_search_premiumvoegt geverifieerde nieuwsbronnen toe- De tool werkt met of zonder agent (directe modus is mogelijk)
- Een lage temperatuur wordt aanbevolen voor feitelijke taken