Konfiguruj i kontroluj wyniki wyszukiwania w sieci
Na tej stronie
- Konfiguruj i kontroluj wyniki wyszukiwania w sieci
- Parametr search_context_size
- Kieruj zapytaniami wyszukiwania poprzez prompt
- Wyodrębnij i strukturyzuj cytowania
- Wzorzec: wyszukiwanie z krzyżową walidacją
- Obsługa braku wyników
- Wyszukiwanie w sieci ze strumieniowaniem
- Filtruj domeny i listuj źródła
- Kluczowe wnioski
Lekcja zaktualizowana 2 listopada 2026 na podstawie dokumentacji OpenAI: narzędzie Code Interpreter wymaga parametru
container(dodanego do wszystkich przykładów), części tekstowe wejścia mają typinput_text, a wyszukiwanie w sieci korzysta z narzędziaweb_search(web_search_previewto obecnie przestarzałe narzędzie bez filtrów domen). Wygenerowane pliki pobiera się za pomocą funkcjifichiers_generesitelechargerz Lekcji 10. Źródła: Code Interpreter · Wyszukiwanie w sieci.
Konfiguruj i kontroluj wyniki wyszukiwania w sieci
Włączenie Wyszukiwania w sieci zajmuje jedną linię kodu, ale uzyskanie rzetelnych odpowiedzi wymaga trzech ustawień, które szczegółowo omawiamy w tej lekcji. Pierwsze decyduje, ile treści z sieci zostanie wstrzykniętych do kontekstu, co bezpośrednio wpływa na Twój rachunek. Drugie steruje zapytaniami formułowanymi samodzielnie przez model – ponieważ to on je pisze, a nie Ty. Trzecie dotyczy cytowań; bez nich odpowiedź oparta na źródłach jest jedynie twierdzeniem.
Parametr search_context_size
Parametr search_context_size kontroluje ilość treści z sieci wstrzykiwanej do kontekstu modelu. Nie zmienia ani liczby wyszukiwań, ani ich jakości: określa, ile tekstu – po znalezieniu stron – faktycznie trafi do promptu. To kompromis między wyczerpującą analizą a kosztem, dlatego powinieneś go dostosowywać do typu zadania, a nie ustawiać raz i zapomnieć.
from openai import OpenAI
client = OpenAI()
# Minimalny kontekst: szybkie, zwięzłe odpowiedzi
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"
}]
)
# Średni kontekst: dobry kompromis (domyślny)
response = client.responses.create(
model="gpt-5.6-terra",
input="Summarize AI market trends in Europe",
tools=[{
"type": "web_search",
"search_context_size": "medium"
}]
)
# Duży kontekst: dogłębna analiza
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"
}]
)
Wpływ na koszty i opóźnienia
Zasada jest prosta: zwiększaj wartość o jeden stopień tylko wtedy, gdy otrzymana odpowiedź konkretnie Cię rozczarowała. Data, liczba lub potwierdzenie faktu nie wymagają niczego więcej niż low; użycie w tym celu high to jak płacenie za całe dossier, by przeczytać jedną linijkę.
| Rozmiar | Tokeny kontekstu | Opóźnienie | Koszt | Zastosowanie |
|---|---|---|---|---|
low | Minimalne | Szybkie | Niski | Proste fakty, liczby |
medium | Umiarkowane | Standardowe | Średni | Podsumowania, porównania |
high | Maksymalne | Wolniejsze | Wysoki | Dogłębna analiza |
Kieruj zapytaniami wyszukiwania poprzez prompt
Oto punkt, który większość odkrywa zbyt późno: model sam formułuje swoje zapytania wyszukiwania. Piszesz „jakie są ostatnie zmiany regulacyjne?“, a on tłumaczy to na słowa kluczowe, których nigdy nie widzisz. Jakość wyników zależy zatem od przeformułowania, nad którym masz jedynie pośrednią kontrolę – jest nim systemowy prompt. Wymień autorytatywne źródła w swojej dziedzinie oraz okres, który Cię interesuje: to najbardziej przesunie szalę na Twoją korzyść.
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"
}]
)
Wyodrębnij i strukturyzuj cytowania
Cytowania przychodzą jako adnotacje dołączone do odpowiedzi, a nie w samym tekście. To dobra wiadomość: pozwala Ci wyświetlać źródła w dowolny sposób, weryfikować je lub odrzucać odpowiedź, która ich nie posiada. W każdej aplikacji, gdzie odpowiedź ma wagę – prawnej, medycznej, finansowej – traktowanie brakujących adnotacji jako błędu jest bezpieczniejsze niż ufanie samemu tekstowi.
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']}")
Wzorzec: wyszukiwanie z krzyżową walidacją
Pojedyncze źródło pozostaje pojedynczym źródłem, nawet jeśli znalazł je model. W przypadku informacji wpływających na decyzję, wyraźnie zażądaj potwierdzenia z wielu niezależnych źródeł i każ modelowi flagować rozbieżności, zamiast cicho je arbitrować: niezgodność między dwoma źródłami jest sama w sobie informacją, często bardziej użyteczną niż uśrednianie obu.
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"
}
Obsługa braku wyników
Jest jeden przypadek, o którym ludzie zapominają: wyszukiwanie nie zwraca niczego. Ryzyko nie polega na braku odpowiedzi, lecz na tym, że w obliczu braku wyników model odpowiada ze swojej wewnętrznej wiedzy, nie sygnalizując tego, dostarczając wiarygodnie brzmiących, ale nieaktualnych informacji. Każ mu to wyraźnie zaznaczyć i zaplanuj mechanizm przeformułowania.
def search_with_fallback(question: str) -> dict:
"""Web search with failure detection and reformulation."""
# First attempt
response = client.responses.create(
model="gpt-5.6-terra",
input=question,
tools=[{"type": "web_search"}]
)
sources = extract_sources(response)
if len(sources) == 0:
# Automatic reformulation
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
}
Wyszukiwanie w sieci ze strumieniowaniem
Wyszukiwanie w sieci trwa kilka sekund, czasem dłużej, jeśli model łańcuchuje kilka zapytań. Dzięki strumieniowaniu użytkownik widzi, jak odpowiedź się buduje, zamiast wpatrywać się w wskaźnik ładowania – przy tego rodzaju opóźnieniach różnica w odbiorze jest ogromna, a koszt implementacji bliski zeru.
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":
# Extract sources at the end
sources = extract_sources(event.response)
print(f"\n\n--- {len(sources)} sources consulted ---")
Filtruj domeny i listuj źródła
Narzędzie web_search akceptuje parametr filters, który ogranicza wyszukiwanie do listy dozwolonych domen (do 100) lub wyklucza listę domen (również do 100). Wpisuj domeny bez http:// lub https://. Filtrowanie istnieje tylko w przypadku web_search w API Responses: przestarzałe narzędzie web_search_preview ignoruje ten parametr.
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)
Opcja include=["web_search_call.action.sources"] zwraca pełną listę consulted URL-i, często dłuższą niż lista cytowań. Same cytowania przychodzą jako adnotacje url_citation (URL, tytuł, pozycja w tekście): dokumentacja OpenAI wymaga, abyś wyświetlał je w swoim interfejsie w sposób widoczny i klikalny.
Kluczowe wnioski
search_context_sizekontroluje objętość danych z sieci wstrzykiwanych do kontekstufiltersograniczają lub wykluczają domeny (maks. 100);includelistuje wszystkie consulted źródła- Prompt systemowy kieruje model ku właściwym źródłom
- Wyodrębnij adnotacje
url_citation, aby śledzić źródła - Wdróż krzyżową walidację dla informacji krytycznych
- Obsłuż brak wyników za pomocą automatycznego przeformułowania