Przejdź do głównej treści
Polski— Wybierz język
Menu

Łączenie sieci Web i X: zaawansowane strategie

Lekcja 13 z 14 Zaktualizowano 30 lipca 2026 Początkujący
Na tej stronie
  1. Orkiestracja dwóch silników wyszukiwania
  2. Strategia 1: Komplementarność faktów i reakcji
  3. Strategia 2: Krzyżowa walidacja
  4. Strategia 3: Potok sekwencyjny
  5. Zarządzanie kosztami
  6. Zarządzanie limitami API
  7. Ćwiczenia praktyczne
  8. Kluczowe wnioski

Orkiestracja dwóch silników wyszukiwania

Masz już opanowane indywidualnie web_search i x_search. Prawdziwa moc API Grok ujawnia się, gdy łączysz je strategicznie. Ta lekcja pokaże Ci, jak orkiestrować oba narzędzia, aby budować wyrafinowane potoki informacyjne, utrzymując jednocześnie koszty i limity pod kontrolą.

$5
/ 1 000 wywołań narzędzi
2x
narzędzi na żądanie
Wielokrotne
wywołania możliwe
Automatyczny
wybór przez model

Strategia 1: Komplementarność faktów i reakcji

Najbardziej naturalne połączenie wykorzystuje sieć Web do faktów, a X do reakcji. Model wybiera odpowiednie narzędzie w zależności od charakteru poszukiwanych informacji:

response = client.responses.create(
    model="grok-4.5",
    input="""Przeanalizuj niedawne ogłoszenie dotyczące europejskiego aktu o sztucznej inteligencji (AI Act).

    CZĘŚĆ 1 (wyszukiwanie w sieci Web):
    - Dokładna treść nowego rozporządzenia
    - Daty wejścia w życie i obowiązki
    - Dotknięte firmy i sektory

    CZĘŚĆ 2 (wyszukiwanie w X):
    - Reakcje firm technologicznych
    - Krytyka i poparcie ekspertów
    - Postrzegany wpływ na społeczność

    SYNTESA: zbieżności i rozbieżności
    między oficjalnymi faktami a percepcją publiczną.""",
    tools=[
        {"type": "web_search"},
        {"type": "x_search"}
    ]
)

Strategia 2: Krzyżowa walidacja

Wykorzystaj oba źródła do walidacji informacji. Jeśli dane z sieci Web i X są zbieżne, poziom pewności rośnie:

response = client.responses.create(
    model="grok-4.5",
    input="""Słyszę, że [Firma X] przygotowuje
    masowe zwolnienia.

    Zweryfikuj tę informację:
    1. Wyszukiwanie w sieci Web: artykuły prasowe, komunikaty prasowe
    2. Wyszukiwanie w X: wpisy pracowników, informacje od osób wtajemniczonych

    Oceń wiarygodność (1–10), konfrontując źródła.
    Wyraźnie zaznacz, czy oba kanały są zbieżne.""",
    tools=[
        {"type": "web_search"},
        {"type": "x_search"}
    ]
)

Strategia 3: Potok sekwencyjny

Czasami wykonanie dwóch oddzielnych wywołań jest bardziej efektywne niż jednego połączonego. Daje Ci to większą kontrolę nad parametrami dla każdego wyszukiwania:

# Krok 1: zbieranie danych z sieci Web ze ścisłym filtrowaniem
web_result = client.responses.create(
    model="grok-4.5",
    input="Najnowsze osiągnięcia w dziedzinie komputerów kwantowych",
    tools=[{
        "type": "web_search",
        "allowed_domains": ["arxiv.org", "nature.com", "science.org"]
    }]
)

# Krok 2: reakcje na X filtrowane według nazw użytkowników
x_result = client.responses.create(
    model="grok-4.5",
    input=f"""Biorąc pod uwagę te osiągnięcia:
    {web_result.output_text[:500]}

    Jakie są reakcje badaczy na X?""",
    tools=[{
        "type": "x_search",
        "allowed_x_handles": [
            "PeterShor_MIT",
            "ScottAaronson"
        ]
    }]
)

Zarządzanie kosztami

Każde wywołanie narzędzia kosztuje 0,005 USD, niezależnie od liczby wyników. Gdy model używa obu narzędzi w tym samym wywołaniu, koszt podwaja się. Jeśli model wywołuje narzędzie wielokrotnie (na przykład dwa kolejne wyszukiwania w sieci Web w celu doprecyzowania), każde wywołanie jest rozliczane osobno:

# Koszt minimalny: 1 narzędzie x 1 wywołanie = 0,005 USD
tools=[{"type": "web_search"}]

# Koszt potencjalny: 2 narzędzia = minimum 0,01 USD
# Model może jednak wywołać każde narzędzie
# wielokrotnie, jeśli zajdzie taka potrzeba
tools=[
    {"type": "web_search"},
    {"type": "x_search"}
]

Optymalizacja stosunku jakości do kosztu

  • Łącz tylko wtedy, gdy to konieczne: jeśli pytanie dotyczy wyłącznie faktów, samo web_search wystarczy
  • Filtruj z wyprzedzeniem: parametry domen i nazw użytkowników redukują szum i poprawiają trafność bez dodatkowych kosztów
  • Używaj potoku sekwencyjnego do złożonych analiz: pierwszy krok informuje drugi, redukując niepotrzebne wyszukiwania

Zarządzanie limitami API

Limity parametrów

Każde narzędzie ma własne ograniczenia. Nie mieszaj ich:

  • web_search: allowed_domains LUB excluded_domains (maksymalnie 5 dla każdego)
  • x_search: allowed_x_handles LUB excluded_x_handles (maksymalnie 10 dla każdego) + from_date/to_date

Niedeterministyczne zachowanie

Model samodzielnie decyduje, kiedy i ile razy użyć każdego narzędzia. Dwa identyczne żądania mogą dać różne wzorce wyszukiwania. Jeśli reprodukowalność jest kluczowa, użyj potoku sekwencyjnego z ukierunkowanymi żądaniami.

Opóźnienia

Żądania z dwoma narzędziami są wolniejsze. Zaplanuj odpowiednie limity czasu oczekiwania (timeouts) w swoich aplikacjach, zwłaszcza jeśli włączona jest analiza obrazów lub wideo.

Ćwiczenia praktyczne

Zaimplementuj wszystkie trzy strategie (komplementarność, krzyżowa walidacja, potok sekwencyjny) na ten sam temat bieżących wydarzeń. Porównaj jakość wyników, czas odpowiedzi i całkowity koszt dla każdego podejścia. Zidentyfikuj, która strategia najlepiej odpowiada Twojemu przypadkowi użycia.

Kluczowe wnioski

  • Dwa narzędzia w tym samym wywołaniu: model automatycznie wybiera, którego użyć
  • Strategia komplementarna (Web = fakty, X = reakcje) jest najczęstsza
  • Krzyżowa walidacja zwiększa pewność co do informacji
  • Potok sekwencyjny oferuje większą kontrolę nad parametrami
  • Każde wywołanie narzędzia kosztuje 0,005 USD, niezależnie od liczby wyników
  • Optymalizuj koszty, łącząc źródła tylko wtedy, gdy każde z nich wnosi odrębną wartość