Wyjścia strukturalne i wyszukiwanie w sieci
Na tej stronie
Łączenie wyjść strukturalnych z wyszukiwaniem w czasie rzeczywistym
Wyjścia strukturalne nie służą wyłącznie danym statycznym. W modelach Grok 4 i nowszych – co obejmuje całą obecną ofertę – możesz łączyć wyjścia strukturalne z wyszukiwaniem w sieci. Model przeszukuje internet w poszukiwaniu aktualnych informacji, a następnie porządkuje wyniki zgodnie z Twoim schematem.
Dlaczego to połączenie jest tak potężne
Bez tej funkcji uzyskanie strukturalnych danych z sieci wymaga trzech osobnych kroków:
- Wywołanie API wyszukiwania (Google, Bing itp.)
- Przetworzenie surowych wyników
- Wysłanie wyników do LLM w celu ustrukturyzowania
Dzięki połączeniu wyjść strukturalnych z wyszukiwaniem w sieci wszystko dzieje się w ramach jednego wywołania. Model wyszukuje, syntezuje i strukturyzuje dane.
Wymagania wstępne: minimum Grok 4
Ta funkcja jest dostępna w modelach Grok 4 i nowszych, co obejmuje całą obecną linię produktową (Grok 4.5, Grok 4.3, warianty grok-4.20). Starsze modele Grok 3 i Grok 3 Mini nie obsługiwały łączenia narzędzi z wyjściami strukturalnymi.
Przykład: Wywiad konkurencyjny
from pydantic import BaseModel
class Concurrent(BaseModel):
nom: str
site_web: str
produit_phare: str
avantage_principal: str
class VeilleConcurrentielle(BaseModel):
secteur: str
date_analyse: str
concurrents: list[Concurrent]
tendances: list[str]
opportunites: list[str]
response, parsed = client.chat.parse(
model="grok-4.20-0309-reasoning",
messages=[{
"role": "user",
"content": "Perform competitive intelligence on the French neobank market in 2026"
}],
response_format=VeilleConcurrentielle,
tools=[{"type": "web_search"}]
)
for c in parsed.concurrents:
print(f"{c.nom} — {c.avantage_principal}")
Model wykona następujące czynności:
- Wyszuka w sieci aktualne francuskie neobanki
- Zbierze odpowiednie informacje
- Ustrukturyzuje wszystko zgodnie ze schematem
VeilleConcurrentielle
Przykład: Monitorowanie wiadomości
class Article(BaseModel):
titre: str
source: str
date: str
resume: str
impact: str
class RevuePresse(BaseModel):
sujet: str
articles: list[Article]
synthese: str
response, parsed = client.chat.parse(
model="grok-4.20-0309-reasoning",
messages=[{
"role": "user",
"content": "What is the latest news on AI regulation in Europe?"
}],
response_format=RevuePresse,
tools=[{"type": "web_search"}]
)
print(parsed.synthese)
for article in parsed.articles:
print(f"[{article.source}] {article.titre}")
Najlepsze praktyki
Bądź precyzyjny w poleceniu (prompt)
Wyszukiwanie w sieci działa najlepiej przy konkretnych zapytaniach:
# Zbyt ogólne
"What's new in tech?"
# Precyzyjne i możliwe do wykonania
"The 5 largest AI funding rounds in France in Q1 2026"
Dostosuj schemat do dostępnych danych
Nie żądaj danych, których sieć nie może wiarygodnie dostarczyć:
# Trudne do precyzyjnego znalezienia
class Entreprise(BaseModel):
chiffre_affaires_exact: float # rzadko publicznie dostępne
# Realistyczne
class Entreprise(BaseModel):
chiffre_affaires_estime: str # "około 50 mln EUR"
source_estimation: str
Obsługa brakujących danych
Uczyń pola opcjonalnymi, jeśli mogą nie zostać odnalezione:
class InfoEntreprise(BaseModel):
nom: str
fondateur: str
annee_creation: int
valorisation: str | None # nie zawsze dostępne
nombre_employes: str | None
Kluczowe wnioski
- Połączenie wyjść strukturalnych z wyszukiwaniem w sieci wymaga co najmniej modelu Grok 4 – cała obecna oferta jest kompatybilna
- Włącz wyszukiwanie w sieci za pomocą
tools=[{"type": "web_search"}] - Jedno wywołanie API zastępuje łańcuch: wyszukiwanie → parsowanie → strukturyzowanie
- Bądź precyzyjny w swoich poleceniach (promptach), aby uzyskać lepsze wyniki
- Uczyń pola opcjonalnymi, jeśli ich dostępność nie jest gwarantowana