Agent z wyszukiwarką internetową
Na tej stronie
Zapewnij swojemu agentowi dostęp do sieci
LLM bez dostępu do internetu ogranicza się wyłącznie do danych ze swojego treningu. Zapytaj go o akt prawny uchwalony w zeszłym miesiącu, a albo zadeklaruje niewiedzę, albo – co gorsza – odpowie w oparciu o zapamiętany stan świata, nie flagując, że informacje są nieaktualne. Włączając narzędzie web_search w swoim agencie, pozwalasz mu znajdować informacje w czasie rzeczywistym i cytować źródła, co poprawia zarówno świeżość, jak i weryfikowalność jego odpowiedzi.
Tworzenie agenta z wyszukiwarką internetową
Aktywacja wymaga tylko jednej linii konfiguracji, ale to instrukcje decydują o jakości wyniku. Poniższy przykład wymusza ścisłą dyscyplinę: systematyczne wyszukiwanie, cytowanie adresów URL, podawanie daty znalezionych informacji oraz flagowanie sprzeczności między źródłami.
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}
)
Ostatnia instrukcja jest w praktyce najcenniejsza. Bez niej model skonfrontowany z dwiema rozbieżnymi liczbami mógłby wybrać jedną z nich i przedstawić swoją syntezę jako ustalony fakt. Niska temperatura uzupełnia tę konfigurację, redukując halucynacje podczas przeformułowywania wyników.
Narzędzie web_search zapewnia dostęp do standardowej wyszukiwarki. W przypadku zweryfikowanych źródeł newsowych użyj web_search_premium:
tools=[{"type": "web_search_premium"}]
Korzystanie z agenta
Wywołanie nie różni się od tego dla agenta bez narzędzi: to nie Ty wyzwalasz wyszukiwanie; agent sam decyduje, kiedy jest ono konieczne.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="What are the latest developments in AI regulation in Europe?"
)
Zrozumienie struktury odpowiedzi
Zmiana jest najbardziej widoczna podczas odczytu odpowiedzi. Agent z wyszukiwarką internetową zwraca kilka typów wpisów. Kod, który po prostu odczytuje pierwszy wpis, wyświetliłby metadane wyszukiwania zamiast oczekiwanego tekstu.
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}")
Zwróć uwagę na zagnieżdżoną pętlę: zawartość message.output to nie pojedynczy ciąg znaków, lecz sekwencja fragmentów, przeplatających tekst i odniesienia. Każda sekcja odpowiedzi może więc zawierać obiekty tool_reference posiadające trzy pola:
tool— Nazwa narzędzia źródłowego (web_search)title— Tytuł cytowanej strony internetowejurl— Adres URL odniesienia
To ogromna zaleta: Twój agent nie tylko odpowiada, ale dowodzi swoich twierdzeń weryfikowalnymi źródłami. W interfejsie pola te stają się klikalnymi linkami umieszczonymi we właściwym miejscu tekstu, pozwalając użytkownikom dotrzeć do źródła każdego twierdzenia.
Co umożliwia wyszukiwanie
Zacznij od monitoringu. Agent, którego instrukcje określają format wyjścia, zamienia otwarte pytanie w regularną, porównywalną syntezę tygodniową.
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"
)
Kolejnym krokiem jest weryfikacja faktów, gdzie instrukcje przybierają formę wyraźnej procedury. Agent nie musi decydować o metodzie; metoda jest narzucona, co czyni wynik przewidywalnym.
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"}]
)
Seria kończy się porównaniem: tutaj samo pytanie niesie kryteria decyzyjne. Im bardziej określisz rzeczywiste ograniczenia – technologię, wolumen – tym bardziej ukierunkowane będą uruchamiane wyszukiwania.
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 kontra web_search_premium
| Aspekt | web_search | web_search_premium |
|---|---|---|
| Silnik | Wyszukiwarka standardowa | Wyszukiwarka zaawansowana |
| Źródła | Ogólny internet | Zweryfikowani dostawcy newsów |
| Koszt | Wliczony | Dodatkowy koszt |
| Zastosowanie | Informacje ogólne | Wiarygodne newsy |
W większości przypadków web_search wystarcza. Zarezerwuj web_search_premium dla aplikacji, w których wiarygodność źródła jest krytyczna (dziennikarstwo, zgodność z przepisami, monitoring regulacyjny). Rozumowanie nie powinno polegać na pytaniu „która opcja jest lepsza“, lecz „jaki jest koszt wątpliwego źródła w moim kontekście“: dla wewnętrznego podsumowania newsów wynosi zero; dla notatki przedkładanej regulatorowi – już nie.
Kluczowe wnioski
- Narzędzie
web_searchpozwala agentowi przeszukiwać internet w czasie rzeczywistym - Odpowiedzi zawierają cytowania z tytułem źródła i adresem URL
web_search_premiumoferuje zweryfikowane źródła newsowe za dodatkową opłatą- Niska temperatura (0.3) jest zalecana dla zadań faktograficznych obejmujących wyszukiwanie
- Agent automatycznie decyduje, kiedy i jak użyć wyszukiwarki internetowej