Przejdź do głównej treści
Polski— Wybierz język
Menu

Narzędzie web_search: Wyszukiwanie w internecie w czasie rzeczywistym

Lekcja 8 z 18 Zaktualizowano 2 listopada 2026 Programista
Na tej stronie
  1. Cztery wbudowane narzędzia Mistral
  2. Szczegóły dotyczące wyszukiwania w sieci
  3. Uruchamianie wyszukiwania
  4. Anatomia odpowiedzi
  5. Używanie trybu bezpośredniego (bez agenta)
  6. Najlepsze praktyki, które robią różnicę
  7. Kluczowe wnioski

Cztery wbudowane narzędzia Mistral

Ta lekcja rozpoczyna sekcję poświęconą narzędziom wbudowanym. Zanim przejdziesz do pierwszego z nich, poświęć chwilę na przegląd czterech narzędzi dostępnych w Agents API oraz problemów, które rozwiązują.

Narzędzie Typ Opis Przypadek użycia
Wyszukiwanie w sieci web_search Wyszukiwanie w internecie w czasie rzeczywistym Wiadomości, monitoring, weryfikacja faktów
Interpreter kodu code_interpreter Uruchamianie kodu Python w piaskownicy Obliczenia, analiza danych, wykresy
Generowanie obrazów image_generation Tworzenie obrazów na podstawie tekstu Ilustracje, makiety, prace kreatywne
Biblioteka dokumentów document_library RAG na przesłanych dokumentach Pytania i odpowiedzi dotyczące plików, ekstrakcja, podsumowania

Narzędzia te działają w środowisku chmurowym Mistral – nie musisz zarządzać żadną infrastrukturą po swojej stronie. To fundamentalna różnica w porównaniu z klasycznym wywoływaniem funkcji, gdzie to Ty zajmujesz się wykonaniem: tutaj deklarujesz możliwość, a dostawca zajmuje się piaskownicą, zależnościami i skalowaniem.

Szczegóły dotyczące wyszukiwania w sieci

Narzędzie web_search pozwala Twojemu agentowi wyszukiwać informacje w internecie w czasie rzeczywistym. Jest to najczęściej używane narzędzie, ponieważ rozwiązuje podstawowy problem modeli LLM: lukę czasową względem rzeczywistości. Model nie wie nic o wydarzeniach, które miały miejsce po jego treningu, i nawet nie zdaje sobie sprawy, że tego nie wie – co prowadzi do pewnych siebie odpowiedzi opartych na nieaktualnym obrazie świata.

Skonfigurowanie agenta z tym narzędziem zajmuje zaledwie kilka linii kodu.

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}
)

Uruchamianie wyszukiwania

Odpytujesz tego agenta tak jak każdego innego: decyzja o przeprowadzeniu wyszukiwania należy do agenta.

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="Who won the most recent European Football Championship?"
)

Za tym jednym wywołaniem kryje się cały łańcuch zdarzeń. Agent najpierw analizuje pytanie, aby ustalić, czy jego własna wiedza jest wystarczająca – tutaj słowo „najnowsze“ sugeruje informacje datowane, więc nie są one dostępne w modelu. Następnie formułuje zoptymalizowane zapytanie wyszukiwania, często inne niż Twoje zdanie, pozbawione frazeologii konwersacyjnej. Wykonuje wyszukiwanie, a następnie syntezuje wyniki z dołączonymi cytowaniami. Nie kontrolujesz żadnego z tych kroków, ale możesz zobaczyć je wszystkie w odpowiedzi.

Anatomia odpowiedzi

Odpowiedź zawiera kilka wpisów sekwencyjnych, przez które musisz iterować po kolei.

for entry in response.outputs:
    print(f"--- {entry.type} ---")

    if entry.type == "tool.execution":
        # Szczegóły przeprowadzonego wyszukiwania
        print(f"Tool: {entry.tool_name}")

    elif entry.type == "message.output":
        # Odpowiedź z cytowaniami
        for chunk in entry.content:
            if chunk.type == "text":
                print(chunk.text)
            elif chunk.type == "tool_reference":
                print(f"[Source] {chunk.title} — {chunk.url}")

Najpierw zobaczysz wpis tool.execution, który zawiera metadane operacji, w tym rzeczywiste zapytanie wysłane do wyszukiwarki. To miejsce, do którego warto zajrzeć, gdy odpowiedź wydaje się niezwiązana z tematem, ponieważ często okazuje się, że przeformułowanie odbiegło od celu. Wpis message.output zawiera następnie syntetyczną odpowiedź, podzieloną na fragmenty text i tool_reference – stąd zagnieżdżona pętla w powyższym kodzie.

Używanie trybu bezpośredniego (bez agenta)

Narzędzie działa również bez zarejestrowanego agenta, co jest wygodne do szybkiego testowania.

response = client.beta.conversations.start(
    model="mistral-large-latest",
    inputs=[{"role": "user", "content": "Latest news on Mistral AI"}],
    tools=[{"type": "web_search"}]
)

Najlepsze praktyki, które robią różnicę

Zacznij od zadawania precyzyjnych pytań. Agent przekształca Twoje pytanie w zapytanie wyszukiwania: „opowiedz mi o AI“ da wyniki ogólne, podczas gdy „jakie europejskie regulacje dotyczące AI przyjęto w 2026 roku?“ natychmiast wskazuje na strony z konkretnymi działaniami. Zasada ta dotyczy również pytań zadawanych przez Twoich użytkowników: jeśli Twój interfejs pozwala na niejasne prośby, uwzględnij w instrukcjach krok polegający na przeformułowaniu lub zadaniu pytań wyjaśniających.

Następnie kontroluj parametr temperatury. W zadaniach faktograficznych niska wartość – między 0,2 a 0,4 – zmniejsza halucynacje podczas syntezy wyników. Wyszukiwanie dostarcza surowego materiału, ale to model nadal zajmuje się pisaniem i nic nie powstrzyma go przed uzupełnianiem luk, jeśli dasz mu zbyt dużo swobody.

Na koniec weryfikuj źródła. Cytowania są automatyczne, ale ich trafność bywa różna: wpis na forum i oficjalny tekst wyglądają podobnie na liście odniesień. W kontekstach krytycznych otwórz zwrócone adresy URL przed przyjęciem informacji – i udostępnij je swoim użytkownikom, aby mogli zrobić to samo.

Kluczowe wnioski

  • web_search daje agentowi dostęp do internetu w czasie rzeczywistym
  • Odpowiedzi zawierają automatyczne cytowania (tytuł + URL)
  • web_search_premium dodaje zweryfikowane źródła wiadomości
  • Narzędzie działa z agentem lub bez niego (możliwy jest tryb bezpośredni)
  • Niska temperatura jest zalecana w zadaniach faktograficznych