Narzędzie web_search: Wyszukiwanie w internecie w czasie rzeczywistym
Na tej stronie
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_searchdaje agentowi dostęp do internetu w czasie rzeczywistym- Odpowiedzi zawierają automatyczne cytowania (tytuł + URL)
web_search_premiumdodaje zweryfikowane źródła wiadomości- Narzędzie działa z agentem lub bez niego (możliwy jest tryb bezpośredni)
- Niska temperatura jest zalecana w zadaniach faktograficznych