Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Web Search API: Pesquisa Web Programática

Aula 5 de 20 Atualizada a 2 de novembro de 2026 Programador
Nesta página
  1. Web Search API: Pesquisa Web Programática
  2. Ativar a Pesquisa Web
  3. Estrutura da Resposta
  4. Contexto do Utilizador para Relevância
  5. Combinar Pesquisa Web com Funções Personalizadas
  6. Casos de Uso em Produção
  7. Limitações Conhecidas
  8. Pontos-chave

Lição atualizada em 2 de novembro de 2026 com base na documentação da OpenAI: a ferramenta Code Interpreter requer agora um parâmetro container (adicionado a todos os exemplos), as partes de texto de entrada são do tipo input_text e a pesquisa web utiliza a ferramenta web_search (web_search_preview é agora uma ferramenta legada sem filtros de domínio). Os ficheiros gerados são recuperados através das funções fichiers_generes e telecharger da Lição 10. Fontes: Code Interpreter · Web search.

Web Search API: Pesquisa Web Programática

A ferramenta Web Search permite ao modelo realizar pesquisas web em tempo real diretamente através da Responses API. Já não precisa de integrar uma API de pesquisa de terceiros: o modelo formula a consulta, executa a pesquisa e sintetiza os resultados.

Ativar a Pesquisa Web

A ativação requer apenas uma linha de código, o que esconde uma mudança fundamental: a sua aplicação deixa de estar limitada pela data de corte do conhecimento do modelo. Perguntas sobre eventos de ontem, preços atuais ou regulamentações recentes tornam-se respondíveis sem necessidade de integrar ou pagar por um motor de pesquisa externo.

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-terra",
    input="What are the latest Ligue 1 results?",
    tools=[{"type": "web_search"}]
)

print(response.output_text)

O modelo decide autonomamente quando deve pesquisar, e este ponto merece atenção: não pesquisa sistematicamente. Para questões que considera estarem dentro do seu conhecimento existente, responde diretamente — de forma mais rápida e barata, mas com o risco de apresentar informação desatualizada com a mesma confiança. Quando a atualidade é crítica, indique-o explicitamente no seu prompt em vez de esperar que o modelo adivinhe corretamente.

Estrutura da Resposta

As fontes chegam como anotações anexadas à resposta, separadas do texto. Isto permite-lhe apresentá-las da forma que preferir, verificá-las ou sinalizar como suspeita qualquer resposta que careça de fontes quando o tema o exige.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="What is the current stock price of LVMH?",
    tools=[{"type": "web_search"}]
)

# Texto sintetizado
print(response.output_text)

# Examinar fontes
for item in response.output:
    if hasattr(item, "content"):
        for block in item.content:
            if hasattr(block, "annotations"):
                for annotation in block.annotations:
                    if annotation.type == "url_citation":
                        print(f"Source: {annotation.url}")
                        print(f"Title : {annotation.title}")

Contexto do Utilizador para Relevância

A localização afeta os resultados mais do que poderia esperar, e não apenas para pesquisas obviamente locais. Perguntas sobre fiscalidade, preços, disponibilidade ou obrigações legais produzem respostas diferentes consoante o país: sem user_location, o modelo assume por defeito um contexto frequentemente centrado nos EUA.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Which Japanese restaurant is open tonight?",
    tools=[{
        "type": "web_search",
        "user_location": {
            "type": "approximate",
            "city": "Paris",
            "country": "FR"
        }
    }]
)

O parâmetro user_location aceita vários níveis de precisão:

# Localização aproximada
"user_location": {
    "type": "approximate",
    "city": "Lyon",
    "region": "Auvergne-Rhone-Alpes",
    "country": "FR"
}

Combinar Pesquisa Web com Funções Personalizadas

A combinação mais produtiva segue sempre o mesmo padrão: a web traz informação externa, as suas funções fornecem contexto interno e o modelo estabelece as ligações. É nesta conexão que reside o valor — nem a pesquisa nem os seus dados isoladamente respondem a “isto afeta-nos?”.

tools = [
    {"type": "web_search"},
    {
        "type": "function",
        "name": "sauvegarder_veille",
        "description": "Save a monitoring result to the database",
        "parameters": {
            "type": "object",
            "properties": {
                "titre": {"type": "string"},
                "resume": {"type": "string"},
                "url_source": {"type": "string"},
                "categorie": {
                    "type": "string",
                    "enum": ["concurrent", "marche", "reglementation", "technologie"]
                }
            },
            "required": ["titre", "resume", "categorie"],
            "additionalProperties": False
        },
        "strict": True
    }
]

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Search for the latest news on AI regulation in Europe "
          "and save important results",
    tools=tools
)

Casos de Uso em Produção

Inteligência Competitiva Automatizada

def veille_quotidienne(entreprises: list[str]):
    """Lança a monitorização web para cada concorrente."""
    resultats = []
    for entreprise in entreprises:
        response = client.responses.create(
            model="gpt-5.6-terra",
            input=f"What is the latest news about {entreprise}? "
                  "Focus on product announcements, funding rounds, "
                  "and partnerships from the last 7 days.",
            tools=[{"type": "web_search"}]
        )
        resultats.append({
            "entreprise": entreprise,
            "synthese": response.output_text
        })
    return resultats

Verificação de Factos

def verifier_affirmation(affirmation: str) -> dict:
    """Verifica uma afirmação cruzando múltiplas fontes web."""
    response = client.responses.create(
        model="gpt-5.6-terra",
        input=f"Verify this claim by searching for reliable sources: "
              f"'{affirmation}'. State whether it is true, false, or uncertain, "
              f"including the sources supporting your conclusion.",
        tools=[{"type": "web_search"}]
    )

    # Extrair citações
    sources = []
    for item in response.output:
        if hasattr(item, "content"):
            for block in item.content:
                if hasattr(block, "annotations"):
                    for ann in block.annotations:
                        if ann.type == "url_citation":
                            sources.append(ann.url)

    return {
        "analyse": response.output_text,
        "nombre_sources": len(sources),
        "sources": sources
    }

Limitações Conhecidas

  • O modelo pode não encontrar resultados relevantes para tópicos muito específicos
  • Os resultados dependem da indexação web no momento do pedido
  • O número de pesquisas por chamada é limitado: o modelo otimiza formulando consultas precisas
  • Conteúdo atrás de paywalls ou ecrãs de login é inacessível

Pontos-chave

  • Adicione web_search numa única linha dentro de tools
  • O modelo decide autonomamente quando pesquisar na web
  • user_location melhora a relevância para resultados locais
  • As anotações url_citation fornecem as fontes
  • Combine a Pesquisa Web com as suas funções para automatizar a monitorização