Saídas estruturadas e pesquisa na web
Nesta página
Combine saídas estruturadas com pesquisa em tempo real
As saídas estruturadas não servem apenas para dados estáticos. Nos modelos Grok 4 e posteriores — ou seja, em toda a linha atual — pode combinar saídas estruturadas com a pesquisa na web. O modelo pesquisa informações em tempo real na web e, em seguida, estrutura os resultados de acordo com o seu esquema.
Por que esta combinação é poderosa
Sem esta funcionalidade, obter dados estruturados da web exige três etapas separadas:
- Chamar uma API de pesquisa (Google, Bing, etc.)
- Analisar os resultados brutos
- Enviar os resultados para o LLM para estruturação
Com saídas estruturadas + pesquisa na web, tudo acontece numa única chamada. O modelo pesquisa, sintetiza e estrutura.
Pré-requisitos: Grok 4 no mínimo
Esta funcionalidade está disponível nos modelos Grok 4 e posteriores, o que abrange toda a linha atual (Grok 4.5, Grok 4.3, variantes grok-4.20). Os modelos mais antigos Grok 3 e Grok 3 Mini não suportavam a combinação de ferramentas com saídas estruturadas.
Exemplo: Inteligência competitiva
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}")
O modelo irá:
- Pesquisar na web os neobancos franceses atuais
- Recolher informações relevantes
- Estruturar tudo de acordo com o esquema
VeilleConcurrentielle
Exemplo: Monitorização de notícias
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}")
Boas práticas
Seja específico no prompt
A pesquisa na web funciona melhor com consultas específicas:
# Demasiado vago
"What's new in tech?"
# Preciso e acionável
"The 5 largest AI funding rounds in France in Q1 2026"
Adapte o seu esquema aos dados disponíveis
Não solicite dados que a web não consegue fornecer de forma fiável:
# Difícil de encontrar com precisão
class Entreprise(BaseModel):
chiffre_affaires_exact: float # raramente público
# Realista
class Entreprise(BaseModel):
chiffre_affaires_estime: str # "cerca de 50M€"
source_estimation: str
Lidar com dados em falta
Torne os campos opcionais caso não sejam encontrados:
class InfoEntreprise(BaseModel):
nom: str
fondateur: str
annee_creation: int
valorisation: str | None # nem sempre disponível
nombre_employes: str | None
Pontos-chave
- A combinação de saídas estruturadas + pesquisa na web requer no mínimo o Grok 4 — toda a linha atual é compatível
- Ative a pesquisa na web com
tools=[{"type": "web_search"}] - Uma única chamada à API substitui a cadeia pesquisa → análise → estruturação
- Seja específico nos seus prompts para obter melhores resultados
- Torne os campos opcionais se a disponibilidade não estiver garantida