Agente com Pesquisa na Web
Nesta página
Dê Acesso à Web ao Seu Agente
Um LLM sem acesso à Internet está limitado aos seus dados de treino. Se lhe perguntar sobre um texto regulamentar aprovado no mês passado, ele ou afirmará ignorância ou, pior, responderá com base no seu estado memorizado do mundo, sem assinalar que a informação está desatualizada. Ao ativar a ferramenta web_search no seu agente, permite-lhe encontrar informações em tempo real e citar as suas fontes, melhorando tanto a atualidade como a verificabilidade das suas respostas.
Criar um Agente com Pesquisa na Web
A ativação requer apenas uma linha de configuração, mas são as instruções que determinam a qualidade do resultado. O exemplo abaixo impõe uma disciplina rigorosa: pesquisar sistematicamente, citar URLs, datar as descobertas e assinalar contradições entre fontes.
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}
)
A última instrução é a mais valiosa na prática. Sem ela, um modelo confrontado com dois valores divergentes poderia escolher um e apresentar a sua síntese como um facto estabelecido. Uma temperatura baixa complementa esta configuração, reduzindo as alucinações ao reformular os resultados.
A ferramenta web_search fornece acesso a um motor de busca padrão. Para fontes de notícias verificadas, utilize web_search_premium:
tools=[{"type": "web_search_premium"}]
Utilizar o Agente
A chamada não difere da de um agente sem ferramentas: não é o utilizador que desencadeia a pesquisa; é o agente que decide quando esta é necessária.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="What are the latest developments in AI regulation in Europe?"
)
Compreender a Estrutura da Resposta
A mudança é mais evidente ao ler a resposta. Um agente com pesquisa na web devolve vários tipos de entradas. Um código que lesse simplesmente a primeira entrada apresentaria metadados de pesquisa em vez do texto esperado.
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}")
Note o ciclo aninhado: o conteúdo de um message.output não é uma única cadeia de caracteres, mas uma sequência de fragmentos, alternando trechos de texto e referências. Cada secção da resposta pode, assim, incluir objetos tool_reference contendo três campos:
tool— Nome da ferramenta de origem (web_search)title— Título da página web citadaurl— URL de referência
Esta é uma grande vantagem: o seu agente não se limita a responder; ele prova as suas afirmações com fontes verificáveis. Numa interface, estes campos tornam-se links clicáveis colocados no local certo do texto, permitindo aos utilizadores rastrear cada afirmação até à sua origem.
O Que a Pesquisa Torna Possível
Comece pela monitorização. Um agente cujas instruções definem o formato de saída transforma uma pergunta aberta numa síntese semanal regular e comparável.
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"
)
Segue-se a verificação de factos, com instruções que assumem a forma de um procedimento explícito. O agente não precisa de decidir um método; o método é ditado, tornando o resultado previsível.
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"}]
)
A comparação encerra a série: aqui, a própria pergunta contém os critérios de decisão. Quanto mais especificar as restrições reais — tecnologia, volume — mais direcionadas serão as pesquisas desencadeadas.
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 vs. web_search_premium
| Aspeto | web_search | web_search_premium |
|---|---|---|
| Motor | Pesquisa padrão | Pesquisa avançada |
| Fontes | Web geral | Fornecedores de notícias verificados |
| Custo | Incluído | Custo extra |
| Utilização | Informação geral | Notícias fiáveis |
Para a maioria dos casos de uso, web_search é suficiente. Reserve web_search_premium para aplicações onde a fiabilidade da fonte é crítica (jornalismo, conformidade, monitorização regulamentar). O raciocínio não deve ser “qual é a melhor opção”, mas “qual é o custo de uma fonte duvidosa no meu contexto”: para um resumo de notícias interno, é zero; para uma nota submetida a um regulador, não é.
Pontos-chave
- A ferramenta
web_searchpermite ao agente pesquisar na Internet em tempo real - As respostas incluem citações com o título da fonte e o URL
web_search_premiumoferece fontes de notícias verificadas mediante um custo adicional- Recomenda-se uma temperatura baixa (0.3) para tarefas factuais que envolvam pesquisa
- O agente decide automaticamente quando e como utilizar a pesquisa na web