Ferramenta web_search: Pesquisa na Internet em Tempo Real
Nesta página
As Quatro Ferramentas Integradas da Mistral
Esta lição dá início à secção sobre ferramentas integradas. Antes de mergulhar na primeira, dedique um minuto a analisar as quatro ferramentas disponíveis na API de Agentes e as necessidades que estas satisfazem.
| Ferramenta | Tipo | Descrição | Caso de Uso |
|---|---|---|---|
| Pesquisa Web | web_search | Pesquisa na internet em tempo real | Notícias, monitorização, verificação de factos |
| Interpretador de Código | code_interpreter | Execução de código Python em ambiente isolado (sandbox) | Cálculos, análise de dados, gráficos |
| Geração de Imagem | image_generation | Criação de imagem a partir de texto | Ilustrações, maquetes, trabalho criativo |
| Biblioteca de Documentos | document_library | RAG em documentos carregados | Perguntas e respostas sobre ficheiros, extração, resumo |
Estas ferramentas funcionam no ambiente de nuvem da Mistral — não precisa de gerir qualquer infraestrutura da sua parte. Esta é uma diferença fundamental em relação à chamada de funções clássica, onde gere a execução: aqui, declara uma capacidade e o fornecedor trata do ambiente isolado, das dependências e da escalabilidade.
A Pesquisa Web em Detalhe
A ferramenta web_search permite ao seu agente procurar informações na internet em tempo real. É a ferramenta mais utilizada porque resolve um problema fundamental dos LLM: o desfasamento temporal face à realidade. Um modelo não sabe nada sobre eventos ocorridos após o seu treino e, pior, não sabe que não sabe — o que leva a respostas confiantes baseadas numa visão desatualizada do mundo.
Configurar um agente com esta ferramenta requer apenas algumas linhas.
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}
)
Executar uma Pesquisa
Consulta este agente como qualquer outro: a decisão de pesquisar pertence ao agente.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Who won the most recent European Football Championship?"
)
Por detrás desta única chamada esconde-se toda uma cadeia de eventos. O agente analisa primeiro a pergunta para determinar se o seu próprio conhecimento é suficiente — neste caso, a expressão “mais recente” implica informação datada, pelo que não é. De seguida, formula uma consulta de pesquisa otimizada, muitas vezes diferente da sua frase, despojada de formulações conversacionais. Executa a pesquisa e, por fim, sintetiza os resultados com as respetivas citações. Não controla nenhum destes passos, mas pode vê-los todos na resposta.
Anatomia da Resposta
A resposta contém várias entradas sequenciais pelas quais deve iterar por ordem.
for entry in response.outputs:
print(f"--- {entry.type} ---")
if entry.type == "tool.execution":
# Detalhes da pesquisa efetuada
print(f"Tool: {entry.tool_name}")
elif entry.type == "message.output":
# Resposta com citações
for chunk in entry.content:
if chunk.type == "text":
print(chunk.text)
elif chunk.type == "tool_reference":
print(f"[Source] {chunk.title} — {chunk.url}")
Verá primeiro uma entrada tool.execution, que transporta os metadados da operação, incluindo a consulta real enviada ao motor de pesquisa. É aqui que deve olhar quando uma resposta parecer fora de contexto, pois verá frequentemente que a reformulação se desviou. A entrada message.output transporta depois a resposta sintetizada, dividida em blocos text e tool_reference — daí o ciclo aninhado no código acima.
Utilizar o Modo Direto (Sem Agente)
A ferramenta também funciona sem um agente registado, o que é conveniente para testes rápidos.
response = client.beta.conversations.start(
model="mistral-large-latest",
inputs=[{"role": "user", "content": "Latest news on Mistral AI"}],
tools=[{"type": "web_search"}]
)
Melhores Práticas Que Fazem a Diferença
Comece por fazer perguntas precisas. O agente transforma a sua pergunta numa consulta de pesquisa: “fale-me sobre IA” produzirá resultados genéricos, enquanto “que regulamentações europeias de IA foram adotadas em 2026?” visa imediatamente páginas acionáveis. Esta regra aplica-se também às perguntas que os seus utilizadores fazem: se a sua interface permitir pedidos vagos, inclua um passo nas suas instruções para reformulação ou perguntas de clarificação.
De seguida, controle a temperatura. Para tarefas factuais, um valor baixo — entre 0,2 e 0,4 — reduz as alucinações durante a síntese dos resultados. A pesquisa fornece a matéria-prima, mas o modelo continua a fazer a redação e nada o impede de preencher lacunas se lhe for dada demasiada liberdade.
Por fim, verifique as fontes. As citações são automáticas, mas a sua relevância varia: uma publicação num fórum e um texto oficial parecem semelhantes numa lista de referências. Em contextos críticos, abra os URLs devolvidos antes de adotar a informação — e exponha-os aos seus utilizadores para que possam fazer o mesmo.
Pontos-chave
web_searchdá ao agente acesso em tempo real à internet- As respostas incluem citações automáticas (título + URL)
web_search_premiumadiciona fontes de notícias verificadas- A ferramenta funciona com ou sem agente (o modo direto é possível)
- Recomenda-se uma temperatura baixa para tarefas factuais