Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Ferramenta web_search: Pesquisa na Internet em Tempo Real

Aula 8 de 18 Atualizada a 2 de novembro de 2026 Programador
Nesta página
  1. As Quatro Ferramentas Integradas da Mistral
  2. A Pesquisa Web em Detalhe
  3. Executar uma Pesquisa
  4. Anatomia da Resposta
  5. Utilizar o Modo Direto (Sem Agente)
  6. Melhores Práticas Que Fazem a Diferença
  7. Pontos-chave

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_search dá ao agente acesso em tempo real à internet
  • As respostas incluem citações automáticas (título + URL)
  • web_search_premium adiciona fontes de notícias verificadas
  • A ferramenta funciona com ou sem agente (o modo direto é possível)
  • Recomenda-se uma temperatura baixa para tarefas factuais