Web Search API : Recherche web programmatique
Pe această pagină
Leçon mise à jour le 2 novembre 2026 sur la base de la documentation OpenAI : l’outil Code Interpreter nécessite désormais un paramètre
container(ajouté à tous les exemples), les parties de texte d’entrée sont de typeinput_text, et la recherche web utilise l’outilweb_search(web_search_previewest désormais un outil hérité sans filtres de domaine). Les fichiers générés sont récupérés à l’aide des fonctionsfichiers_generesettelechargerde la leçon 10. Sources : Code Interpreter · Recherche web.
Web Search API : Recherche web programmatique
L’outil Web Search permet au modèle d’effectuer des recherches web en temps réel directement depuis l’API Responses. Vous n’avez plus besoin d’intégrer une API de recherche tierce : le modèle formule la requête, exécute la recherche et synthétise les résultats.
Activer la recherche web
L’activation ne prend qu’une ligne, ce qui masque un changement fondamental : votre application n’est plus limitée par la date de coupure des connaissances du modèle. Les questions sur les événements d’hier, les prix actuels ou les réglementations récentes deviennent traitables sans intégrer ni payer un moteur de recherche tiers.
from openai import OpenAI
client = OpenAI()
response = client.responses.create(
model="gpt-5.6-terra",
input="Quels sont les derniers résultats de la Ligue 1 ?",
tools=[{"type": "web_search"}]
)
print(response.output_text)
Le modèle décide seul quand effectuer une recherche, et ce point mérite attention : il ne cherche pas systématiquement. Pour les questions qu’il estime relever de ses connaissances existantes, il répond directement — plus vite et à moindre coût, mais avec le risque de présenter des informations obsolètes avec la même assurance. Lorsque la fraîcheur est critique, indiquez-le explicitement dans votre invite plutôt que d’espérer que le modèle devine correctement.
Structure de la réponse
Les sources arrivent sous forme d’annotations attachées à la réponse, séparées du texte. Cela vous permet de les afficher à votre guise, de les vérifier ou de signaler comme suspecte toute réponse dépourvue de sources alors que le sujet l’exigerait.
response = client.responses.create(
model="gpt-5.6-terra",
input="Quel est le cours actuel de l'action LVMH ?",
tools=[{"type": "web_search"}]
)
# Texte synthétisé
print(response.output_text)
# Examiner les sources
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"Titre : {annotation.title}")
Contexte utilisateur pour la pertinence
La localisation influence les résultats plus que vous ne le pensez, et pas seulement pour les recherches évidemment locales. Les questions sur la fiscalité, les prix, la disponibilité ou les obligations légales produisent des réponses différentes selon le pays : sans user_location, le modèle se rabat sur un contexte souvent centré sur les États-Unis.
response = client.responses.create(
model="gpt-5.6-terra",
input="Quel restaurant japonais est ouvert ce soir ?",
tools=[{
"type": "web_search",
"user_location": {
"type": "approximate",
"city": "Paris",
"country": "FR"
}
}]
)
Le paramètre user_location accepte plusieurs niveaux de précision :
# Localisation approximative
"user_location": {
"type": "approximate",
"city": "Lyon",
"region": "Auvergne-Rhone-Alpes",
"country": "FR"
}
Combiner la recherche web avec des fonctions personnalisées
La combinaison la plus productive suit toujours le même schéma : le web apporte des informations externes, vos fonctions fournissent le contexte interne, et le modèle fait le lien. C’est dans cette connexion que réside la valeur — ni la recherche ni vos données seules ne répondent à la question « cela nous affecte-t-il ? ».
tools = [
{"type": "web_search"},
{
"type": "function",
"name": "sauvegarder_veille",
"description": "Enregistrer un résultat de veille dans la base de données",
"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="Recherchez les dernières actualités sur la réglementation de l'IA en Europe "
"et enregistrez les résultats importants",
tools=tools
)
Cas d’usage en production
Veille concurrentielle automatisée
def veille_quotidienne(entreprises: list[str]):
"""Lance une veille web pour chaque concurrent."""
resultats = []
for entreprise in entreprises:
response = client.responses.create(
model="gpt-5.6-terra",
input=f"Quelles sont les dernières actualités concernant {entreprise} ? "
"Concentrez-vous sur les annonces de produits, les tours de financement "
"et les partenariats des 7 derniers jours.",
tools=[{"type": "web_search"}]
)
resultats.append({
"entreprise": entreprise,
"synthese": response.output_text
})
return resultats
Vérification des faits
def verifier_affirmation(affirmation: str) -> dict:
"""Vérifie une affirmation en recoupant plusieurs sources web."""
response = client.responses.create(
model="gpt-5.6-terra",
input=f"Vérifiez cette affirmation en recherchant des sources fiables : "
f"'{affirmation}'. Indiquez si elle est vraie, fausse ou incertaine, "
f"en incluant les sources qui étayent votre conclusion.",
tools=[{"type": "web_search"}]
)
# Extraire les citations
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
}
Limites connues
- Le modèle peut ne pas trouver de résultats pertinents pour des sujets très de niche
- Les résultats dépendent de l’indexation du web au moment de la requête
- Le nombre de recherches par appel est limité : le modèle optimise en formulant des requêtes précises
- Le contenu derrière des paywalls ou des écrans de connexion est inaccessible
Puncte cheie
- Ajoutez
web_searchen une ligne danstools - Le modèle décide de manière autonome quand effectuer une recherche web
user_locationaméliore la pertinence des résultats locaux- Les annotations
url_citationfournissent les sources - Combinez Web Search avec vos fonctions pour automatiser la veille