Sorties structurées et recherche web
Pe această pagină
Combiner les sorties structurées et la recherche en temps réel
Les sorties structurées ne servent pas uniquement aux données statiques. Sur Grok 4 et les modèles ultérieurs, c’est-à-dire l’intégralité de la gamme actuelle, vous pouvez combiner les sorties structurées avec la recherche web. Le modèle effectue une recherche sur le web pour obtenir des informations en temps réel, puis structure les résultats conformément à votre schéma.
Pourquoi cette combinaison est puissante
Sans cette fonctionnalité, l’obtention de données structurées depuis le web nécessite trois étapes distinctes :
- Appeler une API de recherche (Google, Bing, etc.)
- Analyser les résultats bruts
- Envoyer les résultats au LLM pour structuration
Avec les sorties structurées couplées à la recherche web, tout se déroule en un seul appel. Le modèle recherche, synthétise et structure.
Prérequis : Grok 4 minimum
Cette fonctionnalité est disponible sur Grok 4 et les modèles ultérieurs, ce qui couvre l’intégralité de la gamme actuelle (Grok 4.5, Grok 4.3, variantes grok-4.20). Les anciens modèles Grok 3 et Grok 3 Mini ne prenaient pas en charge la combinaison d’outils avec des sorties structurées.
Exemple : Veille concurrentielle
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}")
Le modèle va :
- Rechercher les néobanques françaises actuelles sur le web
- Collecter les informations pertinentes
- Structurer l’ensemble selon le schéma
VeilleConcurrentielle
Exemple : Suivi de l’actualité
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}")
Bonnes pratiques
Soyez précis dans votre invite
La recherche web fonctionne mieux avec des requêtes spécifiques :
# Trop vague
"What's new in tech?"
# Précis et actionnable
"The 5 largest AI funding rounds in France in Q1 2026"
Adaptez votre schéma aux données disponibles
Ne demandez pas de données que le web ne peut pas fournir de manière fiable :
# Difficile à trouver avec précision
class Entreprise(BaseModel):
chiffre_affaires_exact: float # rarement public
# Réaliste
class Entreprise(BaseModel):
chiffre_affaires_estime: str # "environ 50 M€"
source_estimation: str
Gérez les données manquantes
Rendez les champs optionnels s’ils risquent de ne pas être trouvés :
class InfoEntreprise(BaseModel):
nom: str
fondateur: str
annee_creation: int
valorisation: str | None # pas toujours disponible
nombre_employes: str | None
Puncte cheie
- La combinaison sorties structurées + recherche web nécessite Grok 4 minimum ; l’intégralité de la gamme actuelle est compatible
- Activez la recherche web avec
tools=[{"type": "web_search"}] - Un seul appel API remplace la chaîne recherche → analyse → structuration
- Soyez précis dans vos invites pour obtenir de meilleurs résultats
- Rendez les champs optionnels si leur disponibilité n’est pas garantie