Konfigurera och styra webbresultat
På denna sida
Lektionen uppdaterad 2 november 2026 baserat på OpenAI-dokumentation: Code Interpreter-verktyget kräver en
container-parameter (lagd till i alla exempel), inmatade textdelar är av typeninput_text, och webbsökning använder verktygetweb_search(web_search_previewär nu ett föråldrat verktyg utan domänfilter). Genererade filer hämtas med funktionernafichiers_generesochtelechargerfrån lektion 10. Källor: Code Interpreter · Web search.
Konfigurera och styra webbresultat
Att aktivera webbsökning tar en rad; att få tillförlitliga svar kräver tre inställningar som denna lektion går igenom. Den första avgör hur mycket webbinnehåll som injiceras i kontexten, vilket direkt påverkar din faktura. Den andra styr de frågor som modellen formulerar själv – för det är den som skriver dem, inte du. Den tredje gäller citeringar; utan dem är ett källhänvisat svar bara ett påstående.
Parametern search_context_size
Parametern search_context_size styr hur mycket webbinnehåll som injiceras i modellens kontext. Den ändrar varken antalet sökningar eller deras kvalitet: den bestämmer hur mycket text som faktiskt hamnar i prompten när sidorna väl har hittats. Detta är en avvägning mellan fullständighet och kostnad, och du bör finjustera den efter uppgiftstyp, inte ställa in den en gång och glömma den.
from openai import OpenAI
client = OpenAI()
# Minimal kontext: snabba, koncisa svar
response = client.responses.create(
model="gpt-5.6-terra",
input="What is France's GDP in 2025?",
tools=[{
"type": "web_search",
"search_context_size": "low"
}]
)
# Medelkontext: bra kompromiss (standard)
response = client.responses.create(
model="gpt-5.6-terra",
input="Summarize AI market trends in Europe",
tools=[{
"type": "web_search",
"search_context_size": "medium"
}]
)
# Stor kontext: djupgående analys
response = client.responses.create(
model="gpt-5.6-terra",
input="Compare AI strategies in France, Germany, and the Netherlands",
tools=[{
"type": "web_search",
"search_context_size": "high"
}]
)
Påverkan på kostnader och latens
Tumregeln är enkel: höj nivån ett steg endast om svaret du fick konkret sett var otillräckligt. Ett datum, en siffra eller en faktauppgift kräver inget mer än low; att använda high för det är som att betala för en hel dossier för att läsa en enda rad.
| Storlek | Kontexttoken | Latens | Kostnad | Användning |
|---|---|---|---|---|
low | Minimal | Snabb | Låg | Enkla fakta, siffror |
medium | Måttlig | Standard | Medel | Sammanfattningar, jämförelser |
high | Maximal | Långsammare | Hög | Djupgående analys |
Styr sökfrågor via prompten
Här är punkten som de flesta upptäcker för sent: modellen formulerar sina egna sökfrågor. Du skriver “vilka är de senaste regleringsändringarna?” och den översätter det till nyckelord du aldrig ser. Kvaliteten på resultatet beror därför på en omformulering som du bara har indirekt kontroll över – systemprompten. Nämn de auktoritativa källorna inom ditt område och den tidsperiod du är intresserad av: det gör störst skillnad.
response = client.responses.create(
model="gpt-5.6-terra",
instructions=(
"You are a market analyst specializing in European technology. "
"When you perform web searches, prioritize institutional sources "
"(European Commission, INSEE, Eurostat) and specialized media "
"(Les Echos, La Tribune, TechCrunch). "
"Ignore personal blogs and forums."
),
input="What is the state of AI startup funding in France?",
tools=[{
"type": "web_search",
"search_context_size": "high"
}]
)
Extrahera och strukturera citeringar
Citeringar anländer som annotationer fästa vid svaret, inte i själva texten. Denna separation är goda nyheter: den låter dig visa källor hur du vill, verifiera dem, eller avvisa ett svar som saknar dem. I alla applikationer där svaret har tyngd – juridik, medicin, finans – är det säkrare att behandla saknade annotationer som ett fel än att lita på texten.
def extract_sources(response) -> list[dict]:
"""Extract all URL citations from a Web Search response."""
sources = []
for item in response.output:
if item.type == "message":
for block in item.content:
if hasattr(block, "annotations"):
for ann in block.annotations:
if ann.type == "url_citation":
sources.append({
"url": ann.url,
"title": ann.title,
"excerpt_start": ann.start_index,
"excerpt_end": ann.end_index
})
return sources
# Usage
response = client.responses.create(
model="gpt-5.6-terra",
input="What are the new GDPR rules for AI in 2026?",
tools=[{"type": "web_search"}]
)
sources = extract_sources(response)
for s in sources:
print(f" {s['title']}: {s['url']}")
Mönster: sökning med korsvalidering
En enda källa är fortfarande bara en källa, även om en modell hittade den. För information som driver ett beslut, be explicit om bekräftelse från flera oberoende källor och låt modellen flagga motsägelser istället för att tystlåtet skilja dem åt: en oenighet mellan två källor är i sig information, ofta mer användbar än att medelvärdesbilda de två.
def validated_search(question: str, min_sources: int = 3) -> dict:
"""Web search requiring multiple sources."""
response = client.responses.create(
model="gpt-5.6-terra",
instructions=(
f"To answer this question, you must find at least "
f"{min_sources} independent sources that confirm the information. "
"If sources contradict each other, flag the discrepancies. "
"Cite each source explicitly."
),
input=question,
tools=[{
"type": "web_search",
"search_context_size": "high"
}]
)
sources = extract_sources(response)
return {
"answer": response.output_text,
"sources": sources,
"reliability": "high" if len(sources) >= min_sources else "verify"
}
Hantera inga resultat
Det finns ett fall som folk glömmer att hantera: sökningen returnerar inget. Risken är inte avsaknaden av ett svar – det är att modellen, i avsaknad av resultat, svarar utifrån sin interna kunskap utan att signalera det, vilket ger dig trovärdig men föråldrad information. Be den säga detta explicit och planera för omformulering.
def search_with_fallback(question: str) -> dict:
"""Web search with failure detection and reformulation."""
# First attempt
response = client.responses.create(
model="gpt-5.6-terra",
input=question,
tools=[{"type": "web_search"}]
)
sources = extract_sources(response)
if len(sources) == 0:
# Automatic reformulation
response = client.responses.create(
model="gpt-5.6-terra",
input=f"Rephrase this question for a more effective web search, "
f"then search: {question}",
tools=[{"type": "web_search", "search_context_size": "high"}]
)
sources = extract_sources(response)
return {
"answer": response.output_text,
"sources": sources
}
Webbsökning med strömning
En webbsökning tar några sekunder, ibland mer om modellen kedjar flera frågor. Med strömning ser användaren svaret byggas upp istället för att stirra på en laddningsindikator – och för denna typ av latens är skillnaden i upplevelse enorm till en nästan obefintlig implementeringskostnad.
stream = client.responses.create(
model="gpt-5.6-terra",
input="What are this week's tech news headlines?",
tools=[{"type": "web_search"}],
stream=True
)
for event in stream:
if event.type == "response.output_text.delta":
print(event.delta, end="", flush=True)
elif event.type == "response.completed":
# Extract sources at the end
sources = extract_sources(event.response)
print(f"\n\n--- {len(sources)} sources consulted ---")
Filtrera domäner och lista källor
Verktyget web_search accepterar en parameter filters som begränsar sökningen till en lista över tillåtna domäner (upp till 100) eller exkluderar en lista (också upp till 100). Skriv domäner utan http:// eller https://. Filtrering finns endast med web_search i Responses API: det föråldrade verktyget web_search_preview ignorerar detta.
response = client.responses.create(
model="gpt-5.6-terra",
tools=[{
"type": "web_search",
"filters": {"allowed_domains": ["service-public.fr", "legifrance.gouv.fr"]},
}],
include=["web_search_call.action.sources"],
input="What are the price display requirements for retail stores in France?",
)
print(response.output_text)
Alternativet include=["web_search_call.action.sources"] returnerar den fullständiga listan över konsulterade URL:er, som ofta är längre än listan över citeringar. Själva citeringarna anländer som url_citation-annotationer (URL, titel, position i texten): OpenAI:s dokumentation begär att du visar dem synligt och klickbart i ditt gränssnitt.
Viktiga punkter
search_context_sizestyr volymen av webbdatab som injicerasfiltersbegränsar eller exkluderar domäner (max 100);includelistar alla konsulterade källor- Systemprompten guidar modellen mot rätt källor
- Extrahera
url_citation-annotationer för att spåra källor - Implementera korsvalidering för kritisk information
- Hantera saknade resultat med automatisk omformulering