Agent med webbsökning
På denna sida
Ge din agent tillgång till webben
En språkmodell utan internetåtkomst är begränsad till sin träningsdata. Frågar du den om en lagtext som antogs förra månaden kommer den antingen att hävda okunnighet eller – värre – svara utifrån sitt inlärda tillstånd av världen utan att flagga att informationen är föråldrad. Genom att aktivera verktyget web_search på din agent låter du den hitta information i realtid och citera sina källor, vilket förbättrar både aktualiteten och verifierbarheten i svaren.
Skapa en agent med webbsökning
Aktiveringen kräver bara en rad konfiguration, men instruktionerna avgör kvaliteten på resultatet. Exemplet nedan tillämpar strikt disciplin: sök systematiskt, ange URL:er, datera fynden och flagga motsägelser mellan källor.
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="News Agent",
instructions="""You are a news analyst.
- Use web search for every question
- Always cite your sources with URLs
- Specify the date of the information found
- If results are contradictory, mention it""",
tools=[{"type": "web_search"}],
completion_args={"temperature": 0.3, "top_p": 0.95}
)
Den sista instruktionen är den mest värdefulla i praktiken. Utan den kan en modell som ställs inför två avvikande siffror välja den ena och presentera sin syntes som ett fastställt faktum. En låg temperatur kompletterar denna inställning genom att minska hallucinationer vid omformulering av resultat.
Verktyget web_search ger tillgång till en vanlig sökmotor. För verifierade nyhetskällor använder du web_search_premium:
tools=[{"type": "web_search_premium"}]
Använd agenten
Anropet skiljer sig inte från det för en agent utan verktyg: du utlöser inte sökningen; agenten beslutar själv när den är nödvändig.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="What are the latest developments in AI regulation in Europe?"
)
Förstå svarstrukturen
Förändringen blir tydligast när du läser svaret. En agent med webbsökning returnerar flera typer av poster. Kod som helt enkelt läser den första posten skulle visa sökningens metadata istället för den förväntade texten.
for entry in response.outputs:
if entry.type == "tool.execution":
# Web search metadata
print(f"Tool used: {entry.tool_name}")
print(f"Search query: {entry.info}")
elif entry.type == "message.output":
# Agent response with citations
for chunk in entry.content:
if chunk.type == "text":
print(chunk.text)
elif chunk.type == "tool_reference":
print(f" Source: {chunk.title} — {chunk.url}")
Observera den nästlade loopen: innehållet i en message.output är inte en enda sträng utan en sekvens av bitar, där textfragment och referenser varvas. Varje del av svaret kan därför innehålla tool_reference-objekt med tre fält:
tool– Namnet på källverktyget (web_search)title– Titeln på den citerade webbsidanurl– Referens-URL
Detta är en stor fördel: din agent svarar inte bara; den bevisar sina påståenden med verifierbara källor. I ett gränssnitt blir dessa fält klickbara länkar placerade på rätt ställe i texten, vilket låter användare spåra varje påstående tillbaka till dess ursprung.
Vad sökning möjliggör
Börja med övervakning. En agent vars instruktioner styr utdataformatet gör en öppen fråga till en regelbunden, jämförbar veckosammanfattning.
agent = client.beta.agents.create(
model="mistral-large-latest",
name="Tech Watch",
instructions="Conduct technology monitoring. Summarize the 5 most important news items on the requested topic.",
tools=[{"type": "web_search"}]
)
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Monitoring on AI agents — last 2 weeks"
)
Faktakontroll kommer härnäst, där instruktionerna tar formen av ett explicit förfarande. Agenten behöver inte besluta om en metod; metoden dikteras, vilket gör utdatan förutsägbar.
agent = client.beta.agents.create(
model="mistral-large-latest",
name="Fact Checker",
instructions="""Verify the following claims.
For each claim:
1. Search for reliable sources
2. Indicate if it is true, false, or partially true
3. Cite your sources""",
tools=[{"type": "web_search"}]
)
Jämförelse avslutar serien: här bär själva frågan på beslutsunderlaget. Ju mer du specificerar de faktiska begränsningarna – teknik, volym – desto mer riktade blir de utlösta sökningarna.
response = client.beta.conversations.start(
agent_id=agent.id,
inputs="Compare cloud offerings from OVH, Scaleway, and AWS for hosting a Python application with 10K users/day."
)
web_search kontra web_search_premium
| Aspekt | web_search | web_search_premium |
|---|---|---|
| Motor | Standard sökning | Avancerad sökning |
| Källor | Allmänt webbinnehåll | Verifierade nyhetsleverantörer |
| Kostnad | Ingår | Tilläggskostnad |
| Användning | Allmän information | Tillförlitliga nyheter |
För de flesta användningsfall räcker web_search. Spara web_search_premium för applikationer där källtillförlitlighet är avgörande (journalistik, regelefterlevnad, lagstiftningsövervakning). Resonemanget bör inte handla om “vilket alternativ som är bäst” utan “vad kostar en tvivelaktig källa i mitt sammanhang”: för en intern nyhetssammanfattning är kostnaden noll; för en notis som lämnas in till en tillsynsmyndighet är den det inte.
Viktiga punkter
- Verktyget
web_searchlåter agenten söka på internet i realtid - Svaren inkluderar citat med källans titel och URL
web_search_premiumerbjuder verifierade nyhetskällor mot en tilläggskostnad- Låg temperatur (0,3) rekommenderas för faktabaserade uppgifter som involverar sökning
- Agenten beslutar automatiskt när och hur webbsökning ska användas