Korzystanie z narzędzia web_search

Narzędzie web_search umożliwia modelowi pobieranie nowych informacji z Internetu podczas generowania odpowiedzi.

Co to jest narzędzie web_search?

Narzędzie web_search zapewnia modelowi sztucznej inteligencji dostęp do aktualnych, zewnętrznych informacji w czasie wykonywania. Zamiast polegać tylko na danych treningowych, model może przeprowadzić zapytanie wyszukiwania, przejrzeć odpowiednie źródła i wygenerować odpowiedź opartą na aktualnej zawartości.

Jest to szczególnie przydatne, gdy fakty mogą się często zmieniać, takie jak cennik, wydania produktów, aktualizacje zasad lub bieżące zdarzenia.

Najważniejsze funkcje obejmują:

• Pobieranie informacji na żywo — uzyskiwanie najnowszych informacji niedostępnych w danych trenowania modelu statycznego
• Odpowiedzi oparte na źródle — tworzenie odpowiedzi z pobranej zawartości internetowej
• Mniejsze ryzyko halucynacji — zwiększanie niezawodności dzięki sprawdzaniu źródeł zewnętrznych
• Automatyczne generowanie zapytań — model decyduje, kiedy i jak wyszukiwać na podstawie intencji użytkownika
• Bezproblemowe doświadczenie użytkownika — przeprowadzanie wyszukiwania i generowanie odpowiedzi odbywa się w jednym przepływie

Typowe przypadki użycia

Prosty przykład

Oto minimalny przykład użycia OpenAI API Odpowiedzi z włączonym wyszukiwaniem internetowym:

from openai import OpenAI

client = OpenAI(
    base_url={openai_endpoint},
    api_key={auth_key_or_token}
)

# Get response using the web_search tool
response = client.responses.create(
    model={model_deployment},
    instructions="You are an AI assistant. Use web search when current information is required.",
    input="What are three major announcements from Microsoft Build this week?",
    tools=[{"type": "web_search"}]
)

print(response.output_text)

Dane wyjściowe będą się różnić w zależności od bieżących wyników internetowych, ale powinny zawierać zwięzłą odpowiedź uziemiona w ostatnich źródłach.

Jak działa narzędzie web_search

Ogólny proces korzystania z narzędzia web_search to:

1. Żądanie jest wysyłane — dołącz narzędzie do wyszukiwania w Internecie w tablicy narzędzi.
2. Model ocenia pytanie — decyduje, czy potrzebne są nowe dane internetowe.
3. Wyszukiwanie jest wykonywane — model wystawia co najmniej jedno zapytanie wyszukiwania.
4. Wyniki są przeglądane — wybrane i podsumowane są odpowiednie strony.
5. Odpowiedź jest generowana — model łączy wyniki wyszukiwania w ostateczną odpowiedź.

Najlepsze rozwiązania

• Zadawaj pytania uwzględniając informacje o czasie wyraźnie — uwzględnij wyrazy, takie jak "najnowszy", "bieżący" lub zakresy dat w razie potrzeby
• Ustawianie oczekiwań dla źródeł - Domagaj się wiarygodnych lub oficjalnych źródeł, gdy dokładność ma znaczenie
• Prośba o zwięzłe dane wyjściowe — poproś o krótkie podsumowania z kluczowymi punktami, aby zredukować szum
• Weryfikowanie faktów krytycznych — w przypadku scenariuszy o wysokim stawkach niezależnie weryfikuj ważne oświadczenia
• Śledzenie użycia i opóźnień — pobieranie w sieci Web może zwiększyć czas odpowiedzi i użycie tokenów

Ograniczenia, o których warto wiedzieć

• Wyniki zależą od tego, co jest publicznie dostępne i indeksowalne w czasie wykonywania zapytań
• Jakość źródła może się różnić, więc dane wyjściowe mogą nadal wymagać przeglądu przez człowieka
• Pobrana zawartość może ulec zmianie w miarę upływu czasu, więc powtarzające się przebiegi mogą generować różne odpowiedzi
• Niektóre środowiska mogą stosować ograniczenia regionalne, zasad lub sieci w celu uzyskania dostępu do internetu

Kiedy jest dobrze używana, funkcja web_search pomaga modelowi przejść z wiedzy statycznej do aktualnych, świadomych źródeł odpowiedzi, które są bardziej przydatne w rzeczywistych procesach pracy.