Jak přidat webové vyhledávání k analýze dat v Pythonu a co si model pamatuje

Stručná odpověď

Ano, analýzu lze rozšířit o aktuální informace z internetu. Ve vašem případě je ale bezpečnější nepředpokládat, že model deepseek-v4-flash připojený přes rozhraní třetí strany podporuje vestavěné nástroje pro vyhledávání. Oficiální webové vyhledávání OpenAI je dostupné především prostřednictvím Responses API, zatímco vlastní base_url třetí strany nemusí tuto funkci podporovat.5

Praktičtější a obecnější řešení je dvoufázové:

1. Python odešle dotaz do služby Tavily.
2. Výsledky vyhledávání připojí k TXT datům a předá je modelu k analýze.

Tavily používá API klíč a vrací strukturované výsledky vyhledávání.13

Jak řešení funguje

Skript z dodaného kódu má následující postup:

• načte TXT soubor a případně ho rozdělí na menší bloky,
• podle názvů sloupců a obsahu dat vytvoří vyhledávací dotazy,
• odešle nejvýše několik dotazů do Tavily,
• odstraní duplicitní výsledky podle URL,
• označí zdroje jako [W1], [W2] a podobně,
• předá modelu data, webové zdroje i instrukce k analýze,
• uloží mezivýsledky, zdroje a případné chyby do samostatných souborů.

V nastavení se webové vyhledávání zapíná například takto:

ENABLE_WEB_SEARCH = True
TAVILY_SEARCH_URL = "https://api.tavily.com/search"
SEARCH_RESULTS_PER_QUERY = 5
MAX_SEARCH_QUERIES = 4
SEARCH_DEPTH = "advanced"

API klíče je vhodné ukládat do proměnných prostředí, nikoli přímo do zdrojového kódu:

$env:AI_API_KEY="váš AI API klíč"
$env:AI_BASE_URL="vaše Base URL"
$env:TAVILY_API_KEY="váš Tavily API klíč"

V Pythonu pak požadavek do Tavily vypadá například takto:

payload = {
    "query": query,
    "search_depth": "advanced",
    "max_results": 5,
    "include_answer": False,
    "include_raw_content": False,
    "include_images": False,
}

response = requests.post(
    "https://api.tavily.com/search",
    headers={
        "Authorization": f"Bearer {TAVILY_API_KEY}",
        "Content-Type": "application/json",
    },
    json=payload,
    timeout=60,
)
response.raise_for_status()
results = response.json().get("results", [])

Jak model pracuje se zdroji

Výsledky vyhledávání je vhodné vložit do samostatné části promptu a jasně říct, že jde pouze o referenční materiál. Model by měl:

• používat [W1], [W2] a další označení jen u tvrzení převzatých z webových zdrojů,
• odlišovat fakta z aktuálního TXT souboru od obecných informací z internetu,
• nepovažovat webový výsledek za důkaz konkrétního měření,
• upozornit, pokud se obecná literatura a aktuální data rozcházejí,
• přiznat nedostatek důkazů místo domýšlení hodnot.

To je důležité zejména u technické analýzy polovodičových dat. Obecné vysvětlení například pojmu DIBL nebo prahového napětí nelze automaticky vydávat za přímý závěr o konkrétním zařízení.

Má model paměť?

Ne automaticky. Volání chat.completions.create() si předchozí požadavky samo neuchovává. To, že používáte stejný objekt client nebo stejný model, neznamená, že model při dalším volání zná předchozí konverzaci. Kontext musí aplikace sama uložit a při dalším požadavku znovu odeslat.26

V dodaném programu je proto připravena jednoduchá lokální paměť:

ENABLE_PERSISTENT_MEMORY = False
MEMORY_FILE = Path("analysis_memory.txt")

Po změně na:

ENABLE_PERSISTENT_MEMORY = True

program:

1. při spuštění načte obsah souboru analysis_memory.txt,
2. připojí předchozí report k novému promptu jako pomocný kontext,
3. po dokončení analýzy přidá aktuální report do stejného souboru.

Neukládají se tedy „vzpomínky“ v modelu. Paměť vytváří váš Pythonový program tím, že text znovu načte a odešle v dalším požadavku.

Kdy lokální paměť raději vypnout

Pokud analyzujete pokaždé jiný projekt, zařízení nebo experiment, ponechte:

ENABLE_PERSISTENT_MEMORY = False

Starší report by totiž mohl nový modelový výstup ovlivnit. Historické závěry mohou patřit k jinému souboru a nesmějí být zaměněny za aktuální měření. Paměť je užitečnější tehdy, když skutečně navazujete na stejný projekt a současně máte jasně oddělené jednotlivé běhy.

Dvě praktické opravy v ukázce

V dodaném kódu je potřeba zkontrolovat přístup k odpovědi OpenAI-kompatibilního klienta. Běžný zápis pro první volbu je:

content = response.choices.message.content

Původní varianta response.choices.message.content pravděpodobně selže, protože choices je seznam.

Dále je vhodné ověřit, zda konkrétní poskytovatel skutečně přijímá parametr temperature a zda podporuje použitý název modelu. Kompatibilita s OpenAI SDK totiž automaticky neznamená plnou shodu všech parametrů nebo nástrojů.

Doporučené rozdělení souborů

Pro kontrolu výsledků je praktické uchovávat odděleně:

• analysis_result.txt – konečný report,
• analysis_chunks.txt – analýzy jednotlivých bloků,
• web_sources.txt – použité URL a jejich anotace,
• analysis_errors.txt – chyby při zpracování,
• analysis_memory.txt – volitelná lokální paměť.

Tak lze zpětně ověřit, odkud se vzalo konkrétní tvrzení a zda model nepoužil starší výsledek jako údaj z aktuálního souboru.

Závěr

Nejuniverzálnější varianta pro vaše současné zapojení je Tavily jako samostatná vyhledávací vrstva a váš OpenAI-kompatibilní model jako analytická vrstva. Model sám od sebe předchozí data ani konverzace nezná. Pokud chcete paměť, musí ji zajistit aplikace – například uložením reportu do analysis_memory.txt a jeho opětovným vložením do dalšího promptu.