Los LLM están congelados en su fecha de corte de entrenamiento y alucinan hechos recientes. Darle a un agente una herramienta de búsqueda en Google soluciona ambos problemas, y una SERP API barata y síncrona como serp.cheap es el backend ideal porque la latencia es predecible y el coste por llamada es lo bastante bajo para usarse a escala de agente.
La herramienta de búsqueda (función simple)
import requests
def google_search(query: str, country: str = "us") -> str:
"""Search Google and return the top results as text."""
data = requests.post(
"https://api.serp.cheap/v1/search",
headers={"X-API-Key": "YOUR_KEY"},
json={"q": query, "gl": country},
timeout=30,
).json()
return "\n".join(
f'{r["position"]}. {r["title"]} — {r["link"]}\n {r.get("snippet","")}'
for r in data["organic"]
)Con la API de tool-calling de OpenAI
tools = [{
"type": "function",
"function": {
"name": "google_search",
"description": "Search Google for up-to-date information.",
"parameters": {
"type": "object",
"properties": {
"query": {"type": "string"},
"country": {"type": "string", "default": "us"},
},
"required": ["query"],
},
},
}]
# When the model calls google_search, run the function above and return its
# output as the tool result, then let the model answer with citations.Con LangChain
from langchain.tools import Tool
search_tool = Tool(
name="google_search",
description="Search Google for current information.",
func=lambda q: google_search(q),
)
# Add search_tool to your agent's tool list.Por qué serp.cheap encaja con los agentes
- Síncrona con respuestas en ~2s, sin cola asíncrona que orquestar dentro de una llamada a tool.
- Barata a escala: los agentes lanzan muchas búsquedas; $0.0006/llamada (la mitad en caché) mantiene las ejecuciones asequibles.
- google.com real + citas: devuelve enlaces que el modelo puede citar, no un índice de caja negra.