Les LLM sont figés à la date de fin de leur entraînement et hallucinent les faits récents. Donner à un agent un outil de recherche Google corrige les deux problèmes — et une API SERP synchrone et bon marché comme serp.cheap est le backend idéal, car la latence est prévisible et le coût par appel assez faible pour tourner à l’échelle d’un agent.
L’outil de recherche (fonction 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"]
)Avec l’API de tool-calling d’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.Avec 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.Pourquoi serp.cheap convient aux agents
- Réponses synchrones en ~2 s — pas de file d’attente asynchrone à orchestrer dans un appel d’outil.
- Bon marché à l’échelle — les agents lancent de nombreuses recherches en parallèle ; 0,0006 $/appel (moitié en cache) garde les exécutions abordables.
- Vrai google.com + citations — renvoie des liens que le modèle peut citer, pas un index boîte noire.