Gli LLM sono congelati al loro cutoff di addestramento e allucinano sui fatti recenti. Dare a un agente un tool di ricerca Google risolve entrambi i problemi — e una SERP API economica e sincrona come serp.cheap è il backend ideale perché la latenza è prevedibile e il costo per chiamata è abbastanza basso da girare alla scala di un agente.
Il tool di ricerca (funzione semplice)
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 l’API di tool-calling di 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.Perché serp.cheap si adatta agli agenti
- Sincrona — risposte in ~2s, nessuna coda asincrona da orchestrare dentro una tool call.
- Economica su larga scala — gli agenti diramano molte ricerche; $0.0006/chiamata (metà in cache) mantiene le esecuzioni accessibili.
- Vero google.com + citazioni — restituisce link che il modello può citare, non un indice black-box.