Os LLMs ficam congelados no ponto de corte do treinamento e alucinam fatos recentes. Dar a um agente uma ferramenta de busca do Google resolve as duas coisas — e uma SERP API barata e síncrona como o serp.cheap é o backend ideal porque a latência é previsível e o custo por chamada é baixo o suficiente para rodar em escala de agente.
A ferramenta de busca (função simples)
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"]
)Com a API de tool-calling da 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.Com 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 que o serp.cheap serve para agentes
- Síncrono — respostas em ~2s, sem fila assíncrona para orquestrar dentro de uma chamada de ferramenta.
- Barato em escala — agentes disparam muitas buscas; $0.0006/chamada (metade em cache) mantém as execuções acessíveis.
- google.com real + citações — retorna links que o modelo pode citar, não um índice caixa-preta.