OpenAI даёт возможность использовать так называемые hosted tools - инструменты, которые работают в облаке. То есть в своих AI-автоматизациях можно использовать не только инструменты, созданные самостоятельно, но и облачные. В этом видео подробно разберём один из них - WebSearchTool, инструмент поиска в интернете.

Какие hosted tools есть в OpenAI

Основных инструментов, которые работают в облаке OpenAI, семь. Полный список - в документации Agents SDK. Что-то там может добавляться или убираться, но на момент записи видео набор такой:

  • WebSearchTool - поиск в интернете, чаще всего используется в практических задачах;
  • FileSearchTool - поиск по своим Vector Store в OpenAI, если вы их создали;
  • выполнение кода в песочнице;
  • подключение удалённых MCP-серверов;
  • генерация картинок по промпту;
  • подгрузка инструментов по мере необходимости;
  • вызов инструментов из сгенерированного кода на JavaScript.

Остальные - специфичные инструменты для разных ситуаций, а для нас самый практичный - WebSearchTool.

Свои инструменты и hosted tools: в чём разница

Свои инструменты мы вызываем через @function_tool, помечая функцию, или передаём агента как инструмент. Всё это работает как обычная функция Python или созданный вами агент и выполняется в вашем процессе. Платите вы только за токены модели, потраченные во время работы инструмента, и работать можно с любой LLM-моделью.

Hosted tools предоставляет OpenAI, и выполняются они на серверах OpenAI. Здесь есть важные ограничения:

  • вызов платный: вы платите и за входные и выходные токены, и за каждый поисковый запрос - 1 цент за поиск;
  • работает только с моделями OpenAI и Responses API - сторонние решения использовать не получится, вы полностью завязываетесь на OpenAI.

Как устроен поиск и за что берут деньги

Поступает вопрос пользователя, и при вызове поиска сразу списывается 1 цент. Поиск выполняет запрос, получает страницы и читает их - чтение каждой найденной страницы бесплатно. Дальше формируется ответ: если модель считает его подходящим, сразу выдаёт его со ссылками.

Если ответ неполный, модель переформулирует запрос, ищет ещё раз и читает другие страницы - и так в цикле, пока ответ не будет найден. За каждый такой поиск вы платите по центу. Если модель решит, что ответ найти невозможно, поиск прекратится, и она ответит, что ничего не найдено.

Параметр max_turns у Runner на число этих циклов никак не влияет. Ограничить их можно только настройками модели: в ModelSettings указать max_tool_calls - максимальное число вызовов инструмента.

Что приходит в ответе

  • final_output - найденный текст списком и ссылки на источники, где он найден;
  • элементы web_search_call - что делала модель: какие запросы отправляла и какие страницы открывала;
  • аннотации - источник, title, URL и место ссылки в тексте.

Зачем платить, если можно написать парсер

Можно написать парсер самому и запускать его со своего компьютера. Но тогда нужно как-то обращаться к поисковику и обходить защиту от ботов. Сменил сайт вёрстку - парсер ломается, и за этим нужно следить. Попали на капчу или блокировку - ищите, как её обойти. А чтение каждой конкретной страницы - это отдельное обращение к модели.

Поэтому выгоду нужно считать от ситуации к ситуации: поиск за 1 цент или самостоятельная обработка большого количества страниц, где тоже придётся платить за токены. Если нужно парсить конкретные страницы с известной структурой, которые не меняются, такой инструмент использовать нет смысла. А если вы ищете по неопределённым страницам, где непонятны структура и защита от парсинга, он может оказаться значительно дешевле и быстрее, чем делать всё вручную.

Минусы - это платно, и проект завязан на архитектуру OpenAI: выкладывая его в продакшн, учитывайте эту зависимость.

Практика: агент с WebSearchTool

Импортируем WebSearchTool из библиотеки agents и создаём агента - например, Search Agent, который ищет информацию в сети и кратко её пересказывает. Модель берём самую дешёвую.

В model_settings лучше указать tool_choice="required": так инструмент веб-поиска обязательно вызовется при любом запуске агента - это ведь поисковый агент. Затем запускаем Runner с запросом «новости OpenAI за последнюю неделю» и смотрим результат.

# WebSearchTool: агент ищет в интернете, запуск обёрнут в трассу.
#
# Сколько раз искать, модель решает сама. Что она делала, видно в трассе
# (ссылка в конце вывода) и в result.new_items - элементы web_search_call:
# action.type == "search" - поиск (платный, $10 за 1000), "open_page" - открыла страницу.
#
# Запуск:  python orchestration/10_web_search.py

import asyncio

from dotenv import load_dotenv
from agents import Agent, Runner, WebSearchTool, gen_trace_id, trace
from agents.model_settings import ModelSettings

load_dotenv()

search_agent = Agent(
    name="Search Agent",
    instructions="Найди информацию в интернете и кратко перескажи",
    model="gpt-5-nano",
    tools=[WebSearchTool()],
    model_settings=ModelSettings(tool_choice="required"))


async def main():
    trace_id = gen_trace_id()
    with trace("Web search", trace_id=trace_id):
        result = await Runner.run(search_agent, "Новости OpenAI за последнюю неделю")
    print(result.final_output)

    calls = [item.raw_item.action.type for item in result.new_items
             if item.raw_item.type == "web_search_call"]
    searches = calls.count("search")
    print(f"\nПоисков: {searches}, открыто страниц: {calls.count('open_page')}")
    print(f"Стоимость поиска: ${searches * 0.01:.2f} (плюс токены: {result.context_wrapper.usage.total_tokens})")
    print(f"Трасса: https://platform.openai.com/traces/trace?trace_id={trace_id}")


asyncio.run(main())

После запуска агент выдаёт основные новости списком: заголовок, описание и в конце ссылка на страницу, где это можно почитать.

Сколько списали денег: поиск был один, по нему модель решила открыть 7 страниц, и за эти страницы денег не взяли - списали только 1 цент за один поиск. Если бы на этих 7 страницах нужной информации не нашлось, поисков было бы больше, и списали бы больше.

В трассировке видно, как выполнялся запрос: был вызван Search Agent, он отправил поисковый запрос через WebSearch и нашёл эти страницы.

Если в своём скрипте нужны возможности OpenAI для поиска и сбора данных, можно попробовать этот облачный инструмент. Но будьте осторожны: это платно, и при глубоких исследованиях по теме может списаться довольно много денег.