Um agente de pesquisa que navega na Web
Combine uma ferramenta de busca, uma ferramenta de obtenção e um LLM para pesquisar um tema e escrever um resumo com fontes.
Um agente de pesquisa que navega na Web é uma aula grátis de AI Agents no CoddyKit. Esta é a aula 3 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de AI Agents, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de AI Agents inclui 4 aulas no total.
Partes desta aula ainda não foram traduzidas e aparecem em inglês.
Objetivo do projeto
Crie um agente que pesquise um tópico na Web, recupere páginas e escreva um resumo com fontes — como uma versão pequena do Perplexity.
Ferramentas necessárias
- search — consulte uma API de pesquisa (Tavily, Serper, Brave) e retorne os resultados
- fetch_url — baixe uma página e retorne o texto limpo
- answer — o agente escreve o resumo final com citações
Step 1: Search Tool
import requests
def search(query: str, k: int = 5) -> list[dict]:
r = requests.post(
'https://api.tavily.com/search',
json={'api_key': TAVILY_KEY, 'query': query, 'max_results': k}
)
return r.json()['results'] # list of {url, title, snippet}Step 2: Fetch Tool
from bs4 import BeautifulSoup
def fetch_url(url: str) -> str:
r = requests.get(url, timeout=10)
soup = BeautifulSoup(r.text, 'html.parser')
for tag in soup(['script', 'style', 'nav', 'footer']):
tag.decompose()
return soup.get_text(separator='\n', strip=True)[:5000] # truncateStep 3: Tool Definitions
tools = [
{'type': 'function', 'function': {
'name': 'search',
'description': 'Search the web for a query, return top results with URLs',
'parameters': {'type': 'object', 'properties': {'query': {'type': 'string'}}, 'required': ['query']}
}},
{'type': 'function', 'function': {
'name': 'fetch_url',
'description': 'Download the text of a URL',
'parameters': {'type': 'object', 'properties': {'url': {'type': 'string'}}, 'required': ['url']}
}}
]
import json
print(json.dumps(tools, indent=2))
Step 4: The Agent Loop
def research(question, max_steps=8):
messages = [
{'role': 'system', 'content': 'You are a research agent. Use search and fetch_url to gather facts. Cite each claim with a URL.'},
{'role': 'user', 'content': question}
]
for _ in range(max_steps):
r = oai.chat.completions.create(model='gpt-4o-mini', messages=messages, tools=tools)
msg = r.choices[0].message
messages.append(msg)
if not msg.tool_calls:
return msg.content
for tc in msg.tool_calls:
result = dispatch(tc)
messages.append({'role': 'tool', 'tool_call_id': tc.id, 'content': json.dumps(result)})
return 'Step limit reached'Tool Dispatcher
def dispatch(tc):
args = json.loads(tc.function.arguments)
if tc.function.name == 'search':
return search(**args)
if tc.function.name == 'fetch_url':
return fetch_url(**args)
return {'error': 'unknown tool'}Adicionar um limite de etapas
Sem um limite, o agente pode executar indefinidamente. max_steps=8 é um padrão razoável.
Truncar páginas recuperadas
A maioria das páginas tem mais de 50 KB — grande demais. Trunque para 5000 caracteres (cerca de 1300 tokens). O modelo raramente precisa de mais.
Respeitar robots.txt
A navegação em produção deve respeitar robots.txt e os Termos de Serviço do site. Quando houver dúvida, use um serviço gerenciado de pesquisa e recuperação.
Armazenar resultados em cache
A mesma consulta e o mesmo URL serão solicitados com frequência. Armazene os resultados em cache no Redis por uma hora:
@lru_cache(maxsize=1000)
def cached_fetch(url):
return fetch_url(url)Lidar com falhas
Erros de rede são rotineiros. Retorne o erro ao modelo para que ele possa tentar outra fonte:
try:
return fetch_url(url)
except Exception as e:
return {'error': f'Could not fetch {url}: {e}'}Forçar citações
Termine a instrução do sistema com: "Sua resposta final deve incluir URLs para cada afirmação, como [1] https://..." — e considere verificar o esquema da saída.
Acompanhar o custo
Agentes de pesquisa são caros — de 5 a 15 chamadas de ferramentas por pergunta, cada uma recuperando vários quilobytes. Defina um limite de orçamento por consulta.
Limite de etapas
Por que definir um limite max_steps no loop do agente?
Recapitulação
Pesquisa + recuperação + LLM + limite de etapas = um agente de pesquisa funcional em 50 linhas. Excelente projeto 3.
Perguntas Frequentes
A aula “Um agente de pesquisa que navega na Web” é grátis?
Sim — o texto completo de “Um agente de pesquisa que navega na Web” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de AI Agents, atualize para CoddyKit PRO. O curso de AI Agents inclui 4 aulas no total.
O que vou aprender em “Um agente de pesquisa que navega na Web”?
Combine uma ferramenta de busca, uma ferramenta de obtenção e um LLM para pesquisar um tema e escrever um resumo com fontes. Você pratica AI Agents com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar AI Agents?
Nenhuma experiência prévia é necessária. AI Agents no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 3 de 4.
Quanto tempo leva a aula “Um agente de pesquisa que navega na Web”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de AI Agents?
Sim. Cada aula de AI Agents inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Um robô de perguntas e respostas sobre seus documentos
- Um agente que explica código
- Um agente de pesquisa que navega na Web
- Um assistente SQL para seu DB