[ blog · tutorial ]7 min read

4 步給 OpenAI / Claude Agent 接入即時網頁搜尋

Q: 我用 OpenAI Responses API 而不是 Assistants，可以嗎？

可以。同一份 tool schema 直接在 client.responses.create() 裡透過 tools=[{...}] 傳入即可。處理姿勢完全一致：解析 tool_calls，呼叫 POST /api/search/web，把 JSON 回傳。

Q: 結果需要再格式化一次才回給模型嗎？

不需要。POST /api/search/web 回傳的就是 ranked 的 title + URL + LLM 友善 snippet。原樣回給模型即可，模型會引用 snippet、連結 URL。

Q: 可以限定國家或日期範圍嗎？

可以。傳 country_code（ISO 3166-1 alpha-2）和／或 start_date / end_date（YYYY-MM-DD）。要讓模型自行選擇，就在 tool schema 裡把它們當參數；如果你的 Agent 有固定的 locale 或新鮮度要求，直接在 handler 裡寫死即可。

Sarah Choy2026年5月2日發佈2026年5月3日更新約 7 分鐘閱讀

想讓 Agent 的回答基於最新資訊？只要兩樣東西：一個回傳 LLM 友善 snippet 的搜尋 API，加一個模型能呼叫的 tool 定義。本文把這兩件事拆成 4 步。

一句話總結

•Step 1：建立免費 API key，先用 curl 跑通端點。
•Step 2：直接從 API 拉 OpenAI / Claude 的 tool schema —— 不要手寫 JSON。
•Step 3：把 tool 註冊到 Agent（OpenAI Assistants、Anthropic Messages、LangChain 或 n8n）。
•Step 4：寫 tool handler 呼叫 /api/search/web，把結果回寫給模型。

為什麼這篇短

大多數「給 LLM 加網頁搜尋」的教學之所以長，是因為它們其實在教某個搜尋 SDK 或某個重型 Agent 框架。本文不是。整件事就是：選一個端點 → 註冊成 tool → 寫一個 5 行 handler。

1拿到免費 API key 並跑通端點

到 apipick.com/dashboard/api-keys 註冊，新帳號送 100 credits，不需信用卡。建一個 key，然後：

curl -X POST https://www.apipick.com/api/search/web \
  -H "x-api-key: pk_yourkey" \
  -H "Content-Type: application/json" \
  -d '{"query": "what is retrieval augmented generation"}'

會拿到一個精簡的 ranked 清單：title、URL、snippet。先在 curl 裡跑通能省掉很多後續 debug 時間。

2直接拉 tool schema（別手寫）

API Pick 在 GET /api/search/web/tool-schema 上提供「貼上即用」的 tool schema，裡面同時給了 OpenAI function 定義與 Claude tool use 定義。

curl https://www.apipick.com/api/search/web/tool-schema

把結果快取住 —— 它不會經常變。手寫 function schema 是 Agent 程式碼裡最容易踩坑的地方（型別錯、required 錯、description 缺）。

3把 tool 註冊到 Agent

OpenAI Assistants

from openai import OpenAI
import requests

client = OpenAI()
schema = requests.get("https://www.apipick.com/api/search/web/tool-schema").json()

assistant = client.beta.assistants.create(
    name="Research Agent",
    model="gpt-4o",
    instructions="Use web_search whenever the user asks about current events or anything that changes after your training cutoff.",
    tools=[{"type": "function", "function": schema["openai"]}],
)

Anthropic Claude

import anthropic
import requests

schema = requests.get("https://www.apipick.com/api/search/web/tool-schema").json()
client = anthropic.Anthropic()

response = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=1024,
    tools=[schema["claude"]],
    messages=[{"role": "user", "content": "Summarise this week's RAG research."}],
)

LangChain

from langchain.tools import tool
import requests

@tool
def web_search(query: str) -> dict:
    """Real-time web search. Use for any question that needs current information."""
    return requests.post(
        "https://www.apipick.com/api/search/web",
        headers={"x-api-key": "pk_yourkey"},
        json={"query": query},
    ).json()

n8n

加一個 HTTP Request 節點：方法 POST、URL https://www.apipick.com/api/search/web、Header x-api-key: pk_yourkey、JSON Body {"query": "{{ $json.query }}"}。把它接到 Agent 節點或 LLM Chain 節點。不需要 SDK。

4處理 tool 呼叫

OpenAI Assistants 的 run 在 requires_action 狀態停下時，跑搜尋並提交結果：

import json, time, requests
from openai import OpenAI

client = OpenAI()
KEY = "pk_yourkey"

def run_with_tool(thread_id: str, assistant_id: str):
    run = client.beta.threads.runs.create(thread_id=thread_id, assistant_id=assistant_id)
    while True:
        run = client.beta.threads.runs.retrieve(thread_id=thread_id, run_id=run.id)
        if run.status == "requires_action":
            outputs = []
            for call in run.required_action.submit_tool_outputs.tool_calls:
                if call.function.name == "web_search":
                    args = json.loads(call.function.arguments)
                    result = requests.post(
                        "https://www.apipick.com/api/search/web",
                        headers={"x-api-key": KEY},
                        json=args,
                    ).json()
                    outputs.append({"tool_call_id": call.id, "output": json.dumps(result)})
            client.beta.threads.runs.submit_tool_outputs(
                thread_id=thread_id, run_id=run.id, tool_outputs=outputs,
            )
        elif run.status in ("completed", "failed", "cancelled", "expired"):
            return run
        time.sleep(0.5)

Anthropic Messages 的迴圈類似 —— 當 response 裡出現 tool_use 區塊，呼叫 API，把結果作為下一輪的 tool_result 內容區塊發回去。

把迴圈跑得更穩

tool description 要從模型的視角寫：「Use this when the user asks about current events, breaking news, or anything that may have changed after your training cutoff.」別只寫「這是一個網頁搜尋 API」。
在 handler 裡對同一會話裡重複出現的相同 query 做快取。搜尋結果在分鐘級是穩定的，沒必要在同一對話裡付兩次 15 credits。
對新鮮度敏感時加 start_date。「這週的新聞」如果不加日期過濾，常常回傳去年的標題。

下一步

Agent 會搜尋之後，自然該會讀連結。把 URL 內容擷取 API 註冊成第二個 tool —— 同樣的 auth、同樣的 JSON 結構、一次最多 25 個 URL。「搜尋 + 擷取」就是最小可用的研究 Agent。

常見問題

我用 OpenAI Responses API 而不是 Assistants，可以嗎？

可以。同一份 tool schema 直接在 client.responses.create() 裡透過 tools=[{...}] 傳入即可。處理姿勢完全一致：解析 tool_calls，呼叫 POST /api/search/web，把 JSON 回傳。

結果需要再格式化一次才回給模型嗎？

不需要。POST /api/search/web 回傳的就是 ranked 的 title + URL + LLM 友善 snippet。原樣回給模型即可，模型會引用 snippet、連結 URL。

每個 Agent turn 大約多少錢？

每次 web 搜尋 15 credits（按 $5/5,000 折算約 $0.015）。一個典型 Agent turn 用到一次搜尋遠低於 1 美分 —— 真正花錢的是 LLM token。

如果模型從來不呼叫工具怎麼辦？

把 tool description 寫得具體。「Use this for any question that requires current or post-training information」遠比「web search」更管用。模型會根據「這個 tool 是做什麼的」來決定走不走它。

可以限定國家或日期範圍嗎？

可以。傳 country_code（ISO 3166-1 alpha-2）和／或 start_date / end_date（YYYY-MM-DD）。要讓模型自行選擇，就在 tool schema 裡把它們當參數；如果你的 Agent 有固定的 locale 或新鮮度要求，直接在 handler 裡寫死即可。