Kostenlose Websuche-API für KI-Agenten
Ein LLM kennt nur seine Trainingsdaten. Eine Websuche-API liefert ihm aktuelle Fakten und Quellen. Tavily, Exa, Firecrawl und Linkup geben jeweils kostenlose monatliche Credits. FreeLLMAPI legt diese Engines hinter einen Endpunkt /v1/search und wechselt zur nächsten Engine, wenn eine ausfällt.
Code, Modellnamen und Bezeichnungen aus dem Live-Katalog werden auf Englisch angezeigt.
Kostenlose Suchmaschinen heute
Die Tabelle listet die Suchmaschinen im FreeLLMAPI-Katalog. Die Daten stammen aus dem Live-Katalog. „Answers“ bedeutet, dass die Engine zusammen mit den Ergebnissen eine kurze geschriebene Antwort liefern kann. „News“ bedeutet, dass sie die Suche auf Nachrichten begrenzen kann.
| Such-API | Kostenloses Limit | Antworten | Nachrichten |
|---|---|---|---|
| Tavily Search | 1,000 credits/month, no card | Ja | Ja |
| Exa Search | $10/month in credits, no card | Nein | Ja |
| Firecrawl Search | 1,000 credits/month (2 per search), no card | Nein | Ja |
| Linkup Search | free monthly credits for eligible accounts | Ja | Nein |
| Parallel Search | Free, no key needed (rate-limited); free API key for more | Nein | Nein |
| SerpSearch | 1,000 requests/month shared across endpoints; no card; 1 request/second | Nein | Ja |
Live-Daten aus dem FreeLLMAPI-Katalog (Version 2026.11.19, geprüft 2026-11-19). Kostenlose Limits ändern sich oft. Der Katalog wird jeden Tag geprüft.
| Engine | Kostenloser Tarif (offiziell) | Kosten einer Suche | Weitere Limits |
|---|---|---|---|
| Tavily | 1,000 Credits pro Monat, keine Kreditkarte | 1 Credit (basic) oder 2 Credits (advanced) | Extract kostet 1 Credit je 5 URLs |
| Exa | $10 an Credits, am ersten Tag jedes Monats zurückgesetzt, keine Zahlungsmethode | Etwa $0.004 (lite) bis $0.007 (auto) | Jedes Ergebnis über 10 kostet mehr |
| Firecrawl | 1,000 Credits pro Monat, keine Kreditkarte | 2 Credits je 10 Ergebnisse | 10 Suchanfragen pro Minute, 2 gleichzeitig |
| Linkup | Kostenlose Credits auf der Preisseite | Etwa $0.005 bis $0.006 | Die monatliche Menge konnten wir heute nicht bestätigen |
Mit allen vier Schlüsseln erhalten Sie jeden Monat etwa 1,000 Tavily-Suchen, 1,400 bis 2,500 Exa-Suchen und 500 Firecrawl-Suchen. Diese Zahlen sind unsere Berechnung aus den veröffentlichten Preisen.
Schritt 1: FreeLLMAPI installieren und Suchschlüssel hinzufügen
FreeLLMAPI ist Open Source. Es läuft in Docker auf Ihrem Computer. Ihre Anbieter-Schlüssel bleiben auf Ihrem Computer.
Installation (macOS oder Linux)
curl -fsSL https://freellmapi.co/install.sh | bashÖffnen Sie das Dashboard unter http://localhost:3001. Fügen Sie auf der Seite Keys einen Schlüssel für Tavily, Exa, Firecrawl oder Linkup hinzu. Fügen Sie außerdem einen Schlüssel für einen Chat-Anbieter hinzu, zum Beispiel Google AI Studio oder Groq. Kopieren Sie Ihren einheitlichen Schlüssel von derselben Seite.
Um zu sehen, welche Engines jetzt antworten können, senden Sie GET /v1/search/engines. Die Liste nennt auch die Engine-IDs, die Sie festlegen können.
Schritt 2: Im Web suchen
Senden Sie eine query. Die optionalen Felder sind max_results, topic (general oder news), include_answer und engine. Die Antwort enthält query, results, provider und engine. Jedes Ergebnis hat einen title, eine url und content.
curl
curl http://localhost:3001/v1/search \
-H "Authorization: Bearer <unified-key>" \
-H "Content-Type: application/json" \
-d '{"query": "latest stable Python version", "max_results": 5, "topic": "general"}'Schritt 3: Die Ergebnisse einem LLM geben
Das übliche Muster hat drei Schritte. Suchen, die Ergebnisse in den Prompt setzen und dann das Modell bitten, nur aus diesen Ergebnissen zu antworten. Weisen Sie das Modell an, die URLs zu zitieren.
Python: suchen, dann mit Quellen antworten
import requests
from openai import OpenAI
BASE = "http://localhost:3001/v1"
KEY = "<unified-key>"
client = OpenAI(base_url=BASE, api_key=KEY)
question = "What is the latest stable Python version?"
hits = requests.post(
f"{BASE}/search",
headers={"Authorization": f"Bearer {KEY}"},
json={"query": question, "max_results": 5},
timeout=30,
).json()["results"]
context = "\n\n".join(
f"[{i + 1}] {h['title']}\n{h['url']}\n{h['content'][:1500]}" for i, h in enumerate(hits)
)
answer = client.chat.completions.create(
model="auto",
messages=[
{"role": "system", "content": "Answer only from the sources. Cite them as [1], [2]. "
"If the sources do not answer the question, say so."},
{"role": "user", "content": f"Sources:\n{context}\n\nQuestion: {question}"},
],
)
print(answer.choices[0].message.content)Eine Suche braucht Zeit und verbraucht Credits. Suchen Sie nur, wenn die Frage Fakten braucht, die neuer sind als die Trainingsdaten des Modells, oder wenn der Benutzer Quellen braucht. Halten Sie die Ergebnisse wiederholter Fragen in einem Cache.
Wenn eine Engine einen Fehler 429 sendet, leitet der Router die Anfrage an die nächste Engine weiter. Ergebnisse aller Engines haben dieselbe Form, daher ändert sich Ihr Code nicht. Verwenden Sie engine nur, wenn Sie jedes Mal eine bestimmte Engine brauchen.
Geben Sie einem Agenten dem Modell ein Tool web_search. Wenn das Modell das Tool aufruft, senden Sie die Anfrage an /v1/search und geben die Ergebnisse als Tool-Ergebnis zurück. Die Tool-Schleife erklärt Kostenlose LLM-API mit Function Calling.
Gemini-Google-Search-Grounding
Google-Modelle können auch selbst bei Google suchen. Senden Sie ein Tool mit dem Namen google_search und legen Sie ein Google-Modell fest. FreeLLMAPI wandelt das Tool in das native Grounding-Tool von Gemini um.
Python: Grounding mit Google Search
resp = client.chat.completions.create(
model="gemini-2.5-flash", # pin a Google model so that the request goes to Google
messages=[{"role": "user", "content": "Who won the F1 race this weekend?"}],
tools=[{"type": "function", "function": {"name": "google_search", "parameters": {}}}],
)
print(resp.choices[0].message.content)Fallstricke und Fehlerbehebung
- Credits, nicht Anfragen: Eine Tavily-Suche mit advanced verbraucht 2 Credits. Eine Firecrawl-Suche verbraucht 2 Credits je 10 Ergebnisse. Fordern Sie 5 Ergebnisse an, wenn 5 genügen.
- Langer Inhalt: Suchergebnisse können lang sein. Kürzen Sie jedes Ergebnis, bevor Sie es in den Prompt setzen. Sonst kann die Anfrage das Token-Limit eines kleinen kostenlosen Modells überschreiten.
- Alte oder falsche Seiten: Das Modell vertraut dem, was Sie ihm geben. Weisen Sie es an, zu sagen, wenn die Quellen die Frage nicht beantworten.
| Problem | Ursache | Lösung |
|---|---|---|
Fehler 400 query is required | Der Body hat kein query | Fügen Sie einen String query hinzu |
Fehler 429 mit Retry-After | Alle Engines haben ihr Limit erreicht | Warten Sie die Zeit im Header ab oder fügen Sie einen Schlüssel einer weiteren Engine hinzu |
| Keine Engine ist bereit | Es ist kein Suchschlüssel hinzugefügt | Fügen Sie einen Schlüssel hinzu und prüfen Sie dann GET /v1/search/engines |
| Grounding läuft nicht | Die Anfrage ging an ein Modell, das nicht von Google stammt | Legen Sie ein Gemini-2.5-Flash-Modell fest |
Häufig gestellte Fragen
Gibt es eine kostenlose Websuche-API für KI-Agenten?
Ja. Tavily gibt jeden Monat 1,000 Credits. Exa gibt jeden Monat $10 an Credits. Firecrawl gibt jeden Monat 1,000 Credits. Keiner davon braucht für den kostenlosen Tarif eine Kreditkarte.
Welche kostenlose Such-API ist am besten für LLMs?
Tavily kann zusammen mit den Ergebnissen eine kurze Antwort liefern. Das ist nützlich für einfache Fragen. Exa und Firecrawl liefern den vollständigen Seiteninhalt. Das ist nützlich für Recherchen. Fügen Sie alle hinzu, damit das Failover jeden kostenlosen Tarif nutzen kann.
Ist das Google-Search-Grounding in der Gemini-API kostenlos?
Ja, für Gemini 2.5 Flash und Flash-Lite, bis zu 500 Anfragen pro Tag in der kostenlosen Stufe. Gemini 3 und neuere Modelle haben kein kostenloses Grounding.
Wie füge ich einem LLM eine Websuche hinzu?
Suchen Sie mit /v1/search, setzen Sie die Ergebnisse in den Prompt und weisen Sie das Modell an, nur aus ihnen zu antworten und die URLs zu zitieren. Für einen Agenten stellen Sie die Suche als Tool bereit.
Verwandte Anleitungen
- Kostenlose LLM API mit Function Calling
- Kostenlose LLM-API für KI-Agenten
- Kostenlose LLM-API für RAG
- free gemini api
- Kostenlose LLM API für n8n
Quellen
- FreeLLMAPI docs: Web search and Google Search grounding (geprüft 20 November 2026)
- Tavily docs: API credits (geprüft 20 November 2026)
- Exa pricing (geprüft 20 November 2026)
- Firecrawl pricing (geprüft 20 November 2026)
- Linkup pricing (geprüft 20 November 2026)
- Gemini Developer API pricing: grounding (geprüft 20 November 2026)