API جستجوی وب رایگان برای عاملهای AI
یک LLM فقط دادههای آموزشی خودش را میشناسد. یک API جستجوی وب به آن واقعیتها و منابع بهروز میدهد. Tavily، Exa، Firecrawl و Linkup هر کدام اعتبار رایگان ماهانه میدهند. FreeLLMAPI این موتورها را پشت یک نقطه پایانی /v1/search قرار میدهد و وقتی یکی خطا بدهد، به موتور بعدی میرود.
کد، نام مدلها و برچسبهای زندهٔ کاتالوگ به زبان انگلیسی نمایش داده میشوند.
موتورهای جستجوی رایگان امروز
جدول موتورهای جستجو در کاتالوگ FreeLLMAPI را فهرست میکند. دادهها از کاتالوگ زنده میآیند. «Answers» یعنی موتور میتواند همراه با نتایج یک پاسخ کوتاه بنویسد. «News» یعنی موتور میتواند جستجو را به خبر محدود کند.
| API جستجو | محدودیت رایگان | پاسخها | اخبار |
|---|---|---|---|
| Tavily Search | 1,000 credits/month, no card | بله | بله |
| Exa Search | $10/month in credits, no card | خیر | بله |
| Firecrawl Search | 1,000 credits/month (2 per search), no card | خیر | بله |
| Linkup Search | free monthly credits for eligible accounts | بله | خیر |
| Parallel Search | Free, no key needed (rate-limited); free API key for more | خیر | خیر |
| SerpSearch | 1,000 requests/month shared across endpoints; no card; 1 request/second | خیر | بله |
دادههای زنده از کاتالوگ FreeLLMAPI (نسخه 2026.11.19، بررسیشده در 2026-11-19). محدودیتهای رایگان اغلب تغییر میکنند. کاتالوگ هر روز بررسی میشود.
| موتور | طرح رایگان (رسمی) | هزینه یک جستجو | محدودیتهای دیگر |
|---|---|---|---|
| Tavily | 1,000 اعتبار در هر ماه، بدون کارت اعتباری | 1 اعتبار (پایه) یا 2 اعتبار (پیشرفته) | استخراج برای هر 5 URL، 1 اعتبار هزینه دارد |
| Exa | 10 دلار اعتبار، در روز اول هر ماه بازنشانی میشود، بدون روش پرداخت | حدود 0.004 دلار (lite) تا 0.007 دلار (auto) | هر نتیجه بالاتر از 10 هزینه بیشتری دارد |
| Firecrawl | 1,000 اعتبار در هر ماه، بدون کارت اعتباری | 2 اعتبار برای هر 10 نتیجه | 10 درخواست جستجو در دقیقه، 2 مورد همزمان |
| Linkup | اعتبار رایگان در صفحه قیمت | حدود 0.005 تا 0.006 دلار | مقدار ماهانه را امروز نتوانستیم تأیید کنیم |
با هر چهار کلید، هر ماه حدود 1,000 جستجوی Tavily، 1,400 تا 2,500 جستجوی Exa و 500 جستجوی Firecrawl خواهید داشت. این عددها محاسبه ما بر اساس قیمتهای منتشرشده است.
مرحله 1: نصب FreeLLMAPI و افزودن کلیدهای جستجو
FreeLLMAPI متنباز است. در Docker روی رایانه شما اجرا میشود. کلیدهای ارائهدهندگان شما روی رایانه شما میمانند.
نصب (macOS یا Linux)
curl -fsSL https://freellmapi.co/install.sh | bashداشبورد را در http://localhost:3001 باز کنید. یک کلید Tavily، Exa، Firecrawl یا Linkup را در صفحه Keys اضافه کنید. یک کلید ارائهدهنده گفتگو هم اضافه کنید، برای مثال Google AI Studio یا Groq. کلید یکپارچه خود را از همان صفحه کپی کنید.
برای دیدن موتورهایی که هماکنون میتوانند پاسخ دهند، GET /v1/search/engines را بفرستید. این فهرست شناسه موتورهایی را هم میدهد که میتوانید ثابت کنید.
مرحله 2: جستجو در وب
یک query بفرستید. فیلدهای اختیاری max_results، topic (general یا news)، include_answer و engine هستند. پاسخ شامل query، results، provider و engine است. هر نتیجه یک title، یک url و content دارد.
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"}'مرحله 3: دادن نتایج به یک LLM
الگوی معمول سه مرحله دارد. جستجو کنید، نتایج را در پرامپت بگذارید، سپس از مدل بخواهید فقط از همان نتایج پاسخ دهد. به مدل بگویید نشانیهای URL را ذکر کند.
Python: جستجو، سپس پاسخ همراه با منابع
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)جستجو زمان میگیرد و اعتبار مصرف میکند. فقط وقتی جستجو کنید که پرسش به واقعیتهایی تازهتر از دادههای آموزشی مدل نیاز دارد، یا کاربر منبع بخواهد. نتایج پرسشهای تکراری را در حافظه نهان نگه دارید.
وقتی یک موتور خطای 429 بفرستد، مسیریاب پرسش را به موتور بعدی میفرستد. نتایج همه موتورها ساختار یکسانی دارند، پس کد شما تغییر نمیکند. engine را فقط وقتی استفاده کنید که همیشه به یک موتور مشخص نیاز دارید.
برای یک عامل، به مدل یک ابزار web_search بدهید. وقتی مدل ابزار را صدا میزند، پرسش را به /v1/search بفرستید و نتایج را به عنوان نتیجه ابزار برگردانید. برای حلقه ابزار، API رایگان LLM برای فراخوانی تابع را بخوانید.
Grounding جستجوی Google در Gemini
مدلهای Google میتوانند خودشان در Google جستجو کنند. ابزاری به نام google_search بفرستید و یک مدل Google را ثابت کنید. FreeLLMAPI این ابزار را به ابزار بومی grounding در Gemini تبدیل میکند.
Python: grounding با جستجوی Google
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)نکات مهم و عیبیابی
- اعتبار، نه درخواست: یک جستجوی پیشرفته Tavily، 2 اعتبار مصرف میکند. یک جستجوی Firecrawl برای هر 10 نتیجه، 2 اعتبار مصرف میکند. وقتی 5 نتیجه کافی است، 5 نتیجه بخواهید.
- محتوای بلند: نتایج جستجو ممکن است بلند باشند. پیش از گذاشتن هر نتیجه در پرامپت، آن را کوتاه کنید. در غیر این صورت درخواست ممکن است از حد توکن یک مدل رایگان کوچک بالاتر برود.
- صفحههای قدیمی یا نادرست: مدل به چیزی که به آن میدهید اعتماد میکند. به آن بگویید اگر منابع به پرسش پاسخ نمیدهند، همین را بگوید.
| مشکل | علت | راهحل |
|---|---|---|
خطای 400 query is required | بدنه درخواست query ندارد | یک رشته query اضافه کنید |
خطای 429 با Retry-After | همه موتورها به حد خود رسیدهاند | تا زمان موجود در هدر صبر کنید، یا یک کلید موتور دیگر اضافه کنید |
| هیچ موتوری آماده نیست | هیچ کلید جستجویی اضافه نشده است | یک کلید اضافه کنید، سپس GET /v1/search/engines را بررسی کنید |
| grounding اجرا نمیشود | درخواست به یک مدل غیر Google رفته است | یک مدل Gemini 2.5 Flash را ثابت کنید |
پرسشهای متداول
آیا یک API جستجوی وب رایگان برای عاملهای AI وجود دارد؟
بله. Tavily هر ماه 1,000 اعتبار میدهد. Exa هر ماه 10 دلار اعتبار میدهد. Firecrawl هر ماه 1,000 اعتبار میدهد. هیچکدام برای طرح رایگان به کارت اعتباری نیاز ندارند.
کدام API جستجوی رایگان برای LLMها بهترین است؟
Tavily میتواند همراه با نتایج یک پاسخ کوتاه بدهد که برای پرسشهای ساده مفید است. Exa و Firecrawl محتوای کامل صفحه را برمیگردانند که برای تحقیق مفید است. همه آنها را اضافه کنید تا جایگزینی بتواند از هر طرح رایگان استفاده کند.
آیا grounding جستجوی Google در Gemini API رایگان است؟
بله، برای Gemini 2.5 Flash و Flash-Lite، تا 500 درخواست در روز در طرح رایگان. Gemini 3 و مدلهای جدیدتر grounding رایگان ندارند.
چگونه جستجوی وب را به یک LLM اضافه کنم؟
با /v1/search جستجو کنید، نتایج را در پرامپت بگذارید و به مدل بگویید فقط از همانها پاسخ دهد و نشانیهای URL را ذکر کند. برای یک عامل، جستجو را به عنوان یک ابزار در دسترس قرار دهید.
راهنماهای مرتبط
- LLM API رایگان با فراخوانی تابع
- API رایگان LLM برای عاملهای هوش مصنوعی
- API رایگان LLM برای RAG
- free gemini api
- LLM API رایگان برای n8n
منابع
- FreeLLMAPI docs: Web search and Google Search grounding (بررسیشده در 20 November 2026)
- Tavily docs: API credits (بررسیشده در 20 November 2026)
- Exa pricing (بررسیشده در 20 November 2026)
- Firecrawl pricing (بررسیشده در 20 November 2026)
- Linkup pricing (بررسیشده در 20 November 2026)
- Gemini Developer API pricing: grounding (بررسیشده در 20 November 2026)