API de recherche web gratuite pour agents IA
Un LLM ne connaît que ses données d'entraînement. Une API de recherche web lui fournit des faits récents et des sources. Tavily, Exa, Firecrawl et Linkup offrent chacun des crédits mensuels gratuits. FreeLLMAPI place ces moteurs derrière un seul point de terminaison /v1/search et passe au moteur suivant lorsqu'un moteur échoue.
Le code, les noms de modèles et les libellés du catalogue en direct sont affichés en anglais.
Moteurs de recherche gratuits à ce jour
Le tableau liste les moteurs de recherche du catalogue FreeLLMAPI. Les données viennent du catalogue en direct. « Answers » signifie que le moteur peut renvoyer une courte réponse écrite avec les résultats. « News » signifie qu'il peut limiter la recherche aux actualités.
| API de recherche | Limite gratuite | Réponses | Actualités |
|---|---|---|---|
| Tavily Search | 1,000 credits/month, no card | Oui | Oui |
| Exa Search | $10/month in credits, no card | Non | Oui |
| Firecrawl Search | 1,000 credits/month (2 per search), no card | Non | Oui |
| Linkup Search | free monthly credits for eligible accounts | Oui | Non |
| Parallel Search | Free, no key needed (rate-limited); free API key for more | Non | Non |
| SerpSearch | 1,000 requests/month shared across endpoints; no card; 1 request/second | Non | Oui |
Données en direct du catalogue FreeLLMAPI (version 2026.11.19, vérifié le 2026-11-19). Les limites gratuites changent souvent. Le catalogue est vérifié chaque jour.
| Moteur | Offre gratuite (officielle) | Coût d'une recherche | Autres limites |
|---|---|---|---|
| Tavily | 1 000 crédits par mois, sans carte bancaire | 1 crédit (basique) ou 2 crédits (avancé) | Extract coûte 1 crédit pour 5 URL |
| Exa | 10 $ de crédits, réinitialisés le premier jour de chaque mois, sans moyen de paiement | Environ 0,004 $ (lite) à 0,007 $ (auto) | Chaque résultat au-delà de 10 coûte davantage |
| Firecrawl | 1 000 crédits par mois, sans carte bancaire | 2 crédits pour 10 résultats | 10 requêtes de recherche par minute, 2 en même temps |
| Linkup | Crédits gratuits sur la page des tarifs | Environ 0,005 $ à 0,006 $ | Nous n'avons pas pu confirmer le montant mensuel à ce jour |
Avec les quatre clés, vous obtenez chaque mois environ 1 000 recherches Tavily, 1 400 à 2 500 recherches Exa et 500 recherches Firecrawl. Ces chiffres sont notre calcul à partir des prix publiés.
Étape 1 : installer FreeLLMAPI et ajouter les clés de recherche
FreeLLMAPI est open source. Il fonctionne sur votre ordinateur dans Docker. Vos clés de fournisseurs restent sur votre ordinateur.
Installer (macOS ou Linux)
curl -fsSL https://freellmapi.co/install.sh | bashOuvrez le tableau de bord à l'adresse http://localhost:3001. Ajoutez une clé Tavily, Exa, Firecrawl ou Linkup sur la page Keys. Ajoutez aussi une clé d'un fournisseur de chat, par exemple Google AI Studio ou Groq. Copiez votre clé unifiée depuis la même page.
Pour voir quels moteurs peuvent répondre maintenant, envoyez GET /v1/search/engines. La liste donne aussi les identifiants de moteurs que vous pouvez figer.
Étape 2 : rechercher sur le web
Envoyez un query. Les champs facultatifs sont max_results, topic (general ou news), include_answer et engine. La réponse contient query, results, provider et engine. Chaque résultat a un title, une url et un 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"}'Étape 3 : donner les résultats à un LLM
Le schéma habituel comporte trois étapes. Rechercher, placer les résultats dans l'invite, puis demander au modèle de répondre uniquement à partir de ces résultats. Demandez au modèle de citer les URL.
Python : rechercher, puis répondre avec les sources
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)La recherche ajoute du temps et consomme des crédits. Recherchez seulement lorsque la question demande des faits plus récents que les données d'entraînement du modèle, ou lorsque l'utilisateur a besoin de sources. Gardez dans un cache les résultats des questions répétées.
Lorsqu'un moteur envoie une erreur 429, le routeur envoie la requête au moteur suivant. Les résultats de tous les moteurs ont la même forme, donc votre code ne change pas. Utilisez engine seulement lorsque vous avez besoin d'un moteur à chaque fois.
Pour un agent, donnez au modèle un outil web_search. Lorsque le modèle appelle l'outil, envoyez la requête à /v1/search et renvoyez les résultats comme résultat de l'outil. Lisez API LLM gratuite avec appel de fonctions pour la boucle d'outils.
Ancrage avec Google Search pour Gemini
Les modèles Google peuvent aussi chercher directement sur Google. Envoyez un outil nommé google_search et figez un modèle Google. FreeLLMAPI transforme l'outil en outil d'ancrage Gemini natif.
Python : ancrage avec 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)Pièges et dépannage
- Crédits, et non requêtes : une recherche Tavily avancée utilise 2 crédits. Une recherche Firecrawl utilise 2 crédits pour 10 résultats. Demandez 5 résultats lorsque 5 suffisent.
- Contenu long : les résultats de recherche peuvent être longs. Réduisez chaque résultat avant de le placer dans l'invite, sinon la requête peut dépasser la limite de jetons d'un petit modèle gratuit.
- Pages anciennes ou erronées : le modèle fait confiance à ce que vous lui donnez. Demandez-lui de signaler lorsque les sources ne répondent pas à la question.
| Problème | Cause | Solution |
|---|---|---|
Erreur 400 query is required | Le corps de la requête ne contient pas de query | Ajoutez une chaîne query |
Erreur 429 avec Retry-After | Tous les moteurs ont atteint leur limite | Attendez le délai indiqué dans l'en-tête, ou ajoutez une clé d'un autre moteur |
| Aucun moteur n'est prêt | Aucune clé de recherche n'est ajoutée | Ajoutez une clé, puis vérifiez GET /v1/search/engines |
| L'ancrage ne s'exécute pas | La requête est allée vers un modèle non Google | Figez un modèle Gemini 2.5 Flash |
Questions fréquentes
Existe-t-il une API de recherche web gratuite pour les agents IA ?
Oui. Tavily donne 1 000 crédits par mois. Exa donne 10 $ de crédits par mois. Firecrawl donne 1 000 crédits par mois. Aucun ne demande de carte bancaire pour l'offre gratuite.
Quelle API de recherche gratuite est la meilleure pour les LLM ?
Tavily peut renvoyer une courte réponse avec les résultats, ce qui est utile pour les questions simples. Exa et Firecrawl renvoient le contenu complet des pages, ce qui est utile pour la recherche. Ajoutez-les tous pour que le basculement puisse utiliser chaque offre gratuite.
L'ancrage Google Search est-il gratuit dans l'API Gemini ?
Oui, pour Gemini 2.5 Flash et Flash-Lite, jusqu'à 500 requêtes par jour dans l'offre gratuite. Gemini 3 et les modèles plus récents n'ont pas d'ancrage gratuit.
Comment ajouter la recherche web à un LLM ?
Recherchez avec /v1/search, placez les résultats dans l'invite et demandez au modèle de répondre uniquement à partir d'eux et de citer les URL. Pour un agent, exposez la recherche comme un outil.
Guides associés
- API LLM gratuite avec appel de fonctions
- API LLM gratuite pour agents IA
- API LLM gratuite pour RAG
- free gemini api
- API LLM gratuite pour n8n
Sources
- FreeLLMAPI docs: Web search and Google Search grounding (vérifié le 20 November 2026)
- Tavily docs: API credits (vérifié le 20 November 2026)
- Exa pricing (vérifié le 20 November 2026)
- Firecrawl pricing (vérifié le 20 November 2026)
- Linkup pricing (vérifié le 20 November 2026)
- Gemini Developer API pricing: grounding (vérifié le 20 November 2026)