AI agents માટે મફત વેબ શોધ API
LLM ફક્ત તેના training data વિશે જાણે છે. વેબ શોધ API તેને વર્તમાન હકીકતો અને સ્ત્રોત આપે છે. Tavily, Exa, Firecrawl અને Linkup દરેક દર મહિને મફત credits આપે છે. FreeLLMAPI આ engines ને એક /v1/search endpoint પાછળ મૂકે છે, અને એક engine નિષ્ફળ જાય ત્યારે આગલા engine પર જાય છે.
કોડ, મૉડેલ નામ અને લાઇવ કૅટલૉગ લેબલ અંગ્રેજીમાં બતાવવામાં આવે છે.
આજે મફત શોધ engines
ટેબલ FreeLLMAPI catalog ના શોધ engines ની યાદી આપે છે. માહિતી લાઇવ catalog માંથી આવે છે. "Answers" નો અર્થ છે કે engine પરિણામ સાથે ટૂંકો લખેલો જવાબ આપી શકે છે. "News" નો અર્થ છે કે તે શોધને સમાચાર સુધી મર્યાદિત કરી શકે છે.
| સર્ચ API | મફત મર્યાદા | જવાબો | સમાચાર |
|---|---|---|---|
| Tavily Search | 1,000 credits/month, no card | હા | હા |
| Exa Search | $10/month in credits, no card | ના | હા |
| Firecrawl Search | 1,000 credits/month (2 per search), no card | ના | હા |
| Linkup Search | free monthly credits for eligible accounts | હા | ના |
| Parallel Search | Free, no key needed (rate-limited); free API key for more | ના | ના |
| SerpSearch | 1,000 requests/month shared across endpoints; no card; 1 request/second | ના | હા |
FreeLLMAPI કૅટલૉગનો લાઇવ ડેટા (સંસ્કરણ 2026.11.19, તપાસ્યું 2026-11-19). મફત મર્યાદાઓ વારંવાર બદલાય છે. કૅટલૉગ દરરોજ તપાસવામાં આવે છે.
| Engine | મફત plan (સત્તાવાર) | એક શોધનો ખર્ચ | અન્ય મર્યાદા |
|---|---|---|---|
| Tavily | દર મહિને 1,000 credits, કોઈ credit card નહીં | 1 credit (basic) અથવા 2 credits (advanced) | Extract દર 5 URL માટે 1 credit ખર્ચે છે |
| Exa | $10 ના credits, દર મહિનાના પહેલા દિવસે reset, કોઈ payment method નહીં | લગભગ $0.004 (lite) થી $0.007 (auto) | 10 થી ઉપરના દરેક પરિણામનો ખર્ચ વધુ છે |
| Firecrawl | દર મહિને 1,000 credits, કોઈ credit card નહીં | દર 10 પરિણામ માટે 2 credits | પ્રતિ મિનિટ 10 શોધ વિનંતી, એક સાથે 2 |
| Linkup | pricing પેજ પર મફત credits | લગભગ $0.005 થી $0.006 | આજે અમે માસિક રકમની પુષ્ટિ કરી શક્યા નથી |
ચારેય keys સાથે, તમને દર મહિને લગભગ 1,000 Tavily શોધ, 1,400 થી 2,500 Exa શોધ અને 500 Firecrawl શોધ મળે છે. આ સંખ્યાઓ પ્રકાશિત ભાવ પરથી અમારી ગણતરી છે.
પગલું 1: FreeLLMAPI ઇન્સ્ટોલ કરો અને શોધ keys ઉમેરો
FreeLLMAPI open source છે. તે Docker માં તમારા કમ્પ્યુટર પર ચાલે છે. તમારી પ્રદાતા keys તમારા કમ્પ્યુટર પર જ રહે છે.
ઇન્સ્ટોલ કરો (macOS અથવા Linux)
curl -fsSL https://freellmapi.co/install.sh | bashડેશબોર્ડ http://localhost:3001 પર ખોલો. Keys પેજ પર Tavily, Exa, Firecrawl અથવા Linkup key ઉમેરો. chat પ્રદાતાની key પણ ઉમેરો, ઉદાહરણ તરીકે Google AI Studio અથવા Groq. તે જ પેજ પરથી unified key કૉપી કરો.
અત્યારે કયા engines જવાબ આપી શકે છે તે જોવા, GET /v1/search/engines મોકલો. યાદીમાં પિન કરી શકાય તેવા engine ids પણ હોય છે.
પગલું 2: વેબ શોધો
query મોકલો. વૈકલ્પિક ફીલ્ડ છે max_results, topic (general અથવા news), include_answer અને engine. response માં query, results, provider અને engine હોય છે. દરેક પરિણામમાં title, url અને content હોય છે.
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"}'પગલું 3: પરિણામ LLM ને આપો
સામાન્ય પદ્ધતિમાં ત્રણ પગલાં છે. શોધો, પરિણામ prompt માં મૂકો, પછી મોડેલને ફક્ત તે પરિણામો પરથી જવાબ આપવા કહો. મોડેલને URL ટાંકવા કહો.
Python: શોધ, પછી સ્ત્રોત સાથે જવાબ
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)શોધ સમય ઉમેરે છે અને credits વાપરે છે. ફક્ત ત્યારે શોધો જ્યારે સવાલને મોડેલના training data કરતાં નવી હકીકતો જોઈતી હોય, અથવા વપરાશકર્તાને સ્ત્રોત જોઈતા હોય. વારંવાર પૂછાતા સવાલના પરિણામ cache માં રાખો.
જ્યારે એક engine 429 error મોકલે, ત્યારે રાઉટર સવાલ આગલા engine પર મોકલે છે. બધા engines ના પરિણામનો આકાર એક જ છે, તેથી તમારો કોડ બદલાતો નથી. ફક્ત જ્યારે દરેક વખતે એક જ engine જોઈએ ત્યારે engine વાપરો.
agent માટે મોડેલને web_search tool આપો. જ્યારે મોડેલ tool કૉલ કરે, ત્યારે સવાલ /v1/search પર મોકલો અને પરિણામ tool result તરીકે પાછું આપો. tool loop માટે Free function calling LLM API વાંચો.
Gemini Google Search grounding
Google મોડેલ પોતે Google પર પણ શોધી શકે છે. google_search નામનો tool મોકલો અને Google મોડેલ પિન કરો. FreeLLMAPI tool ને મૂળ Gemini grounding tool માં ફેરવે છે.
Python: Google Search સાથે grounding
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)મુશ્કેલીઓ અને સમસ્યાનિવારણ
- વિનંતી નહીં, credits: advanced Tavily શોધ 2 credits વાપરે છે. Firecrawl શોધ દર 10 પરિણામ માટે 2 credits વાપરે છે. 5 પૂરતા હોય ત્યારે 5 પરિણામ માંગો.
- લાંબી સામગ્રી: શોધ પરિણામ લાંબા હોઈ શકે છે. prompt માં મૂકતા પહેલા દરેક પરિણામ કાપો, નહીં તો વિનંતી નાના મફત મોડેલની token મર્યાદા વટાવી શકે છે.
- જૂના અથવા ખોટા પેજ: મોડેલ તમે આપેલી માહિતી પર ભરોસો કરે છે. જ્યારે સ્ત્રોત સવાલનો જવાબ ન આપે ત્યારે તે કહે તેમ કહો.
| સમસ્યા | કારણ | ઉકેલ |
|---|---|---|
Error 400 query જરૂરી છે | body માં query નથી | query string ઉમેરો |
Retry-After સાથે error 429 | બધા engines તેમની મર્યાદા પર છે | header માંનો સમય રાહ જુઓ, અથવા બીજી engine key ઉમેરો |
| કોઈ engine તૈયાર નથી | કોઈ શોધ key ઉમેરેલી નથી | key ઉમેરો, પછી GET /v1/search/engines તપાસો |
| Grounding ચાલતું નથી | વિનંતી બિન-Google મોડેલ પર ગઈ | Gemini 2.5 Flash મોડેલ પિન કરો |
વારંવાર પૂછાતા પ્રશ્નો
શું AI agents માટે મફત વેબ શોધ API છે?
હા. Tavily દર મહિને 1,000 credits આપે છે. Exa દર મહિને $10 ના credits આપે છે. Firecrawl દર મહિને 1,000 credits આપે છે. મફત plan માટે તેમાંથી કોઈને credit card જોઈતું નથી.
LLM માટે કયું મફત શોધ API શ્રેષ્ઠ છે?
Tavily પરિણામ સાથે ટૂંકો જવાબ આપી શકે છે, જે સરળ સવાલો માટે ઉપયોગી છે. Exa અને Firecrawl પૂરી પેજ સામગ્રી આપે છે, જે સંશોધન માટે ઉપયોગી છે. દરેક મફત plan વાપરી શકાય તે માટે બધા ઉમેરો જેથી failover તેમનો ઉપયોગ કરી શકે.
શું Gemini API માં Google Search grounding મફત છે?
હા, Gemini 2.5 Flash અને Flash-Lite માટે, મફત ટિયર પર દિવસ દીઠ 500 વિનંતી સુધી. Gemini 3 અને નવા મોડેલમાં મફત grounding નથી.
LLM માં વેબ શોધ કેવી રીતે ઉમેરું?
/v1/search વડે શોધો, પરિણામ prompt માં મૂકો, અને મોડેલને ફક્ત તેમના પરથી જવાબ આપવા અને URL ટાંકવા કહો. agent માટે શોધને tool તરીકે ખુલ્લી કરો.
સંબંધિત માર્ગદર્શિકાઓ
- function calling સાથે મફત LLM API
- AI એજન્ટ્સ માટે મફત LLM API
- RAG માટે મફત LLM API
- free gemini api
- n8n માટે મફત LLM API
સ્રોતો
- FreeLLMAPI docs: Web search and Google Search grounding (તપાસ્યું 20 November 2026)
- Tavily docs: API credits (તપાસ્યું 20 November 2026)
- Exa pricing (તપાસ્યું 20 November 2026)
- Firecrawl pricing (તપાસ્યું 20 November 2026)
- Linkup pricing (તપાસ્યું 20 November 2026)
- Gemini Developer API pricing: grounding (તપાસ્યું 20 November 2026)