AI agents के लिए मुफ़्त web search API
LLM सिर्फ अपने प्रशिक्षण डेटा को जानता है। Web search API उसे ताज़ा तथ्य और स्रोत देता है। Tavily, Exa, Firecrawl और Linkup हर महीने मुफ़्त क्रेडिट देते हैं। FreeLLMAPI इन engines को एक /v1/search endpoint के पीछे रखता है और एक engine विफल होने पर अगले engine पर चला जाता है।
कोड, मॉडल नाम और लाइव कैटलॉग लेबल अंग्रेज़ी में दिखाए गए हैं।
आज के मुफ़्त search engines
Table में FreeLLMAPI catalog के search engines दिए गए हैं। डेटा लाइव catalog से आता है। "Answers" का मतलब है कि engine परिणामों के साथ एक छोटा लिखित जवाब लौटा सकता है। "News" का मतलब है कि वह search को समाचार तक सीमित कर सकता है।
| सर्च API | मुफ़्त सीमा | उत्तर | समाचार |
|---|---|---|---|
| Tavily Search | 1,000 credits/month, no card | हाँ | हाँ |
| Exa Search | $10/month in credits, no card | नहीं | हाँ |
| Firecrawl Search | 1,000 credits/month (2 per search), no card | नहीं | हाँ |
| Linkup Search | free monthly credits for eligible accounts | हाँ | नहीं |
| Parallel Search | Free, no key needed (rate-limited); free API key for more | नहीं | नहीं |
| SerpSearch | 1,000 requests/month shared across endpoints; no card; 1 request/second | नहीं | हाँ |
FreeLLMAPI कैटलॉग से लाइव डेटा (संस्करण 2026.11.19, जाँच 2026-11-19)। मुफ़्त सीमाएँ अक्सर बदलती हैं। कैटलॉग की हर दिन जाँच होती है।
| Engine | मुफ़्त plan (आधिकारिक) | एक search की लागत | अन्य limits |
|---|---|---|---|
| Tavily | हर महीने 1,000 क्रेडिट, कोई credit card नहीं | 1 क्रेडिट (basic) या 2 क्रेडिट (advanced) | Extract हर 5 URLs के लिए 1 क्रेडिट लेता है |
| Exa | $10 के क्रेडिट, हर महीने की पहली तारीख को reset, कोई payment method नहीं | लगभग $0.004 (lite) से $0.007 (auto) तक | 10 से ऊपर हर परिणाम की लागत ज़्यादा है |
| Firecrawl | हर महीने 1,000 क्रेडिट, कोई credit card नहीं | हर 10 परिणामों के लिए 2 क्रेडिट | प्रति मिनट 10 search requests, एक साथ 2 |
| Linkup | Pricing पेज पर मुफ़्त क्रेडिट | लगभग $0.005 से $0.006 | हम आज मासिक राशि की पुष्टि नहीं कर सके |
चारों keys के साथ आपको हर महीने लगभग 1,000 Tavily searches, 1,400 से 2,500 Exa searches और 500 Firecrawl searches मिलती हैं। ये संख्याएँ प्रकाशित कीमतों से हमारी गणना हैं।
चरण 1: FreeLLMAPI इंस्टॉल करें और search keys जोड़ें
FreeLLMAPI open source है। यह Docker में आपके computer पर चलता है। आपकी provider keys आपके computer पर ही रहती हैं।
इंस्टॉल करें (macOS या Linux)
curl -fsSL https://freellmapi.co/install.sh | bashhttp://localhost:3001 पर dashboard खोलें। Keys page पर Tavily, Exa, Firecrawl या Linkup की key जोड़ें। एक chat provider की key भी जोड़ें, जैसे Google AI Studio या Groq। उसी page से अपनी unified key कॉपी करें।
यह देखने के लिए कि अभी कौन से engines जवाब दे सकते हैं, GET /v1/search/engines भेजें। सूची में वे engine ids भी हैं जिन्हें आप पिन कर सकते हैं।
चरण 2: वेब पर search करें
एक query भेजें। वैकल्पिक fields हैं max_results, topic (general या news), include_answer और engine। Response में query, results, provider और engine होते हैं। हर result में title, एक url और content होता है।
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"}'चरण 3: परिणाम LLM को दें
आम तरीके में तीन चरण होते हैं। Search करें, परिणामों को prompt में रखें, फिर model से कहें कि वह सिर्फ उन परिणामों से जवाब दे। Model को URLs का हवाला देने के लिए कहें।
Python: search, फिर स्रोतों के साथ जवाब
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)Search में समय लगता है और क्रेडिट खर्च होते हैं। Search तभी करें जब सवाल के लिए model के प्रशिक्षण डेटा से नए तथ्य चाहिए, या जब उपयोगकर्ता को स्रोत चाहिए। बार-बार पूछे गए सवालों के परिणाम cache में रखें।
जब कोई engine 429 error भेजता है, तो router query को अगले engine पर भेज देता है। सभी engines के परिणामों का आकार एक ही होता है, इसलिए आपका code नहीं बदलता। engine तभी इस्तेमाल करें जब आपको हर बार एक ही engine चाहिए।
किसी agent के लिए model को एक web_search tool दें। जब model tool call करे, तो query को /v1/search पर भेजें और परिणाम tool result के रूप में लौटाएँ। Tool loop के लिए Free function calling LLM API पढ़ें।
Gemini Google Search grounding
Google models खुद भी Google पर search कर सकते हैं। google_search नाम का tool भेजें और एक Google model पिन करें। FreeLLMAPI tool को मूल Gemini grounding tool में बदल देता है।
Python: Google Search के साथ 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)सावधानियाँ और समस्या निवारण
- Requests नहीं, क्रेडिट: advanced Tavily search 2 क्रेडिट लेता है। Firecrawl search हर 10 परिणामों के लिए 2 क्रेडिट लेता है। जब 5 परिणाम काफ़ी हों, तो 5 माँगें।
- लंबी content: Search परिणाम लंबे हो सकते हैं। Prompt में डालने से पहले हर परिणाम को काटें, वरना request एक छोटे मुफ़्त model की token सीमा से ऊपर जा सकती है।
- पुराने या गलत पेज: Model वही मानता है जो आप उसे देते हैं। उसे कहें कि जब स्रोत सवाल का जवाब न दें, तो यह बताए।
| समस्या | कारण | समाधान |
|---|---|---|
Error 400 query ज़रूरी है | Body में query नहीं है | एक query string जोड़ें |
Retry-After के साथ error 429 | सभी engines अपनी limit पर हैं | Header में दिए समय का इंतज़ार करें, या एक और engine की key जोड़ें |
| कोई engine तैयार नहीं है | कोई search key नहीं जोड़ी गई है | एक key जोड़ें, फिर GET /v1/search/engines जाँचें |
| Grounding नहीं चलती | Request एक गैर-Google model पर गई | एक Gemini 2.5 Flash model पिन करें |
अक्सर पूछे जाने वाले प्रश्न
क्या AI agents के लिए कोई मुफ़्त web search API है?
हाँ। Tavily हर महीने 1,000 क्रेडिट देता है। Exa हर महीने $10 के क्रेडिट देता है। Firecrawl हर महीने 1,000 क्रेडिट देता है। इनमें से किसी के मुफ़्त plan को credit card की ज़रूरत नहीं है।
LLMs के लिए कौन सी मुफ़्त search API सबसे अच्छी है?
Tavily परिणामों के साथ एक छोटा जवाब लौटा सकता है, जो सरल सवालों के लिए काम का है। Exa और Firecrawl पूरी page content लौटाते हैं, जो शोध के लिए काम की है। सभी को जोड़ें, ताकि failover हर मुफ़्त plan का इस्तेमाल कर सके।
क्या Gemini API में Google Search grounding मुफ़्त है?
हाँ, Gemini 2.5 Flash और Flash-Lite के लिए, मुफ़्त tier पर प्रति दिन 500 requests तक। Gemini 3 और नए models पर मुफ़्त grounding नहीं है।
LLM में web search कैसे जोड़ें?
/v1/search से search करें, परिणामों को prompt में रखें, और model से कहें कि वह सिर्फ उन्हीं से जवाब दे और URLs का हवाला दे। किसी agent के लिए search को एक tool के रूप में दें।
संबंधित गाइड
- Function calling वाला मुफ़्त LLM API
- AI एजेंट्स के लिए मुफ़्त LLM API
- RAG के लिए मुफ़्त LLM API
- free gemini api
- n8n के लिए मुफ़्त LLM API
स्रोत
- FreeLLMAPI docs: Web search and Google Search grounding (जाँचा गया 20 November 2026)
- Tavily docs: API credits (जाँचा गया 20 November 2026)
- Exa pricing (जाँचा गया 20 November 2026)
- Firecrawl pricing (जाँचा गया 20 November 2026)
- Linkup pricing (जाँचा गया 20 November 2026)
- Gemini Developer API pricing: grounding (जाँचा गया 20 November 2026)