AI agent-കൾക്കുള്ള സൗജന്യ വെബ് സെർച്ച് API
ഒരു LLM-ന് അതിന്റെ training ഡാറ്റ മാത്രമേ അറിയൂ. വെബ് സെർച്ച് API അതിന് ഇപ്പോഴത്തെ വസ്തുതകളും ഉറവിടങ്ങളും നൽകുന്നു. Tavily, Exa, Firecrawl, Linkup എന്നിവ ഓരോന്നും സൗജന്യ പ്രതിമാസ credits നൽകുന്നു. FreeLLMAPI ഈ engines-നെ ഒരു /v1/search endpoint-ന് പിന്നിൽ ചേർക്കുന്നു, ഒന്ന് പരാജയപ്പെടുമ്പോൾ അടുത്ത engine-ലേക്ക് മാറുന്നു.
കോഡ്, മോഡൽ പേരുകളും തത്സമയ കാറ്റലോഗ് ലേബലുകളും ഇംഗ്ലീഷിൽ കാണിക്കുന്നു.
ഇന്നത്തെ സൗജന്യ സെർച്ച് engines
FreeLLMAPI catalog-ലെ സെർച്ച് engines പട്ടിക കാണിക്കുന്നു. ഡാറ്റ തത്സമയ catalog-ൽ നിന്നുള്ളതാണ്. "Answers" എന്നാൽ ഫലങ്ങളോടൊപ്പം engine-ന് ഒരു ചെറിയ എഴുതിയ ഉത്തരം നൽകാൻ കഴിയും എന്നാണ്. "News" എന്നാൽ സെർച്ച് വാർത്തകളിലേക്ക് പരിമിതപ്പെടുത്താൻ കഴിയും എന്നാണ്.
| സെർച്ച് API | സൗജന്യ പരിധി | ഉത്തരങ്ങൾ | വാർത്ത |
|---|---|---|---|
| Tavily Search | 1,000 credits/month, no card | അതെ | അതെ |
| Exa Search | $10/month in credits, no card | ഇല്ല | അതെ |
| Firecrawl Search | 1,000 credits/month (2 per search), no card | ഇല്ല | അതെ |
| Linkup Search | free monthly credits for eligible accounts | അതെ | ഇല്ല |
| Parallel Search | Free, no key needed (rate-limited); free API key for more | ഇല്ല | ഇല്ല |
| SerpSearch | 1,000 requests/month shared across endpoints; no card; 1 request/second | ഇല്ല | അതെ |
FreeLLMAPI കാറ്റലോഗിൽ നിന്നുള്ള തത്സമയ ഡാറ്റ (പതിപ്പ് 2026.11.19, 2026-11-19 ൽ പരിശോധിച്ചത്). സൗജന്യ പരിധികൾ പലപ്പോഴും മാറുന്നു. കാറ്റലോഗ് എല്ലാ ദിവസവും പരിശോധിക്കുന്നു.
| Engine | സൗജന്യ plan (ഔദ്യോഗികം) | ഒരു സെർച്ചിന്റെ ചെലവ് | മറ്റ് പരിധികൾ |
|---|---|---|---|
| Tavily | എല്ലാ മാസവും 1,000 credits, credit card ആവശ്യമില്ല | 1 credit (basic) അല്ലെങ്കിൽ 2 credits (advanced) | Extract ഓരോ 5 URL-നും 1 credit ചെലവാക്കുന്നു |
| Exa | $10 credits, എല്ലാ മാസവും ആദ്യ ദിവസം പുനഃസജ്ജമാകുന്നു, payment method ആവശ്യമില്ല | ഏകദേശം $0.004 (lite) മുതൽ $0.007 (auto) വരെ | 10-ന് മുകളിലുള്ള ഓരോ ഫലത്തിനും കൂടുതൽ ചെലവാകുന്നു |
| Firecrawl | എല്ലാ മാസവും 1,000 credits, credit card ആവശ്യമില്ല | ഓരോ 10 ഫലത്തിനും 2 credits | മിനിറ്റിൽ 10 സെർച്ച് request-കൾ, ഒരേ സമയം 2 |
| Linkup | Pricing പേജിൽ സൗജന്യ credits | ഏകദേശം $0.005 മുതൽ $0.006 വരെ | ഇന്നത്തെ പ്രതിമാസ തുക ഞങ്ങൾക്ക് സ്ഥിരീകരിക്കാനായില്ല |
നാല് keys-ഉം ഉപയോഗിച്ചാൽ, ഓരോ മാസവും ഏകദേശം 1,000 Tavily സെർച്ചുകൾ, 1,400 മുതൽ 2,500 വരെ Exa സെർച്ചുകൾ, 500 Firecrawl സെർച്ചുകൾ ലഭിക്കും. ഈ സംഖ്യകൾ പ്രസിദ്ധീകരിച്ച വിലകളിൽ നിന്ന് ഞങ്ങൾ കണക്കാക്കിയതാണ്.
ഘട്ടം 1: FreeLLMAPI ഇൻസ്റ്റാൾ ചെയ്ത് സെർച്ച് keys ചേർക്കുക
FreeLLMAPI ഓപ്പൺ സോഴ്സ് ആണ്. ഇത് Docker-ൽ നിങ്ങളുടെ കമ്പ്യൂട്ടറിൽ പ്രവർത്തിക്കുന്നു. നിങ്ങളുടെ provider keys നിങ്ങളുടെ കമ്പ്യൂട്ടറിൽ തന്നെ നിൽക്കുന്നു.
ഇൻസ്റ്റാൾ ചെയ്യുക (macOS അല്ലെങ്കിൽ Linux)
curl -fsSL https://freellmapi.co/install.sh | bashhttp://localhost:3001-ൽ ഡാഷ്ബോർഡ് തുറക്കുക. Keys പേജിൽ ഒരു Tavily, Exa, Firecrawl അല്ലെങ്കിൽ Linkup key ചേർക്കുക. ഒരു chat provider key-യും ചേർക്കുക, ഉദാഹരണത്തിന് Google AI Studio അല്ലെങ്കിൽ Groq. അതേ പേജിൽ നിന്ന് unified key പകർത്തുക.
ഇപ്പോൾ മറുപടി നൽകാൻ കഴിയുന്ന engines കാണാൻ, GET /v1/search/engines അയയ്ക്കുക. പട്ടിക ഉറപ്പിക്കാൻ കഴിയുന്ന engine ids-ഉം നൽകുന്നു.
ഘട്ടം 2: വെബ് സെർച്ച് ചെയ്യുക
query അയയ്ക്കുക. ഓപ്ഷണൽ ഫീൽഡുകൾ max_results, topic (general അല്ലെങ്കിൽ news), include_answer, engine എന്നിവയാണ്. Response-ൽ query, results, provider, engine ഉണ്ട്. ഓരോ ഫലത്തിലും title, url, content ഉണ്ട്.
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"}'ഘട്ടം 3: ഫലങ്ങൾ ഒരു LLM-ന് നൽകുക
സാധാരണ രീതിക്ക് മൂന്ന് ഘട്ടങ്ങളുണ്ട്. സെർച്ച് ചെയ്യുക, ഫലങ്ങൾ prompt-ൽ ചേർക്കുക, തുടർന്ന് ആ ഫലങ്ങളിൽ നിന്ന് മാത്രം ഉത്തരം നൽകാൻ മോഡലിനോട് ആവശ്യപ്പെടുക. URL-കൾ ഉദ്ധരിക്കാൻ മോഡലിനോട് പറയുക.
Python: സെർച്ച്, തുടർന്ന് ഉറവിടങ്ങളോടെ ഉത്തരം
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)സെർച്ച് സമയം ചേർക്കുകയും credits ഉപയോഗിക്കുകയും ചെയ്യുന്നു. ചോദ്യത്തിന് മോഡലിന്റെ training ഡാറ്റയേക്കാൾ പുതിയ വസ്തുതകൾ വേണമെങ്കിലോ ഉപയോക്താവിന് ഉറവിടങ്ങൾ വേണമെങ്കിലോ മാത്രം സെർച്ച് ചെയ്യുക. ആവർത്തിക്കുന്ന ചോദ്യങ്ങളുടെ ഫലങ്ങൾ cache-ൽ സൂക്ഷിക്കുക.
ഒരു engine 429 പിശക് അയയ്ക്കുമ്പോൾ, router query-നെ അടുത്ത engine-ലേക്ക് അയയ്ക്കുന്നു. എല്ലാ engines-ൽ നിന്നുമുള്ള ഫലങ്ങൾക്ക് ഒരേ ഘടനയാണ്, അതിനാൽ നിങ്ങളുടെ code മാറ്റേണ്ടതില്ല. ഓരോ തവണയും ഒരു engine വേണമെങ്കിൽ മാത്രം engine ഉപയോഗിക്കുക.
ഒരു agent-ന്, മോഡലിന് ഒരു web_search tool നൽകുക. മോഡൽ tool വിളിക്കുമ്പോൾ, query /v1/search-ലേക്ക് അയച്ച് ഫലങ്ങൾ tool result ആയി തിരികെ നൽകുക. Tool loop-ന് സൗജന്യ function calling LLM API വായിക്കുക.
Gemini Google Search grounding
Google മോഡലുകൾക്ക് സ്വയം Google-ൽ സെർച്ച് ചെയ്യാനും കഴിയും. google_search എന്ന tool അയയ്ക്കുകയും ഒരു Google മോഡൽ ഉറപ്പിക്കുകയും ചെയ്യുക. FreeLLMAPI ആ tool-നെ സ്വദേശ Gemini grounding tool ആക്കി മാറ്റുന്നു.
Python: Google Search ഉപയോഗിച്ചുള്ള 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)പ്രശ്നങ്ങളും പരിഹാരങ്ങളും
- Requests അല്ല, credits: ഒരു advanced Tavily സെർച്ച് 2 credits ഉപയോഗിക്കുന്നു. ഓരോ 10 ഫലത്തിനും ഒരു Firecrawl സെർച്ച് 2 credits ഉപയോഗിക്കുന്നു. 5 മതിയാകുമ്പോൾ 5 ഫലങ്ങൾ ആവശ്യപ്പെടുക.
- നീണ്ട ഉള്ളടക്കം: സെർച്ച് ഫലങ്ങൾ നീണ്ടതാകാം. Prompt-ൽ ചേർക്കുന്നതിന് മുൻപ് ഓരോ ഫലവും ചുരുക്കുക, അല്ലെങ്കിൽ ചെറിയ സൗജന്യ മോഡലിന്റെ ടോക്കൺ പരിധി കടന്നേക്കാം.
- പഴയതോ തെറ്റായതോ ആയ പേജുകൾ: മോഡൽ നൽകുന്നതിനെ വിശ്വസിക്കുന്നു. ഉറവിടങ്ങൾ ചോദ്യത്തിന് ഉത്തരം നൽകുന്നില്ലെങ്കിൽ അത് പറയാൻ മോഡലിനോട് ആവശ്യപ്പെടുക.
| പ്രശ്നം | കാരണം | പരിഹാരം |
|---|---|---|
Error 400 query is required | Body-യിൽ query ഇല്ല | ഒരു query string ചേർക്കുക |
Retry-After-ഓടെ error 429 | എല്ലാ engines-ഉം അവയുടെ പരിധിയിലാണ് | Header-ലെ സമയം വരെ കാത്തിരിക്കുക, അല്ലെങ്കിൽ മറ്റൊരു engine key ചേർക്കുക |
| ഒരു engine-ഉം തയ്യാറല്ല | സെർച്ച് key ചേർത്തിട്ടില്ല | ഒരു key ചേർക്കുക, തുടർന്ന് GET /v1/search/engines പരിശോധിക്കുക |
| Grounding പ്രവർത്തിക്കുന്നില്ല | Request പോയത് ഒരു Google അല്ലാത്ത മോഡലിലേക്ക് | ഒരു Gemini 2.5 Flash മോഡൽ ഉറപ്പിക്കുക |
പതിവ് ചോദ്യങ്ങൾ
AI agent-കൾക്ക് സൗജന്യ വെബ് സെർച്ച് API ഉണ്ടോ?
ഉണ്ട്. Tavily എല്ലാ മാസവും 1,000 credits നൽകുന്നു. Exa എല്ലാ മാസവും $10 credits നൽകുന്നു. Firecrawl എല്ലാ മാസവും 1,000 credits നൽകുന്നു. സൗജന്യ plan-ന് ഇവയിൽ ആർക്കും credit card ആവശ്യമില്ല.
LLM-കൾക്ക് ഏറ്റവും നല്ല സൗജന്യ സെർച്ച് API ഏതാണ്?
Tavily ഫലങ്ങളോടൊപ്പം ഒരു ചെറിയ ഉത്തരം നൽകാൻ കഴിയും, ഇത് ലളിതമായ ചോദ്യങ്ങൾക്ക് ഉപയോഗപ്രദമാണ്. Exa, Firecrawl എന്നിവ പൂർണ്ണ പേജ് ഉള്ളടക്കം നൽകുന്നു, ഇത് ഗവേഷണത്തിന് ഉപയോഗപ്രദമാണ്. Failover-ന് ഓരോ സൗജന്യ plan-ഉം ഉപയോഗിക്കാൻ കഴിയുന്നതിന് എല്ലാം ചേർക്കുക.
Gemini API-യിൽ Google Search grounding സൗജന്യമാണോ?
അതെ, Gemini 2.5 Flash, Flash-Lite എന്നിവയ്ക്ക്, സൗജന്യ tier-ൽ ദിവസം 500 request-കൾ വരെ. Gemini 3-ഉം പുതിയ മോഡലുകളും സൗജന്യ grounding നൽകുന്നില്ല.
LLM-ലേക്ക് വെബ് സെർച്ച് എങ്ങനെ ചേർക്കാം?
/v1/search ഉപയോഗിച്ച് സെർച്ച് ചെയ്യുക, ഫലങ്ങൾ prompt-ൽ ചേർക്കുക, അവയിൽ നിന്ന് മാത്രം ഉത്തരം നൽകാനും URL-കൾ ഉദ്ധരിക്കാനും മോഡലിനോട് പറയുക. ഒരു agent-ന്, സെർച്ച് ഒരു tool ആയി നൽകുക.
അനുബന്ധ ഗൈഡുകൾ
- Function calling ഉള്ള സൗജന്യ LLM API
- AI ഏജന്റുകൾക്കുള്ള സൗജന്യ LLM API
- RAG-നുള്ള സൗജന്യ LLM API
- free gemini api
- n8n-നുള്ള സൗജന്യ LLM API
ഉറവിടങ്ങൾ
- FreeLLMAPI docs: Web search and Google Search grounding (20 November 2026 ൽ പരിശോധിച്ചത്)
- Tavily docs: API credits (20 November 2026 ൽ പരിശോധിച്ചത്)
- Exa pricing (20 November 2026 ൽ പരിശോധിച്ചത്)
- Firecrawl pricing (20 November 2026 ൽ പരിശോധിച്ചത്)
- Linkup pricing (20 November 2026 ൽ പരിശോധിച്ചത്)
- Gemini Developer API pricing: grounding (20 November 2026 ൽ പരിശോധിച്ചത്)