AI agents साठी मोफत वेब शोध API
LLM ला फक्त त्याचा प्रशिक्षण डेटा माहीत असतो. वेब शोध API त्याला अद्ययावत तथ्ये आणि स्रोत देते. Tavily, Exa, Firecrawl आणि Linkup प्रत्येकी दर महिन्याला मोफत क्रेडिट देतात. FreeLLMAPI हे engines एका /v1/search endpoint मागे ठेवते आणि एक अपयशी झाला की पुढच्या engine कडे जाते.
कोड, मॉडेलची नावे आणि थेट कॅटलॉग लेबल इंग्रजीत दाखवले जातात.
आज मोफत शोध engines
तक्त्यात FreeLLMAPI कॅटलॉगमधील शोध engines दिले आहेत. डेटा थेट कॅटलॉगमधून येतो. "Answers" म्हणजे engine निकालांसोबत छोटे लिखित उत्तर परत करू शकते. "News" म्हणजे ते शोध बातम्यांपुरता मर्यादित करू शकते.
| शोध API | मोफत मर्यादा | उत्तरे | बातम्या |
|---|---|---|---|
| Tavily Search | 1,000 credits/month, no card | होय | होय |
| Exa Search | $10/month in credits, no card | नाही | होय |
| Firecrawl Search | 1,000 credits/month (2 per search), no card | नाही | होय |
| Linkup Search | free monthly credits for eligible accounts | होय | नाही |
| Parallel Search | Free, no key needed (rate-limited); free API key for more | नाही | नाही |
| SerpSearch | 1,000 requests/month shared across endpoints; no card; 1 request/second | नाही | होय |
FreeLLMAPI कॅटलॉगमधील थेट डेटा (आवृत्ती 2026.11.19, तपासले 2026-11-19). मोफत मर्यादा वारंवार बदलतात. कॅटलॉग दररोज तपासले जाते.
| Engine | मोफत प्लॅन (अधिकृत) | एका शोधाची किंमत | इतर मर्यादा |
|---|---|---|---|
| Tavily | दर महिन्याला 1,000 क्रेडिट, क्रेडिट कार्डशिवाय | 1 क्रेडिट (basic) किंवा 2 क्रेडिट (advanced) | Extract ला प्रत्येक 5 URL साठी 1 क्रेडिट लागते |
| Exa | $10 क्रेडिट, दर महिन्याच्या पहिल्या दिवशी रीसेट, पेमेंट पद्धतीशिवाय | सुमारे $0.004 (lite) ते $0.007 (auto) | 10 च्या वर असलेला प्रत्येक निकाल अधिक खर्च करतो |
| Firecrawl | दर महिन्याला 1,000 क्रेडिट, क्रेडिट कार्डशिवाय | प्रत्येक 10 निकालांसाठी 2 क्रेडिट | प्रति मिनिट 10 शोध विनंत्या, एकाच वेळी 2 |
| Linkup | किंमत पानावर मोफत क्रेडिट | सुमारे $0.005 ते $0.006 | आज मासिक रक्कम आम्ही पडताळू शकलो नाही |
चारही की वापरल्यास तुम्हाला दर महिन्याला सुमारे 1,000 Tavily शोध, 1,400 ते 2,500 Exa शोध आणि 500 Firecrawl शोध मिळतात. ही संख्या प्रकाशित किमतींवरून आमची गणना आहे.
पायरी 1: FreeLLMAPI इन्स्टॉल करा आणि शोध की जोडा
FreeLLMAPI ओपन सोर्स आहे. ते Docker मध्ये तुमच्या संगणकावर चालते. तुमच्या प्रदात्यांच्या की तुमच्या संगणकावरच राहतात.
इन्स्टॉल करा (macOS किंवा Linux)
curl -fsSL https://freellmapi.co/install.sh | bashhttp://localhost:3001 वर डॅशबोर्ड उघडा. Keys पेजवर Tavily, Exa, Firecrawl किंवा Linkup ची की जोडा. चॅट प्रदात्याची की देखील जोडा, उदाहरणार्थ Google AI Studio किंवा Groq. त्याच पेजवरून तुमची एकत्रित की कॉपी करा.
कोणते engines आता उत्तर देऊ शकतात ते पाहण्यासाठी GET /v1/search/engines पाठवा. यादीत पिन करता येणारे engine ID देखील दिले आहेत.
पायरी 2: वेबवर शोध घ्या
query पाठवा. ऐच्छिक फील्ड max_results, topic (general किंवा news), include_answer आणि engine आहेत. प्रतिसादात query, results, provider आणि engine असतात. प्रत्येक निकालात title, url आणि content असते.
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"}'पायरी 3: निकाल LLM ला द्या
नेहमीच्या पद्धतीत तीन टप्पे असतात. शोध घ्या, निकाल prompt मध्ये ठेवा, मग मॉडेलला फक्त त्या निकालांवरून उत्तर देण्यास सांगा. मॉडेलला URL उद्धृत करण्यास सांगा.
Python: शोध, मग स्रोतांसह उत्तर
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)शोधाला वेळ लागतो आणि क्रेडिट वापरले जातात. प्रश्नाला मॉडेलच्या प्रशिक्षण डेटापेक्षा नवी तथ्ये लागतात किंवा वापरकर्त्याला स्रोत हवे असतात तेव्हाच शोधा. वारंवार विचारलेल्या प्रश्नांचे निकाल cache मध्ये ठेवा.
एका engine ने 429 त्रुटी पाठवली, तर राउटर क्वेरी पुढच्या engine कडे पाठवतो. सर्व engines चे निकाल एकाच आकाराचे असतात, त्यामुळे तुमचा कोड बदलत नाही. तुम्हाला प्रत्येक वेळी एकच engine हवा असेल तेव्हाच engine वापरा.
Agent साठी मॉडेलला web_search tool द्या. मॉडेल tool कॉल करते, तेव्हा क्वेरी /v1/search ला पाठवा आणि निकाल tool result म्हणून परत द्या. Tool loop साठी मोफत function calling LLM API वाचा.
Gemini Google Search grounding
Google मॉडेल स्वतः Google वर शोधू शकतात. google_search नावाचा tool पाठवा आणि एक Google मॉडेल पिन करा. FreeLLMAPI tool ला मूळ Gemini grounding tool मध्ये बदलते.
Python: Google Search सह 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)अडचणी आणि समस्यानिवारण
- क्रेडिट, विनंत्या नव्हे: advanced Tavily शोध 2 क्रेडिट वापरतो. Firecrawl शोध प्रत्येक 10 निकालांसाठी 2 क्रेडिट वापरतो. 5 पुरेसे असतील, तेव्हा 5 निकाल मागा.
- लांब मजकूर: शोध निकाल लांब असू शकतात. प्रत्येक निकाल prompt मध्ये ठेवण्यापूर्वी कापा, नाहीतर विनंती लहान मोफत मॉडेलच्या टोकन मर्यादेपेक्षा जाऊ शकते.
- जुनी किंवा चुकीची पाने: मॉडेल तुम्ही दिलेल्या गोष्टींवर विश्वास ठेवते. स्रोत प्रश्नाचे उत्तर देत नसतील, तेव्हा ते सांगण्यास त्याला सांगा.
| समस्या | कारण | उपाय |
|---|---|---|
त्रुटी 400 query आवश्यक आहे | विनंती बॉडीमध्ये query नाही | query स्ट्रिंग जोडा |
Retry-After सह त्रुटी 429 | सर्व engines त्यांच्या मर्यादेवर आहेत | हेडरमधील वेळेची वाट पाहा, किंवा दुसऱ्या engine ची की जोडा |
| कोणतेही engine तयार नाही | कोणतीही शोध की जोडलेली नाही | एक की जोडा, मग GET /v1/search/engines तपासा |
| Grounding चालत नाही | विनंती Google नसलेल्या मॉडेलकडे गेली | Gemini 2.5 Flash मॉडेल पिन करा |
वारंवार विचारले जाणारे प्रश्न
AI agents साठी मोफत वेब शोध API आहे का?
होय. Tavily दर महिन्याला 1,000 क्रेडिट देते. Exa दर महिन्याला $10 क्रेडिट देते. Firecrawl दर महिन्याला 1,000 क्रेडिट देते. यापैकी कोणत्याही मोफत प्लॅनसाठी क्रेडिट कार्ड लागत नाही.
LLM साठी सर्वोत्तम मोफत शोध API कोणते आहे?
Tavily निकालांसोबत छोटे उत्तर परत करू शकते, जे साध्या प्रश्नांसाठी उपयोगी आहे. Exa आणि Firecrawl पूर्ण पानाची सामग्री परत करतात, जी संशोधनासाठी उपयोगी आहे. प्रत्येक मोफत प्लॅन वापरता यावा म्हणून सर्व जोडा, जेणेकरून failover ते वापरू शकेल.
Gemini API मध्ये Google Search grounding मोफत आहे का?
होय, Gemini 2.5 Flash आणि Flash-Lite साठी, मोफत टियरवर दिवसाला 500 विनंत्यांपर्यंत. Gemini 3 आणि नवी मॉडेल्समध्ये मोफत grounding नाही.
LLM मध्ये वेब शोध कसा जोडू?
/v1/search ने शोध घ्या, निकाल prompt मध्ये ठेवा, आणि मॉडेलला फक्त त्यांच्यावरूनच उत्तर देण्यास आणि URL उद्धृत करण्यास सांगा. Agent साठी शोध एक tool म्हणून उघड करा.
संबंधित मार्गदर्शक
- फंक्शन कॉलिंग असलेला मोफत LLM API
- AI एजंटसाठी मोफत LLM API
- RAG साठी मोफत LLM API
- free gemini api
- n8n साठी मोफत LLM API
स्रोत
- FreeLLMAPI docs: Web search and Google Search grounding (तपासले 20 November 2026)
- Tavily docs: API credits (तपासले 20 November 2026)
- Exa pricing (तपासले 20 November 2026)
- Firecrawl pricing (तपासले 20 November 2026)
- Linkup pricing (तपासले 20 November 2026)
- Gemini Developer API pricing: grounding (तपासले 20 November 2026)