AI ఏజెంట్ల కోసం ఉచిత వెబ్ శోధన API
LLMకు దాని శిక్షణ డేటా మాత్రమే తెలుసు. వెబ్ శోధన API దానికి తాజా వాస్తవాలు మరియు మూలాలను ఇస్తుంది. Tavily, Exa, Firecrawl మరియు Linkup ప్రతి ఒక్కటి ప్రతి నెలా ఉచిత క్రెడిట్లను ఇస్తాయి. FreeLLMAPI ఈ ఇంజిన్లను ఒకే /v1/search ఎండ్పాయింట్ వెనుక ఉంచుతుంది, మరియు ఒకటి విఫలమైనప్పుడు తదుపరి ఇంజిన్కు మారుతుంది.
కోడ్, మోడల్ పేర్లు మరియు ప్రత్యక్ష కేటలాగ్ లేబుల్లు ఇంగ్లీషులోనే చూపబడతాయి.
ఈరోజు ఉచిత శోధన ఇంజిన్లు
పట్టిక FreeLLMAPI కేటలాగ్లోని శోధన ఇంజిన్లను జాబితా చేస్తుంది. డేటా ప్రత్యక్ష కేటలాగ్ నుండి వస్తుంది. "Answers" అంటే ఇంజిన్ ఫలితాలతో పాటు ఒక చిన్న వ్రాతపూర్వక సమాధానాన్ని ఇవ్వగలదు. "News" అంటే ఇది శోధనను వార్తలకు పరిమితం చేయగలదు.
| సెర్చ్ API | ఉచిత పరిమితి | సమాధానాలు | వార్తలు |
|---|---|---|---|
| Tavily Search | 1,000 credits/month, no card | అవును | అవును |
| Exa Search | $10/month in credits, no card | లేదు | అవును |
| Firecrawl Search | 1,000 credits/month (2 per search), no card | లేదు | అవును |
| Linkup Search | free monthly credits for eligible accounts | అవును | లేదు |
| Parallel Search | Free, no key needed (rate-limited); free API key for more | లేదు | లేదు |
| SerpSearch | 1,000 requests/month shared across endpoints; no card; 1 request/second | లేదు | అవును |
FreeLLMAPI కేటలాగ్ నుండి ప్రత్యక్ష డేటా (వెర్షన్ 2026.11.19, 2026-11-19 న తనిఖీ చేయబడింది). ఉచిత పరిమితులు తరచుగా మారుతాయి. కేటలాగ్ ప్రతి రోజు తనిఖీ చేయబడుతుంది.
| ఇంజిన్ | ఉచిత ప్లాన్ (అధికారిక) | ఒక శోధన ఖర్చు | ఇతర పరిమితులు |
|---|---|---|---|
| Tavily | ప్రతి నెలా 1,000 క్రెడిట్లు, క్రెడిట్ కార్డ్ లేదు | 1 క్రెడిట్ (basic) లేదా 2 క్రెడిట్లు (advanced) | Extract ప్రతి 5 URLలకు 1 క్రెడిట్ ఖర్చు చేస్తుంది |
| Exa | $10 క్రెడిట్లు, ప్రతి నెల మొదటి రోజున రీసెట్ అవుతాయి, చెల్లింపు పద్ధతి లేదు | సుమారు $0.004 (lite) నుండి $0.007 (auto) వరకు | 10 కంటే ఎక్కువ ఉన్న ప్రతి ఫలితం ఎక్కువ ఖర్చవుతుంది |
| Firecrawl | ప్రతి నెలా 1,000 క్రెడిట్లు, క్రెడిట్ కార్డ్ లేదు | ప్రతి 10 ఫలితాలకు 2 క్రెడిట్లు | నిమిషానికి 10 శోధన అభ్యర్థనలు, ఒకేసారి 2 |
| Linkup | ధరల పేజీలో ఉచిత క్రెడిట్లు | సుమారు $0.005 నుండి $0.006 వరకు | ఈరోజు నెలవారీ మొత్తాన్ని మేము నిర్ధారించలేకపోయాము |
నాలుగు కీలతో, మీరు ప్రతి నెలా సుమారు 1,000 Tavily శోధనలు, 1,400 నుండి 2,500 Exa శోధనలు మరియు 500 Firecrawl శోధనలు పొందుతారు. ఈ సంఖ్యలు ప్రచురించిన ధరల నుండి మా లెక్క.
దశ 1: FreeLLMAPIని ఇన్స్టాల్ చేసి శోధన కీలను జోడించండి
FreeLLMAPI ఓపెన్ సోర్స్. ఇది Docker లో మీ కంప్యూటర్పై నడుస్తుంది. మీ ప్రొవైడర్ కీలు మీ కంప్యూటర్లోనే ఉంటాయి.
ఇన్స్టాల్ (macOS లేదా Linux)
curl -fsSL https://freellmapi.co/install.sh | bashhttp://localhost:3001 వద్ద డాష్బోర్డ్ను తెరవండి. Keys పేజీలో Tavily, Exa, Firecrawl లేదా Linkup కీని జోడించండి. ఒక chat ప్రొవైడర్ కీని కూడా జోడించండి, ఉదాహరణకు Google AI Studio లేదా Groq. అదే పేజీ నుండి మీ unified కీని కాపీ చేయండి.
ఏ ఇంజిన్లు ఇప్పుడు సమాధానం ఇవ్వగలవో చూడటానికి, GET /v1/search/engines ను పంపండి. ఈ జాబితా మీరు పిన్ చేయగల engine IDలను కూడా ఇస్తుంది.
దశ 2: వెబ్లో శోధించండి
query ను పంపండి. ఐచ్ఛిక ఫీల్డ్లు max_results, topic (general లేదా news), include_answer మరియు engine. response లో query, results, provider మరియు engine ఉంటాయి. ప్రతి ఫలితంలో title, url మరియు content ఉంటాయి.
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"}'దశ 3: LLMకు ఫలితాలను ఇవ్వండి
సాధారణ నమూనాలో మూడు దశలు ఉన్నాయి. శోధించండి, ఫలితాలను ప్రాంప్ట్లో ఉంచండి, తర్వాత ఆ ఫలితాల నుండి మాత్రమే సమాధానం ఇవ్వమని మోడల్ను అడగండి. URLలను ఉదహరించమని మోడల్కు చెప్పండి.
Python: శోధించండి, తర్వాత మూలాలతో సమాధానం ఇవ్వండి
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)శోధన సమయాన్ని జోడిస్తుంది మరియు క్రెడిట్లను ఉపయోగిస్తుంది. ప్రశ్నకు మోడల్ శిక్షణ డేటా కంటే కొత్త వాస్తవాలు అవసరమైనప్పుడు లేదా వినియోగదారుకు మూలాలు అవసరమైనప్పుడు మాత్రమే శోధించండి. పునరావృత ప్రశ్నల ఫలితాలను cache లో ఉంచండి.
ఒక ఇంజిన్ 429 ఎర్రర్ పంపినప్పుడు, రూటర్ ప్రశ్నను తదుపరి ఇంజిన్కు పంపుతుంది. అన్ని ఇంజిన్ల ఫలితాలు ఒకే ఆకృతిలో ఉంటాయి, కాబట్టి మీ కోడ్ మారదు. ప్రతిసారీ ఒక ఇంజిన్ అవసరమైనప్పుడు మాత్రమే engine ను ఉపయోగించండి.
ఒక ఏజెంట్ కోసం, మోడల్కు web_search tool ను ఇవ్వండి. మోడల్ tool ను కాల్ చేసినప్పుడు, ప్రశ్నను /v1/search కు పంపి, ఫలితాలను tool result గా తిరిగి ఇవ్వండి. tool లూప్ కోసం ఉచిత function calling LLM API చదవండి.
Gemini Google Search grounding
Google మోడల్లు తామే Google లో శోధించగలవు. google_search అనే tool ను పంపి, ఒక Google మోడల్ను పిన్ చేయండి. FreeLLMAPI ఆ tool ను స్థానిక Gemini grounding tool గా మారుస్తుంది.
Python: Google Search తో 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)జాగ్రత్తలు మరియు ట్రబుల్షూటింగ్
- క్రెడిట్లు, అభ్యర్థనలు కాదు: advanced Tavily శోధన 2 క్రెడిట్లను ఉపయోగిస్తుంది. Firecrawl శోధన ప్రతి 10 ఫలితాలకు 2 క్రెడిట్లను ఉపయోగిస్తుంది. 5 సరిపోయినప్పుడు 5 ఫలితాలను అడగండి.
- పొడవైన కంటెంట్: శోధన ఫలితాలు పొడవుగా ఉండవచ్చు. ప్రాంప్ట్లో ఉంచే ముందు ప్రతి ఫలితాన్ని కత్తిరించండి, లేకపోతే చిన్న ఉచిత మోడల్ యొక్క టోకెన్ పరిమితిని అభ్యర్థన దాటవచ్చు.
- పాత లేదా తప్పు పేజీలు: మోడల్ మీరు ఇచ్చిన దాన్ని నమ్ముతుంది. మూలాలు ప్రశ్నకు సమాధానం ఇవ్వనప్పుడు అది చెప్పేలా చేయండి.
| సమస్య | కారణం | పరిష్కారం |
|---|---|---|
ఎర్రర్ 400 query is required | body లో query లేదు | query స్ట్రింగ్ను జోడించండి |
Retry-After తో ఎర్రర్ 429 | అన్ని ఇంజిన్లు వాటి పరిమితిలో ఉన్నాయి | హెడర్లోని సమయం కోసం వేచి ఉండండి, లేదా మరో ఇంజిన్ కీని జోడించండి |
| ఏ ఇంజిన్ సిద్ధంగా లేదు | శోధన కీ జోడించబడలేదు | కీని జోడించి, తర్వాత GET /v1/search/engines ను తనిఖీ చేయండి |
| Grounding నడవడం లేదు | అభ్యర్థన Google కాని మోడల్కు వెళ్ళింది | Gemini 2.5 Flash మోడల్ను పిన్ చేయండి |
తరచుగా అడిగే ప్రశ్నలు
AI ఏజెంట్ల కోసం ఉచిత వెబ్ శోధన API ఉందా?
అవును. Tavily ప్రతి నెలా 1,000 క్రెడిట్లు ఇస్తుంది. Exa ప్రతి నెలా $10 క్రెడిట్లు ఇస్తుంది. Firecrawl ప్రతి నెలా 1,000 క్రెడిట్లు ఇస్తుంది. వాటిలో ఏ ఒక్కటీ ఉచిత ప్లాన్ కోసం క్రెడిట్ కార్డ్ అడగదు.
LLMలకు ఏ ఉచిత శోధన API ఉత్తమం?
Tavily ఫలితాలతో పాటు ఒక చిన్న సమాధానాన్ని ఇవ్వగలదు, ఇది సరళమైన ప్రశ్నలకు ఉపయోగపడుతుంది. Exa మరియు Firecrawl పూర్తి పేజీ కంటెంట్ను ఇస్తాయి, ఇది పరిశోధనకు ఉపయోగపడుతుంది. ప్రతి ఉచిత ప్లాన్ను ఫెయిల్ఓవర్ ఉపయోగించగలిగేలా అన్నింటినీ జోడించండి.
Gemini API లో Google Search grounding ఉచితమా?
అవును, Gemini 2.5 Flash మరియు Flash-Lite కోసం, ఉచిత టియర్లో రోజుకు 500 అభ్యర్థనల వరకు. Gemini 3 మరియు కొత్త మోడల్లకు ఉచిత grounding లేదు.
LLMకు వెబ్ శోధనను ఎలా జోడించాలి?
/v1/search తో శోధించండి, ఫలితాలను ప్రాంప్ట్లో ఉంచండి, మరియు వాటి నుండి మాత్రమే సమాధానం ఇచ్చి URLలను ఉదహరించమని మోడల్కు చెప్పండి. ఏజెంట్ కోసం, శోధనను ఒక tool గా అందుబాటులో ఉంచండి.
సంబంధిత గైడ్లు
- function calling తో ఉచిత LLM API
- AI ఏజెంట్ల కోసం ఉచిత LLM API
- RAG కోసం ఉచిత LLM API
- free gemini api
- n8n కోసం ఉచిత LLM API
మూలాలు
- FreeLLMAPI docs: Web search and Google Search grounding (20 November 2026 న తనిఖీ చేయబడింది)
- Tavily docs: API credits (20 November 2026 న తనిఖీ చేయబడింది)
- Exa pricing (20 November 2026 న తనిఖీ చేయబడింది)
- Firecrawl pricing (20 November 2026 న తనిఖీ చేయబడింది)
- Linkup pricing (20 November 2026 న తనిఖీ చేయబడింది)
- Gemini Developer API pricing: grounding (20 November 2026 న తనిఖీ చేయబడింది)