Безкоштовний API веб-пошуку для агентів ШІ
LLM знає лише свої навчальні дані. API веб-пошуку дає йому актуальні факти і джерела. Tavily, Exa, Firecrawl і Linkup кожен дає безкоштовні місячні кредити. FreeLLMAPI розміщує ці пошукові системи за однією кінцевою точкою /v1/search і переходить до наступної системи, коли одна з них відмовляє.
Код, назви моделей і мітки живого каталогу показано англійською.
Безкоштовні пошукові системи на сьогодні
Таблиця показує пошукові системи з каталогу FreeLLMAPI. Дані беруться з актуального каталогу. "Answers" означає, що система може повернути разом із результатами коротку письмову відповідь. "News" означає, що вона може обмежити пошук новинами.
| API пошуку | Безкоштовний ліміт | Відповіді | Новини |
|---|---|---|---|
| Tavily Search | 1,000 credits/month, no card | Так | Так |
| Exa Search | $10/month in credits, no card | Ні | Так |
| Firecrawl Search | 1,000 credits/month (2 per search), no card | Ні | Так |
| Linkup Search | free monthly credits for eligible accounts | Так | Ні |
| Parallel Search | Free, no key needed (rate-limited); free API key for more | Ні | Ні |
| SerpSearch | 1,000 requests/month shared across endpoints; no card; 1 request/second | Ні | Так |
Дані в реальному часі з каталогу FreeLLMAPI (версія 2026.11.19, перевірено 2026-11-19). Безкоштовні ліміти часто змінюються. Каталог перевіряється щодня.
| Система | Безкоштовний план (офіційно) | Вартість одного пошуку | Інші ліміти |
|---|---|---|---|
| Tavily | 1 000 кредитів на місяць, без кредитної картки | 1 кредит (basic) або 2 кредити (advanced) | Extract коштує 1 кредит за кожні 5 URL |
| Exa | $10 кредитів, поновлюються першого дня кожного місяця, без способу оплати | Близько $0,004 (lite) до $0,007 (auto) | Кожен результат понад 10 коштує більше |
| Firecrawl | 1 000 кредитів на місяць, без кредитної картки | 2 кредити за кожні 10 результатів | 10 пошукових запитів за хвилину, 2 одночасно |
| Linkup | Безкоштовні кредити на сторінці цін | Близько $0,005 до $0,006 | Ми не змогли підтвердити місячну суму на сьогодні |
З усіма чотирма ключами ви отримуєте близько 1 000 пошуків Tavily, від 1 400 до 2 500 пошуків Exa і 500 пошуків Firecrawl на місяць. Ці числа є нашим розрахунком з опублікованих цін.
Крок 1: встановіть FreeLLMAPI і додайте ключі пошуку
FreeLLMAPI має відкритий код. Він працює на вашому комп'ютері в Docker. Ключі провайдерів залишаються на вашому комп'ютері.
Встановлення (macOS або Linux)
curl -fsSL https://freellmapi.co/install.sh | bashВідкрийте панель керування за адресою http://localhost:3001. Додайте ключ Tavily, Exa, Firecrawl або Linkup на сторінці Keys. Також додайте ключ провайдера чату, наприклад Google AI Studio або Groq. Скопіюйте свій уніфікований ключ з тієї самої сторінки.
Щоб побачити, які системи можуть відповісти зараз, надішліть GET /v1/search/engines. Список також містить ID систем, які можна закріпити.
Крок 2: шукайте в вебі
Надішліть query. Необов'язкові поля: max_results, topic (general або news), include_answer і engine. Відповідь містить query, results, provider і engine. Кожен результат має title, url і content.
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"}'Крок 3: передайте результати LLM
Звичайний шаблон має три кроки. Пошук, потім результати в промпт, потім прохання моделі відповідати лише на основі цих результатів. Скажіть моделі наводити URL як джерела.
Python: пошук, потім відповідь з джерелами
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)Пошук додає час і витрачає кредити. Шукайте лише тоді, коли запитання потребує фактів новіших за навчальні дані моделі або коли користувачеві потрібні джерела. Зберігайте результати повторюваних запитань у кеші.
Коли одна система надсилає помилку 429, маршрутизатор передає запит наступній системі. Результати від усіх систем мають однакову форму, тож ваш код не змінюється. Використовуйте engine лише тоді, коли щоразу потрібна одна система.
Для агента дайте моделі інструмент web_search. Коли модель викликає інструмент, надішліть запит на /v1/search і поверніть результати як результат інструмента. Для циклу інструмента прочитайте Безкоштовний LLM API з function calling.
Прив'язка до Google Search у Gemini
Моделі Google також можуть шукати самі в Google. Надішліть інструмент з назвою google_search і закріпіть модель Google. FreeLLMAPI перетворює інструмент на рідний інструмент прив'язки Gemini.
Python: прив'язка до Google Search
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)Типові помилки і усунення несправностей
- Кредити, а не запити: розширений пошук Tavily витрачає 2 кредити. Пошук Firecrawl витрачає 2 кредити за кожні 10 результатів. Запитуйте 5 результатів, якщо 5 достатньо.
- Довгий вміст: результати пошуку можуть бути довгими. Скорочуйте кожен результат, перш ніж вставити його в промпт, інакше запит може перевищити ліміт токенів малої безкоштовної моделі.
- Старі або неправильні сторінки: модель довіряє тому, що ви їй даєте. Скажіть їй повідомляти, коли джерела не відповідають на запитання.
| Проблема | Причина | Рішення |
|---|---|---|
Помилка 400: query є обов'язковим | У тілі запиту немає query | Додайте рядок query |
Помилка 429 з Retry-After | Усі системи досягли свого ліміту | Почекайте час із заголовка або додайте ключ іншої системи |
| Жодна система не готова | Не додано ключа пошуку | Додайте ключ, потім перевірте GET /v1/search/engines |
| Прив'язка не працює | Запит пішов до моделі не від Google | Закріпіть модель Gemini 2.5 Flash |
Часті запитання
Чи є безкоштовний API веб-пошуку для агентів ШІ?
Так. Tavily дає 1 000 кредитів на місяць. Exa дає $10 кредитів на місяць. Firecrawl дає 1 000 кредитів на місяць. Жодному з них не потрібна кредитна картка для безкоштовного плану.
Який безкоштовний пошуковий API найкращий для LLM?
Tavily може повернути разом з результатами коротку відповідь, що корисно для простих запитань. Exa і Firecrawl повертають повний вміст сторінок, що корисно для досліджень. Додайте всі, щоб резервний перехід міг використовувати кожен безкоштовний план.
Чи безкоштовна прив'язка до Google Search у Gemini API?
Так, для Gemini 2.5 Flash і Flash-Lite, до 500 запитів на день на безкоштовному рівні. Gemini 3 і новіші моделі не мають безкоштовної прив'язки.
Як додати веб-пошук до LLM?
Шукайте через /v1/search, вставте результати в промпт і скажіть моделі відповідати лише на їх основі та наводити URL. Для агента відкрийте пошук як інструмент.
Схожі посібники
- Безкоштовний LLM API з викликом функцій
- Безкоштовний LLM API для AI-агентів
- Безкоштовний LLM API для RAG
- free gemini api
- Безкоштовний LLM API для n8n
Джерела
- FreeLLMAPI docs: Web search and Google Search grounding (перевірено 20 November 2026)
- Tavily docs: API credits (перевірено 20 November 2026)
- Exa pricing (перевірено 20 November 2026)
- Firecrawl pricing (перевірено 20 November 2026)
- Linkup pricing (перевірено 20 November 2026)
- Gemini Developer API pricing: grounding (перевірено 20 November 2026)