ہوم / گائیڈز / AI agents کے لیے مفت web search API

AI agents کے لیے مفت web search API

ایک LLM صرف اپنے تربیتی ڈیٹا کو جانتا ہے۔ web search API اسے تازہ حقائق اور ماخذ دیتی ہے۔ Tavily، Exa، Firecrawl اور Linkup ہر ایک ماہانہ مفت credits دیتے ہیں۔ FreeLLMAPI ان engines کو ایک /v1/search endpoint کے پیچھے رکھتا ہے اور جب ایک engine ناکام ہو تو اگلے engine پر چلا جاتا ہے۔

کوڈ، ماڈل کے نام اور براہِ راست کیٹلاگ کے لیبل انگریزی میں دکھائے جاتے ہیں۔

آج کے مفت search engines

جدول FreeLLMAPI catalog کے search engines درج کرتی ہے۔ ڈیٹا تازہ catalog سے آتا ہے۔ "Answers" کا مطلب ہے کہ engine نتائج کے ساتھ ایک مختصر تحریری جواب واپس کر سکتا ہے۔ "News" کا مطلب ہے کہ وہ search کو خبروں تک محدود کر سکتا ہے۔

سرچ APIمفت حدجواباتخبریں
Tavily Search1,000 credits/month, no cardہاںہاں
Exa Search$10/month in credits, no cardنہیںہاں
Firecrawl Search1,000 credits/month (2 per search), no cardنہیںہاں
Linkup Searchfree monthly credits for eligible accountsہاںنہیں
Parallel SearchFree, no key needed (rate-limited); free API key for moreنہیںنہیں
SerpSearch1,000 requests/month shared across endpoints; no card; 1 request/secondنہیںہاں

FreeLLMAPI کیٹلاگ کا براہِ راست ڈیٹا (ورژن 2026.11.19، 2026-11-19 کو جانچا گیا)۔ مفت حدیں اکثر بدلتی ہیں۔ کیٹلاگ ہر روز جانچا جاتا ہے۔

provider کے pricing صفحات سے مفت پلان، 20 نومبر 2026 کو جانچے گئے
Engineمفت پلان (سرکاری)ایک search کی لاگتدیگر حدیں
Tavilyہر مہینے 1,000 credits، کوئی کریڈٹ کارڈ نہیں1 credit (basic) یا 2 credits (advanced)Extract ہر 5 URLs کے لیے 1 credit لیتا ہے
Exa$10 credits، ہر مہینے کے پہلے دن reset ہوتے ہیں، کوئی ادائیگی کا طریقہ نہیںتقریباً $0.004 (lite) سے $0.007 (auto) تک10 سے زیادہ ہر نتیجے کی لاگت زیادہ ہے
Firecrawlہر مہینے 1,000 credits، کوئی کریڈٹ کارڈ نہیںہر 10 نتائج کے لیے 2 creditsفی منٹ 10 search requests، ایک وقت میں 2
Linkuppricing صفحے پر مفت creditsتقریباً $0.005 سے $0.006ہم آج ماہانہ مقدار کی تصدیق نہیں کر سکے

چاروں keys کے ساتھ آپ کو ہر مہینے تقریباً 1,000 Tavily searches، 1,400 سے 2,500 Exa searches اور 500 Firecrawl searches ملتی ہیں۔ یہ اعداد شائع شدہ قیمتوں سے ہمارا حساب ہیں۔

مرحلہ 1: FreeLLMAPI انسٹال کریں اور search keys شامل کریں

FreeLLMAPI open source ہے۔ یہ Docker میں آپ کے کمپیوٹر پر چلتا ہے۔ آپ کی provider keys آپ کے کمپیوٹر پر رہتی ہیں۔

انسٹال (macOS یا Linux)

curl -fsSL https://freellmapi.co/install.sh | bash

http://localhost:3001 پر dashboard کھولیں۔ Keys صفحے پر Tavily، Exa، Firecrawl یا Linkup کی key شامل کریں۔ ایک chat provider کی key بھی شامل کریں، مثلاً Google AI Studio یا Groq۔ اسی صفحے سے unified key کاپی کریں۔

یہ دیکھنے کے لیے کہ کون سے engines ابھی جواب دے سکتے ہیں، GET /v1/search/engines بھیجیں۔ فہرست میں وہ engine ids بھی ہیں جنہیں آپ pin کر سکتے ہیں۔

مرحلہ 2: web پر search کریں

query بھیجیں۔ اختیاری فیلڈز max_results، topic (general یا news)، include_answer اور engine ہیں۔ response میں query، results، provider اور engine ہوتے ہیں۔ ہر نتیجے میں title، url اور content ہوتے ہیں۔

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"}'

مرحلہ 3: نتائج LLM کو دیں

عام طریقے کے تین مراحل ہیں۔ search کریں، نتائج prompt میں رکھیں، پھر ماڈل سے کہیں کہ صرف انہی نتائج سے جواب دے۔ ماڈل سے کہیں کہ URLs کا حوالہ دے۔

Python: search کریں، پھر ماخذ کے ساتھ جواب دیں

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 وقت لیتا ہے اور credits استعمال کرتا ہے۔ صرف اس وقت search کریں جب سوال کو ماڈل کے تربیتی ڈیٹا سے نئے حقائق درکار ہوں، یا جب صارف کو ماخذ چاہئیں۔ بار بار پوچھے گئے سوالات کے نتائج cache میں رکھیں۔

جب ایک engine 429 error بھیجتا ہے تو router query کو اگلے engine پر بھیجتا ہے۔ تمام engines کے نتائج کی ایک ہی shape ہے، اس لیے آپ کا کوڈ نہیں بدلتا۔ engine صرف تب استعمال کریں جب آپ کو ہر بار ایک ہی engine چاہئے۔

agent کے لیے ماڈل کو web_search tool دیں۔ جب ماڈل tool کال کرے تو query کو /v1/search پر بھیجیں اور نتائج کو tool result کے طور پر واپس کریں۔ tool loop کے لیے Free function calling LLM API پڑھیں۔

Gemini Google Search grounding

Google کے ماڈلز خود Google پر بھی search کر سکتے ہیں۔ google_search نامی tool بھیجیں اور ایک Google ماڈل pin کریں۔ FreeLLMAPI tool کو مقامی Gemini grounding tool میں بدل دیتا ہے۔

Python: Google Search کے ساتھ 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)
مفت ٹیئر کی حد: Google مفت ٹیئر پر Gemini 2.5 Flash اور Flash-Lite کے لیے grounding کی اجازت دیتا ہے، دونوں مل کر روزانہ 500 requests تک۔ Gemini 3 اور نئے ماڈلز پر مفت grounding نہیں ہے۔ مفت grounding کے لیے 2.5 Flash ماڈل pin کریں۔

عام غلطیاں اور خرابیوں کا حل

  • Credits، requests نہیں: advanced Tavily search 2 credits استعمال کرتا ہے۔ Firecrawl search ہر 10 نتائج کے لیے 2 credits استعمال کرتا ہے۔ جب 5 کافی ہوں تو 5 نتائج مانگیں۔
  • لمبا مواد: search کے نتائج لمبے ہو سکتے ہیں۔ ہر نتیجے کو prompt میں رکھنے سے پہلے کاٹیں، ورنہ request چھوٹے مفت ماڈل کی token حد سے آگے جا سکتی ہے۔
  • پرانے یا غلط صفحات: ماڈل وہ مانتا ہے جو آپ اسے دیتے ہیں۔ اسے کہیں کہ جب ماخذ سوال کا جواب نہ دیں تو یہ بتائے۔
مسئلہوجہحل
Error 400 query is requiredbody میں query نہیں ہےquery string شامل کریں
Retry-After کے ساتھ error 429تمام engines اپنی حد پر ہیںheader میں دیا گیا وقت انتظار کریں، یا ایک اور engine key شامل کریں
کوئی engine تیار نہیںکوئی search key شامل نہیںایک key شامل کریں، پھر GET /v1/search/engines چیک کریں
Grounding نہیں چلتاrequest ایک غیر Google ماڈل کو گئیایک Gemini 2.5 Flash ماڈل pin کریں
ان سب کو ایک ہی کلید سے استعمال کریں۔ FreeLLMAPI ایک اوپن سورس، خود میزبانی والا راؤٹر ہے۔ یہ ان تمام مفت ٹائرز کو ایک ہی OpenAI سے ہم آہنگ اینڈ پوائنٹ کے پیچھے رکھتا ہے، اور جب کوئی ایک ریٹ لمٹ ہو جائے تو خودکار طور پر دوسرے پر منتقل ہو جاتا ہے۔ کیٹلاگ دیکھیں یا لائیو جائیں.

اکثر پوچھے گئے سوالات

کیا AI agents کے لیے مفت web search API موجود ہے؟

ہاں۔ Tavily ہر مہینے 1,000 credits دیتا ہے۔ Exa ہر مہینے $10 credits دیتا ہے۔ Firecrawl ہر مہینے 1,000 credits دیتا ہے۔ ان میں سے کسی کے مفت پلان کے لیے کریڈٹ کارڈ درکار نہیں۔

LLMs کے لیے کون سا مفت search API سب سے بہتر ہے؟

Tavily نتائج کے ساتھ ایک مختصر جواب واپس کر سکتا ہے، جو سادہ سوالات کے لیے مفید ہے۔ Exa اور Firecrawl مکمل صفحے کا مواد دیتے ہیں، جو تحقیق کے لیے مفید ہے۔ سب کو شامل کریں تاکہ failover ہر مفت پلان استعمال کر سکے۔

کیا Gemini API میں Google Search grounding مفت ہے؟

ہاں، Gemini 2.5 Flash اور Flash-Lite کے لیے، مفت ٹیئر پر روزانہ 500 requests تک۔ Gemini 3 اور نئے ماڈلز پر مفت grounding نہیں ہے۔

LLM میں web search کیسے شامل کریں؟

/v1/search سے search کریں، نتائج prompt میں رکھیں، اور ماڈل سے کہیں کہ صرف انہی سے جواب دے اور URLs کا حوالہ دے۔ agent کے لیے search کو ایک tool کے طور پر دیں۔

متعلقہ گائیڈز

ماخذ

تمام گائیڈز · تمام مفت ماڈلز دیکھیں