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 API | مفت حد | جوابات | خبریں |
|---|---|---|---|
| Tavily Search | 1,000 credits/month, no card | ہاں | ہاں |
| Exa Search | $10/month in credits, no card | نہیں | ہاں |
| Firecrawl Search | 1,000 credits/month (2 per search), no card | نہیں | ہاں |
| Linkup Search | free monthly credits for eligible accounts | ہاں | نہیں |
| Parallel Search | Free, no key needed (rate-limited); free API key for more | نہیں | نہیں |
| SerpSearch | 1,000 requests/month shared across endpoints; no card; 1 request/second | نہیں | ہاں |
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۔
| Engine | مفت پلان (سرکاری) | ایک search کی لاگت | دیگر حدیں |
|---|---|---|---|
| Tavily | ہر مہینے 1,000 credits، کوئی کریڈٹ کارڈ نہیں | 1 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 نہیں | تقریباً $0.004 (lite) سے $0.007 (auto) تک | 10 سے زیادہ ہر نتیجے کی لاگت زیادہ ہے |
| Firecrawl | ہر مہینے 1,000 credits، کوئی کریڈٹ کارڈ نہیں | ہر 10 نتائج کے لیے 2 credits | فی منٹ 10 search requests، ایک وقت میں 2 |
| Linkup | pricing صفحے پر مفت credits | تقریباً $0.005 سے $0.006 | ہم 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 | bashhttp://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)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۔
| مسئلہ | وجہ | حل |
|---|---|---|
Error 400 query is required | body میں query نہیں ہے | query string شامل کریں |
Retry-After کے ساتھ error 429 | تمام engines اپنی حد پر ہیں | header میں دیا گیا وقت انتظار کریں، یا ایک اور engine key شامل کریں |
| کوئی engine تیار نہیں | کوئی search key شامل نہیں | ایک key شامل کریں، پھر GET /v1/search/engines چیک کریں |
| Grounding نہیں چلتا | request ایک غیر Google ماڈل کو گئی | ایک Gemini 2.5 Flash ماڈل pin کریں |
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
- فنکشن کالنگ کے ساتھ مفت LLM API
- AI ایجنٹس کے لیے مفت LLM API
- RAG کے لیے مفت LLM API
- free gemini api
- n8n کے لیے مفت LLM API
ماخذ
- FreeLLMAPI docs: Web search and Google Search grounding (20 November 2026 کو جانچا گیا)
- Tavily docs: API credits (20 November 2026 کو جانچا گیا)
- Exa pricing (20 November 2026 کو جانچا گیا)
- Firecrawl pricing (20 November 2026 کو جانچا گیا)
- Linkup pricing (20 November 2026 کو جانچا گیا)
- Gemini Developer API pricing: grounding (20 November 2026 کو جانچا گیا)