Was bauen Teams mit einer Web-Search-API für AI-Agenten?

Was haben diese vier Aufgaben gemeinsam?

Jede einzelne braucht den Text auf der Seite, nicht nur eine Liste von Links. Ein Snippet mit 160 Zeichen enthält selten die Zahl, das Datum oder die Bedingung, die ein Modell zitieren muss. Deshalb landen die meisten Stacks bei zwei Diensten: einer Such-API, um URLs zu finden, und einem Reader, um sie abzurufen.

LLMWebSearch führt die beiden Schritte zusammen. Ein Aufruf startet eine Live-Websuche und liest die ersten Seiten, die er findet. Jedes Ergebnis enthält seine Position, den Titel, die URL, den Host, den Snippet und, wenn es gelesen wurde, den Hauptinhalt der Seite als Markdown oder reinen Text mit Wortanzahl und, falls bekannt, dem Veröffentlichungsdatum. Der Agent erhält Text, den er im selben Round Trip zitieren kann, und Sie erhalten eine Rechnung.

Der andere gemeinsame Bedarf ist Kontrolle. Sie entscheiden, wie viele Ergebnisse zurückkommen (max_results), wie viele Seiten gelesen werden (read) und wie lang jede Seite sein darf (max_chars). Diese drei Zahlen bestimmen sowohl die Token-Kosten auf der Seite Ihres Modells als auch die Credit-Kosten auf unserer Seite.

Welche Einstellungen passen zu welchem Anwendungsfall?

Beginnen Sie mit den Standardwerten und ändern Sie jeweils nur eine Sache.

• Agent-Tool. Behalten Sie max_results=5 und read=3 bei und begrenzen Sie Seiten auf 3.000 bis 5.000 Zeichen. Agenten rufen das Tool oft auf, daher halten kurze Antworten den Kontext sauber.
• Deep Research. Viele kleine Suchanfragen schlagen wenige große. Verwenden Sie read=3 pro Suchanfrage und führen Sie mehr Suchanfragen aus. Erhöhen Sie read nur, wenn eine Suchanfrage ein enges Thema in der Tiefe abdecken muss.
• RAG. Fragen Sie längere Seiten an (max_chars etwa 12.000) und chunken Sie sie selbst. Ergänzen Sie include_domains, wenn Antworten aus bekannten Quellen stammen müssen.
• News-Monitoring. Setzen Sie topic=news und time_range=day und entfernen Sie dann URLs, die Sie bereits gesehen haben. Lesen Sie drei Artikel pro Suchanfrage, um zusammenzufassen, was sich geändert hat.

Alle Filter sind in der Suchreferenz aufgeführt.

Wie dimensioniere ich ein erstes Pack?

Multiplizieren Sie Aufgaben pro Tag mit Suchanfragen pro Aufgabe und dann mit 30. Ein Assistent, der 100 Fragen pro Tag mit je 4 Suchanfragen beantwortet, braucht etwa 12.000 Suchanfragen pro Monat. Das passt in 25.000 Suchanfragen mit Spielraum für einen zweiten Monat.

Credits verfallen nicht am Ende eines Abrechnungszeitraums. Search-Credits verfallen nicht: Was Sie diesen Monat nicht verbrauchen, ist nächstes Jahr noch da. Ein kleines Pack, das für einen Prototyp gekauft wurde, behält seinen Wert, bis das Projekt wächst. Der Kostenleitfaden rechnet drei größere Fälle durch und vergleicht sie mit anderen APIs und mit den in Modelle integrierten Suchwerkzeugen.