# Ein Web-Such-Tool für KI-Agenten, das den Seitentext zurückbringt > Geben Sie einem KI-Agenten ein Web-Such-Tool, das gerankte Ergebnisse als Markdown zurückgibt. Tool-Schema, Budgets und Kosten, ohne KYC mit Krypto bezahlen. - URL: https://llmwebsearch.com/de/use-cases/ai-agents/ - Zuletzt aktualisiert: 2026-10-22 - Herausgeber: LLMWebSearch (https://llmwebsearch.com) Ein Agent, der suchen, aber nicht lesen kann, rät anhand von Snippets. Geben Sie ihm ein Tool, das beides tut: Es durchsucht das Live-Web und gibt die ersten Seiten als sauberes Markdown zurück, nummeriert, damit das Modell sie zitieren kann. **Kurze Antwort — Wie gebe ich einem KI-Agenten ein Web-Such-Tool, das Seiteninhalt zurückgibt?** Binden Sie eine Web-Such-API als Tool ein, das eine Suchanfrage entgegennimmt und nummerierte Quellen mit ihrem Seitentext zurückgibt. **LLMWebSearch** erledigt das in einem Aufruf: gerankte Ergebnisse aus einer Live-Suche, mit den ersten 3 Seiten als Markdown gelesen, für einen Credit. Die Preise beginnen bei 9,25 $ für 5.000 Suchanfragen und fallen auf 1,20 $/1K Suchanfragen. Ohne KYC; mit Krypto bezahlen. ## LLMWebSearch als Agenten-Tool | Attribut | Wert | | --- | --- | | Tool | `web_search(query, recent)` ruft `POST https://llmwebsearch.com/api/v1/search` auf | | Rückgabe | Bis zu 20 gerankte Ergebnisse; die ersten 3 mit ihrem Seitentext in Markdown | | Längensteuerung | `max_chars` pro Seite, `read` für die Anzahl der Seiten, `max_results` für die Liste | | Kosten | Ein Credit bezahlt eine Suchanfrage: bis zu 20 gerankte Ergebnisse, wobei die Seiten der ersten 3 gelesen und als Markdown zurückgegeben werden. Werden 4 bis 10 Seiten gelesen, sind es 2 Credits. Ein Aufruf, der mit einem Fehler endet, kostet nichts | | Filter | Wählen Sie Land und Sprache der Ergebnisse, einen Zeitraum (letzter Tag, Woche, Monat oder Jahr), Web- oder News-Ergebnisse sowie Domains, die ein- oder ausgeschlossen werden sollen | | Fertige Integrationen | [MCP-Server](https://llmwebsearch.com/de/docs/mcp/), [OpenAI Function Calling](https://llmwebsearch.com/de/docs/openai/), [LangChain und LlamaIndex](https://llmwebsearch.com/de/docs/langchain/), [n8n](https://llmwebsearch.com/de/docs/n8n/), [OpenClaw](https://llmwebsearch.com/de/docs/openclaw/) | ## Warum braucht ein Agent den Seitentext und nicht nur Snippets? Weil die Antwort selten im Snippet steht. Eine Ergebnisseite liefert einen Titel und ein bis zwei Zeilen, die die Suchmaschine auswählt. Die Zahl, das Datum oder die Regel, nach der Ihr Nutzer fragt, steht weiter unten auf der Seite. Ein Agent, der nur Snippets sieht, hat zwei schlechte Optionen. Er kann aus einem Fragment antworten und riskiert, falsch zu liegen, oder er ruft ein zweites Tool auf, um jede Seite abzurufen. Die zweite Option verdoppelt die Roundtrips und die Tool-Definitionen. Mit LLMWebSearch kommen die ersten Seiten bereits gelesen an. Navigation, Werbung und Cookie-Banner sind entfernt, sodass das Modell seine Tokens für Inhalte ausgibt. Die übrigen Ergebnisse tragen weiterhin ihre Snippets, die dem Modell helfen zu entscheiden, ob es erneut suchen soll. ## Wie sollte das Such-Tool definiert werden? Halten Sie das Schema klein: ein erforderliches `query` und höchstens ein oder zwei Schalter. Modelle rufen einfache Tools zuverlässiger auf. Das folgende Beispiel stellt ein `recent`-Flag bereit, das auf `time_range=month` abbildet; alles andere ist in Ihrem Code festgelegt. Die Funktion gibt reinen Text zurück, kein JSON. Jede Quelle beginnt mit einer Nummer, einem Titel und einer URL, gefolgt von ihrem Markdown. Dieses Layout macht Zitate wie [2] für das Modell natürlich. Wenn Ihr Agent bereits ein Tool namens `web_search` mitbringt, wie es Claude Code und OpenClaw tun, geben Sie Ihrem Tool einen anderen Namen, etwa `search_web`. Zwei Tools mit einem Namen verwirren das Modell. *Python: ein web_search-Tool für OpenAI-Style Function Calling* ```python import json import os import requests API = "https://llmwebsearch.com/api/v1/search" HEADERS = {"Authorization": "Bearer " + os.environ["LLMWEBSEARCH_API_KEY"]} # Tool definition in the OpenAI function-calling format; most agent frameworks accept the same JSON schema. WEB_SEARCH_TOOL = { "type": "function", "function": { "name": "web_search", "description": "Search the live web. Returns numbered sources; the first ones include the page text in Markdown.", "parameters": { "type": "object", "properties": { "query": {"type": "string", "description": "A short search query, 3 to 8 words"}, "recent": {"type": "boolean", "description": "True to keep only results from the past month"}, }, "required": ["query"], }, }, } def web_search(query, recent=False, read=3, max_chars=4000): """Run one search (1 credit with read <= 3) and return compact text the model can cite.""" body = {"q": query, "max_results": 5, "read": read, "max_chars": max_chars} if recent: body["time_range"] = "month" resp = requests.post(API, headers=HEADERS, json=body, timeout=60) resp.raise_for_status() lines = [] for r in resp.json()["results"]: lines.append(f"[{r['position']}] {r['title']} — {r['url']}") if r.get("content_status") == "ok": lines.append(r["content"]) else: lines.append(r.get("snippet", "")) lines.append("") return "\n".join(lines) def run_tool_call(call): """Execute a tool call returned by the model and give back the text for the tool message.""" args = json.loads(call["function"]["arguments"]) return web_search(args["query"], recent=args.get("recent", False)) ``` ## Wann sollte ein Agent suchen, und wie oft? Suchen Sie, wenn die Antwort von Fakten abhängt, die sich ändern oder die das Modell nicht kennen kann. Preise, Versionen, Gesetze, Zeitpläne und aktuelle Ereignisse qualifizieren sich. Definitionen und stabiles Wissen in der Regel nicht. Schreiben Sie diese Regel in den System-Prompt und fügen Sie ein Budget hinzu. Drei Gewohnheiten helfen: - **Erst planen, dann suchen.** Bitten Sie das Modell, seine Suchanfragen zuerst zu formulieren. Zwei präzise Suchanfragen schlagen fünf vage. - **Aufrufe begrenzen.** Erlauben Sie etwa vier Suchen pro Nutzer-Turn. Erhöhen Sie das Limit nur für Rechercheaufgaben. - **Stoppen, wenn die Quellen übereinstimmen.** Wenn drei unabhängige Seiten dasselbe sagen, kann der Agent antworten. ## Wie halte ich das Kontextfenster unter Kontrolle? Drei Parameter entscheiden, wie viel Text das Modell erreicht. `read` legt fest, wie viele Seiten gelesen werden, von 0 bis 10. `max_chars` begrenzt jede Seite, von 500 bis 50.000 Zeichen. `max_results` legt fest, wie viele Ergebnisse aufgelistet werden, von 1 bis 20. Für einen Chat-Agent liefert `read=3` mit `max_chars=4000` etwa 12.000 Zeichen Seitentext pro Suchanfrage. Das lässt Raum für mehrere Suchanfragen in einem Gespräch. Für eine Rechercheaufgabe, die fortlaufend zusammenfasst, sind längere Seiten in Ordnung. Das Feld `word_count` sagt Ihnen, wie lang die vollständige Seite vor dem Kürzen war. Der Agent kann es nutzen, um zu entscheiden, ob er mit dem [extract-Endpoint](https://llmwebsearch.com/de/docs/extract/) mehr abruft. ## Was passiert, wenn eine Seite nicht gelesen werden kann? Das Ergebnis kommt trotzdem zurück, mit Titel, URL und Snippet, aber ohne Inhalt. Ein Feld `content_status` gibt den Grund an. - `blocked_by_robots`: Die robots.txt der Seite erlaubt unserem Reader keinen Zugriff. - `blocked_by_site_policy`: Eine Website, die in ihrer robots.txt Content-Signal: ai-input=no setzt, hält ihre Seiten aus dem Inhalt Ihrer Ergebnisse heraus. - `target_refused`: Die Seite hat mit einer Ablehnung geantwortet; ihr Status steht in `target_status`. - `fetch_failed` oder `fetch_timeout`: Die Seite wurde nicht rechtzeitig geladen. Wenn eine Website unseren Reader abweist, kommt das Ergebnis ohne Inhalt und mit dem Status der Website zurück: Wir lösen niemals CAPTCHAs, melden uns nicht in Konten an und umgehen weder eine Sperre noch eine Paywall. Weisen Sie den Agent an, das Snippet oder eine andere Quelle zu nutzen, wenn eine Seite leer zurückkommt. Die Suchanfrage selbst kostet weiterhin einen Credit, egal was mit den einzelnen Seiten passiert ist. ## Warum nicht das in das Modell eingebaute Such-Tool nutzen? Eingebaute Tools sind praktisch, geben Ihnen aber weniger Kontrolle. Stand 22. Oktober 2026 kostet OpenAIs `web_search`-Tool $10 pro 1.000 Aufrufe plus den Suchinhalt, der als Input-Tokens abgerechnet wird. Die Websuche von Anthropics Claude kostet ebenfalls $10 pro 1.000 Suchanfragen plus Token-Kosten. Gemini 3 Grounding enthält 5.000 kostenlose Suchanfragen pro Monat im kostenpflichtigen Tarif, danach $14 pro 1.000. Diese Tools geben meist eine geschriebene Antwort mit Zitaten zurück, nicht die Rohseiten. Außerdem binden sie Ihre Suche an einen Modellanbieter. Ein eigenständiges Tool funktioniert mit jedem Modell und lässt Sie die Länge jeder Seite festlegen. Der [Vergleich der eingebauten Tools](https://llmwebsearch.com/de/compare/built-in-web-search-tools/) enthält die vollständige Tabelle. ## Was kostet es, einen Agenten auf LLMWebSearch zu betreiben? Ein Credit pro Suchanfrage, wenn `read` 3 oder weniger ist. Ein Assistent, den ein Team nutzt und der 100 Fragen pro Tag mit je 4 Suchanfragen beantwortet, kommt auf etwa 12.000 Suchanfragen pro Monat. 25.000 Suchanfragen zu 41,25 $ deckt diesen Monat und einen Großteil des nächsten ab. Ein Coding-Agent, den ein einzelner Entwickler nutzt, sucht vielleicht 20-mal pro Tag, also etwa 600-mal pro Monat. 5.000 Suchanfragen zu 9,25 $ hält dann mehrere Monate, weil Credits nie verfallen. Der [Kostenleitfaden](https://llmwebsearch.com/de/guides/ai-agent-web-search-cost/) zeigt die Rechnung für größere Workloads. ## Welches Pack passt zu einem Agenten? Prototyp auf 5.000 Suchanfragen; wechseln Sie zu 25.000 Suchanfragen oder 100.000 Suchanfragen, sobald der Agent täglich im Einsatz ist. | Plan | Menge | Preis | Preis pro Einheit | | --- | --- | --- | --- | | Ausprobieren | 5.000 Suchanfragen | 9,25 $ | 1,85 $/1K Suchanfragen | | Builder | 25.000 Suchanfragen | 41,25 $ | 1,65 $/1K Suchanfragen | | Produktivbetrieb | 100.000 Suchanfragen | 145 $ | 1,45 $/1K Suchanfragen | In jedem Plan: Top-3-Seiten als Markdown gelesen · Filter für Land, Sprache, Zeit und Domain · Fehlgeschlagene Aufrufe werden nicht berechnet · Credits verfallen nie **Bevor Sie bezahlen** - Mindestaufladung 25 $. Einmal mit Krypto aufladen, dann jeden Plan aus Ihrem Guthaben kaufen. - Das Guthaben verfällt nicht und kauft Such-Credits, wann immer Sie wollen. Wenn ein Paket günstiger ist als die Mindestaufladung, erhalten Sie den Teil, den Sie nur gezahlt haben, um diese Mindestaufladung zu erreichen, auf Anfrage innerhalb von 30 Tagen nach Zahlung in USDT oder USDC zurück, sofern er noch nicht verbraucht ist. Der Rest eines Guthabens wird nicht erstattet, es sei denn, das Gesetz verlangt es. - Gutschrift, sobald Ihre Zahlung auf der Blockchain geprüft ist. Typische Bestätigungszeit des Netzwerks: BTC ≈ 20 Min. · USDT TRC-20 ≈ 1 Min. · USDT ERC-20 ≈ 5 Min. · USDC ERC-20 ≈ 5 Min. · ETH ≈ 5 Min. · SOL ≈ 1 Min. · LTC ≈ 15 Min. ## KI-Agenten: häufige Fragen ### Kann ich LLMWebSearch zu Claude Desktop, Cursor oder Claude Code hinzufügen? Ja, über einen kleinen MCP-Server, der die Suche als Tool bereitstellt. Die [MCP-Seite](https://llmwebsearch.com/de/docs/mcp/) enthält den Code und die Client-Konfiguration. ### Funktioniert das Tool auch mit anderen Modellen als denen von OpenAI? Ja. Das obige Schema ist reines JSON Schema, das Anthropic, Google, Mistral und Open-Source-Frameworks mit kleinen Änderungen akzeptieren. Das Tool ruft nur unseren HTTPS-Endpoint auf. ### Wie verhindere ich, dass ein Agent zu viel sucht? Zählen Sie die Aufrufe in Ihrem Tool-Wrapper und geben Sie eine kurze Meldung zurück, sobald das Budget aufgebraucht ist. Schreiben Sie das Budget auch in den System-Prompt, damit das Modell damit plant. ### Kann der Text einer Seite meinem Agenten Anweisungen geben? Er kann es versuchen. Behandeln Sie Seitentext als Daten: Weisen Sie das Modell im System-Prompt an, Anweisungen in Quellen zu ignorieren, und lassen Sie eine Quelle niemals von sich aus Aktionen auslösen. ## Quellen 1. [API-Preise (Web-Such-Tool)](https://developers.openai.com/api/docs/pricing) — OpenAI (read 2026-10-22) 2. [Preise (Web-Such-Tool)](https://platform.claude.com/docs/en/about-claude/pricing) — Anthropic (read 2026-10-22) 3. [Preise der Gemini Developer API](https://ai.google.dev/gemini-api/docs/pricing) — Google (read 2026-10-22) --- LLMWebSearch: LLMWebSearch ist eine Websuch-API für KI-Agenten, die gerankte Ergebnisse mit dem Inhalt der Top-Seiten als Markdown liefert, bezahlt mit Krypto ohne Ausweis-Upload. Vorausbezahlte Credits ab 1,20 $/1K Suchanfragen verfallen nie. Ohne KYC — kein Ausweis, kein Selfie, keine Dokumente. Mit Krypto bezahlen.