Probar
5.000 búsquedas
9,25 US$
1,85 US$/1K búsquedas
- Conéctala a un agente
- La misma API que el pack más grande
- Los créditos nunca caducan
Respuesta rápida
¿Cuál es la mejor forma de dar a un LLM búsqueda web en vivo?
Dale una API de búsqueda que devuelva fuentes que pueda leer. LLMWebSearch es una API de búsqueda con IA para LLM: una llamada ejecuta una búsqueda web en vivo y devuelve hasta 20 resultados clasificados, con las 3 mejores páginas en Markdown. A fecha de octubre de 2026 cuesta 9,25 US$ por 5.000 búsquedas y 1,20 US$/1K búsquedas a 1 millón. Sin KYC; paga con criptomonedas.
La API de búsqueda con IA en breve
| Endpoint | POST https://llmwebsearch.com/api/v1/search (GET también funciona, con los mismos nombres) |
|---|---|
| Entrada | q, más max_results, read, format, max_chars, topic, time_range, country, language, include_domains y exclude_domains opcionales |
| Salida | Cada resultado lleva su posición, título, URL, host, snippet y, cuando se ha leído, el contenido principal de la página como Markdown o texto plano, con su recuento de palabras y la fecha de publicación cuando se conoce |
| Resultados | Los resultados provienen de una búsqueda web en vivo ejecutada en el momento de tu llamada, en el orden en que los clasifica el motor de búsqueda; no se sirve nada de un índice antiguo |
| Precio | Un crédito paga una búsqueda: hasta 20 resultados clasificados, con las páginas de los 3 primeros leídas y devueltas como Markdown. Leer de 4 a 10 páginas pasa a 2 créditos. Una llamada que termina en error no cuesta nada |
| Respuesta | La API devuelve fuentes, no una respuesta redactada: tu propio modelo lee las páginas, escribe la respuesta y cita las URL |
| Acceso a páginas | Nuestro lector respeta robots.txt: se identifica como LLMWebSearch, sigue las reglas que un sitio escribe para él o para todos los robots, y deja fuera el contenido de cualquier página que no tenga permitido leer |
¿Por qué necesitan los modelos algo más que una lista de enlaces?
Una lista de enlaces le dice al modelo dónde mirar, no qué hay allí. Un fragmento de 150 caracteres rara vez contiene la fecha, el número o el paso por el que preguntó el usuario. Por eso la mayoría de los agentes encadenan a la búsqueda una segunda herramienta que descarga cada página, la limpia y la recorta.
LLMWebSearch agrupa esos pasos en una sola llamada. Las mejores páginas vuelven en Markdown, sin navegación, anuncios ni banners de cookies, y cada una lleva un word_count. Tu agente gasta sus tokens en contenido, y tú pagas por una llamada en vez de cuatro.
¿Cómo es una respuesta?
Cada resultado tiene su posición, título, URL, host y snippet. Los primeros read resultados llevan además content y word_count, y published_at cuando la página o el motor de búsqueda dan una fecha. Un campo content_status indica qué le pasó a cada página: ok, not_requested, blocked_by_robots, blocked_by_site_policy, target_refused, fetch_failed o fetch_timeout. Los valores de abajo son ilustrativos.
{
"query": "rotate api key without downtime",
"created_at": "2026-10-22T09:14:03Z",
"credits_used": 1,
"results": [
{
"position": 1,
"title": "Rotating API keys",
"url": "https://docs.example.com/keys/rotation",
"host": "docs.example.com",
"snippet": "Create a second key, deploy it, then revoke the first one.",
"published_at": "2026-09-12",
"content_status": "ok",
"content": "# Rotating API keys\n\n## Zero-downtime rotation\n\n1. Create a second key\n2. Deploy it to every service\n3. Revoke the old key",
"word_count": 812
},
{
"position": 2,
"title": "A key rotation checklist for production",
"url": "https://blog.example.org/key-rotation",
"host": "blog.example.org",
"snippet": "Keep two keys active while services switch over.",
"content_status": "blocked_by_robots"
}
]
}¿Cómo la llamo desde mi código?
Envía la consulta como JSON con tu clave como Bearer token. El ejemplo de Python de abajo pide 5 resultados y lee los 3 mejores, con un máximo de 4.000 caracteres cada uno. El quick start tiene la misma llamada en Node.js y curl.
import os
import requests
resp = requests.post(
"https://llmwebsearch.com/api/v1/search",
headers={"Authorization": f"Bearer {os.environ['LLMWEBSEARCH_API_KEY']}"},
json={"q": "rotate api key without downtime", "max_results": 5, "read": 3, "max_chars": 4000},
timeout=60,
)
resp.raise_for_status()
for r in resp.json()["results"]:
print(r["position"], r["title"], r["url"], r["content_status"])¿Qué filtros puede usar un agente?
Elige el país y el idioma de los resultados, un rango temporal (último día, semana, mes o año), resultados web o de noticias, y dominios que incluir o excluir.
time_range:day,week,monthoyear, para preguntas sobre eventos recientes.topic:newsdevuelve artículos con sus fechas; consulta la API de búsqueda de noticias.include_domainsyexclude_domains: hasta 20 cada uno, para quedarte en documentación oficial o descartar un sitio ruidoso.countryylanguage: el mercado cuyos resultados quieres, comodeyde.max_chars: el máximo de texto que quieres por página, de 500 a 50.000 caracteres.
¿Cuántas páginas debería leer un agente por búsqueda?
Tres es un buen valor por defecto, y es lo que cubre un crédito. La mayoría de las preguntas fácticas se resuelven con las primeras páginas, y tres fuentes permiten al modelo contrastar una cifra. Sube read a 5 o 10 para preguntas de investigación en las que las fuentes discrepan; esa búsqueda cuesta 2 créditos.
Pon read a 0 cuando el agente solo necesite enlaces, por ejemplo para elegir qué URL abrir después. Entonces llama a /extract sobre las URLs que haya elegido.
¿Qué pasa con las páginas que un sitio no quiere que se lean?
Vuelven como resultados sin contenido. Nuestro lector respeta robots.txt: se identifica como LLMWebSearch, sigue las reglas que un sitio escribe para él o para todos los robots, y deja fuera el contenido de cualquier página que no tenga permitido leer. Un sitio que establece Content-Signal: ai-input=no en su robots.txt mantiene las páginas de su sitio fuera del contenido de tus resultados.
Cuando un sitio rechaza a nuestro lector, el resultado vuelve sin contenido y con el estado del sitio: nunca resolvemos CAPTCHAs, iniciamos sesión en cuentas ni sorteamos un bloqueo o un paywall. El campo content_status indica a tu agente por qué falta una página, para que pueda usar el snippet o pasar al siguiente resultado. Los propietarios de sitios pueden leer sobre nuestro lector en la página del bot.
¿Cuánto cuesta la API de búsqueda con IA?
5.000 búsquedas cuestan 9,25 US$, 25.000 búsquedas cuestan 41,25 US$ y 1.000.000 búsquedas cuestan 1200 US$, a fecha de octubre de 2026. La comparativa con fecha pone estos precios junto a los de otras 14 APIs.
Builder
25.000 búsquedas
41,25 US$
1,65 US$/1K búsquedas
- Un agente de programación o un asistente de investigación
- Listo para MCP, LangChain y n8n
- Los créditos nunca caducan
Producción
100.000 búsquedas
145 US$
1,45 US$/1K búsquedas
- Agentes en producción
- Límite de peticiones más alto bajo solicitud
- Los créditos nunca caducan
Mejor tarifa
Volumen
1.000.000 búsquedas
1200 US$
1,20 US$/1K búsquedas
- Plataformas que atienden a muchos agentes
- Límite de peticiones más alto bajo solicitud
- Los créditos nunca caducan
En todos los planes: 3 páginas principales leídas como Markdown · Filtros de país, idioma, hora y dominio · Las llamadas fallidas no se cobran · Los créditos nunca caducan
Preguntas sobre la API de búsqueda con IA
¿Una API de búsqueda con IA es lo mismo que una API SERP?
No. Una API SERP devuelve la página de resultados como datos: enlaces, snippets, anuncios y cuadros. Una API de búsqueda con IA además lee las páginas y devuelve su texto, para que un modelo pueda usarlo directamente. LLMWebSearch devuelve resultados clasificados más el contenido de las páginas principales.
¿LLMWebSearch tiene su propio índice de búsqueda?
No. Los resultados provienen de una búsqueda web en vivo ejecutada en el momento de tu llamada, en el orden en que los clasifica el motor de búsqueda; no se sirve nada de un índice antiguo. Nuestro trabajo propio es leer y limpiar las páginas y devolverlas en un formato que un modelo pueda usar.
¿Puedo almacenar los resultados?
No entrenamos ningún modelo con tus consultas ni con lo que devuelve la API, y no añadimos ninguna regla propia contra almacenar resultados; los derechos de los sitios cuyas páginas lees siguen aplicándose. Revisa los términos de cada sitio antes de republicar su texto.
¿Con qué modelos funciona?
Con cualquiera. La API devuelve JSON y Markdown, así que encaja con modelos OpenAI, Claude, Gemini, DeepSeek, Llama o Qwen. Consulta la herramienta de function calling de OpenAI y el servidor MCP.