Essayez
5 000 requêtes
9,25 $US
1,85 $US/1K requêtes
- Branchez-le sur un agent
- La même API que le plus grand pack
- Les crédits n'expirent jamais
Réponse rapide
Quelle est la meilleure façon de donner à un LLM une recherche web en direct ?
Donnez-lui une API de recherche qui renvoie des sources qu'il peut lire. LLMWebSearch est une API de recherche IA pour LLM : un appel lance une recherche web en direct et renvoie jusqu'à 20 résultats classés, avec les 3 meilleures pages en Markdown. En octobre 2026, elle coûte 9,25 $US pour 5 000 requêtes et 1,20 $US/1K requêtes à 1 million. Sans KYC ; payez en crypto.
L'API de recherche IA en bref
| Endpoint | POST https://llmwebsearch.com/api/v1/search (GET fonctionne aussi, avec les mêmes noms) |
|---|---|
| Entrée | q, plus en option max_results, read, format, max_chars, topic, time_range, country, language, include_domains, exclude_domains |
| Sortie | Chaque résultat porte sa position, son titre, son URL, son hôte, son snippet et, lorsqu'elle a été lue, le contenu principal de la page en Markdown ou en texte brut, avec son nombre de mots et sa date de publication quand elle est connue |
| Résultats | Les résultats proviennent d'une recherche web lancée au moment de votre appel, dans l'ordre où le moteur de recherche les classe ; rien ne vient d'un ancien index |
| Prix | Un crédit paie une recherche : jusqu'à 20 résultats classés, avec les pages des 3 premiers lues et renvoyées en Markdown. Lire 4 à 10 pages coûte 2 crédits. Un appel qui se termine sur une erreur ne coûte rien |
| Réponse | L'API renvoie des sources, pas une réponse rédigée : c'est votre propre modèle qui lit les pages, rédige la réponse et cite les URLs |
| Accès aux pages | Notre lecteur respecte robots.txt : il s'annonce comme LLMWebSearch, suit les règles qu'un site écrit pour lui ou pour tous les robots, et laisse de côté le contenu de toute page qu'il n'est pas autorisé à lire |
Pourquoi les modèles ont-ils besoin de plus qu'une liste de liens ?
Une liste de liens indique à un modèle où chercher, pas ce qui s'y trouve. Un extrait de 150 caractères contient rarement la date, le chiffre ou l'étape sur laquelle l'utilisateur s'interroge. C'est pourquoi la plupart des agents enchaînent une recherche avec un second outil qui récupère chaque page, la nettoie et la raccourcit.
LLMWebSearch regroupe ces étapes en un seul appel. Les meilleures pages reviennent en Markdown, débarrassées de la navigation, des publicités et des bandeaux cookies, et chacune porte une word_count. Votre agent dépense ses tokens sur du contenu, et vous payez un appel au lieu de quatre.
À quoi ressemble une réponse ?
Chaque résultat a sa position, son titre, son URL, son hôte et son extrait. Les read premiers résultats portent aussi content et word_count, plus published_at quand la page ou le moteur de recherche donne une date. Un champ content_status indique ce qui est arrivé à chaque page : ok, not_requested, blocked_by_robots, blocked_by_site_policy, target_refused, fetch_failed ou fetch_timeout. Les valeurs ci-dessous sont illustratives.
{
"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"
}
]
}Comment l'appeler depuis mon code ?
Envoyez la requête en JSON avec votre clé API en Bearer token. L'exemple Python ci-dessous demande 5 résultats et lit les 3 meilleurs, limités à 4 000 caractères chacun. Le quick start contient le même appel en Node.js et en 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"])Quels filtres un agent peut-il utiliser ?
Choisissez le pays et la langue des résultats, une plage temporelle (jour, semaine, mois ou année écoulés), des résultats web ou news, et des domaines à inclure ou à exclure.
time_range:day,week,monthouyear, pour les questions sur l'actualité récente.topic:newsrenvoie des articles avec leur date ; voir l'API de recherche d'actualités.include_domainsetexclude_domains: jusqu'à 20 chacun, pour rester sur la documentation officielle ou écarter un site bruyant.countryetlanguage: le marché dont vous voulez les résultats, commedeetde.max_chars: le maximum de texte voulu par page, de 500 à 50 000 caractères.
Combien de pages un agent doit-il lire par recherche ?
Trois est une bonne valeur par défaut, et c'est ce que couvre un crédit. La plupart des questions factuelles sont réglées par les premières pages, et trois sources permettent au modèle de recouper un chiffre. Passez read à 5 ou 10 pour les questions de recherche où les sources divergent ; cette recherche coûte 2 crédits.
Mettez read à 0 quand l'agent n'a besoin que des liens, par exemple pour choisir l'URL à ouvrir ensuite. Appelez alors /extract sur les URL qu'il a choisies.
Que se passe-t-il avec les pages qu'un site ne veut pas qu'on lise ?
Elles reviennent comme résultats sans contenu. Notre lecteur respecte robots.txt : il s'annonce comme LLMWebSearch, suit les règles qu'un site écrit pour lui ou pour tous les robots, et laisse de côté le contenu de toute page qu'il n'est pas autorisé à lire. Un site qui définit Content-Signal: ai-input=no dans son robots.txt garde ses pages hors du contenu de vos résultats.
Quand un site refuse notre lecteur, le résultat revient sans contenu et avec le statut du site : nous ne résolvons jamais de CAPTCHA, ne nous connectons pas à des comptes et ne contournons ni un blocage ni un paywall. Le champ content_status indique à votre agent pourquoi une page manque, pour qu'il puisse utiliser l'extrait ou passer au résultat suivant. Les propriétaires de sites peuvent en savoir plus sur notre lecteur sur la page bot.
Combien coûte l'API de recherche IA ?
5 000 requêtes coûtent 9,25 $US, 25 000 requêtes coûtent 41,25 $US et 1 000 000 requêtes coûtent 1 200 $US, en octobre 2026. Le comparatif daté place ces prix face à 14 autres API.
Builder
25 000 requêtes
41,25 $US
1,65 $US/1K requêtes
- Un agent de code ou un assistant de recherche
- Prêt pour MCP, LangChain et n8n
- Les crédits n'expirent jamais
Production
100 000 requêtes
145 $US
1,45 $US/1K requêtes
- Agents en production
- Rate limit plus élevé sur demande
- Les crédits n'expirent jamais
Meilleur tarif
Volume
1 000 000 requêtes
1 200 $US
1,20 $US/1K requêtes
- Plateformes servant de nombreux agents
- Rate limit plus élevé sur demande
- Les crédits n'expirent jamais
Dans chaque formule: 3 meilleures pages lues en Markdown · Filtres par pays, langue, heure et domaine · Appels échoués non facturés · Les crédits n'expirent jamais
Questions sur les API de recherche IA
Une API de recherche IA, est-ce la même chose qu'une API SERP ?
Non. Une API SERP renvoie la page de résultats sous forme de données : liens, snippets, annonces et encadrés. Une API de recherche IA lit aussi les pages et renvoie leur texte, pour qu'un modèle puisse l'utiliser directement. LLMWebSearch renvoie des résultats classés plus le contenu des pages les mieux placées.
Est-ce que LLMWebSearch a son propre index de recherche ?
Non. Les résultats proviennent d'une recherche web lancée au moment de votre appel, dans l'ordre où le moteur de recherche les classe ; rien ne vient d'un ancien index. Notre travail consiste à lire et nettoyer les pages, puis à les renvoyer dans une forme utilisable par un modèle.
Puis-je stocker les résultats ?
Nous n'entraînons aucun modèle sur vos requêtes ni sur ce que renvoie l'API, et nous n'ajoutons aucune règle de notre cru contre la conservation des résultats ; les droits des sites dont vous lisez les pages s'appliquent toujours. Vérifiez les conditions de chaque site avant de republier son texte.
Avec quels modèles fonctionne-t-elle ?
Avec n'importe lequel. L'API renvoie du JSON et du Markdown, donc elle s'adapte aux modèles OpenAI, Claude, Gemini, DeepSeek, Llama ou Qwen. Voir l'outil de function calling OpenAI et le serveur MCP.