Que construit-on avec une API de recherche web pour agents IA ?

Qu'est-ce que ces quatre tâches ont en commun ?

Chacune a besoin des mots de la page, pas seulement d'une liste de liens. Un extrait de 160 caractères contient rarement le chiffre, la date ou la condition qu'un modèle doit citer. La plupart des stacks finissent donc avec deux services : une API de recherche pour trouver les URL et un lecteur pour les récupérer.

LLMWebSearch fusionne les deux étapes. Un seul appel lance une recherche web en direct et lit les premières pages trouvées. 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. L'agent obtient du texte qu'il peut citer dans le même aller-retour, et vous n'avez qu'une seule facture.

L'autre besoin partagé, c'est le contrôle. Vous décidez combien de résultats reviennent (max_results), combien de pages sont lues (read) et quelle longueur chaque page peut atteindre (max_chars). Ces trois nombres fixent à la fois le coût en tokens côté modèle et le coût en crédits chez nous.

Quels réglages conviennent à chaque cas d'usage ?

Partez des valeurs par défaut et ne changez qu'une chose à la fois.

• Outil d'agent. Gardez max_results=5 et read=3, et limitez les pages à 3 000 à 5 000 caractères. Les agents appellent souvent l'outil, donc des réponses courtes gardent le contexte propre.
• Recherche approfondie. Beaucoup de petites requêtes valent mieux que quelques grosses. Utilisez read=3 par requête et lancez plus de requêtes. N'augmentez read que lorsqu'une seule requête doit couvrir un sujet étroit en profondeur.
• RAG. Demandez des pages plus longues (max_chars autour de 12 000) et découpez-les vous-même. Ajoutez include_domains quand les réponses doivent venir de sources connues.
• Veille actualités. Réglez topic=news et time_range=day, puis retirez les URL déjà vues. Lisez trois articles par requête pour résumer ce qui a changé.

Tous les filtres sont listés dans la référence de recherche.

Comment dimensionner un premier pack ?

Multipliez les tâches par jour par les requêtes par tâche, puis par 30. Un assistant qui répond à 100 questions par jour avec 4 requêtes chacune a besoin d'environ 12 000 requêtes par mois. Cela tient dans 25 000 requêtes avec de la marge pour un deuxième mois.

Les crédits n'expirent pas à la fin d'un cycle de facturation. Les crédits de recherche n'ont pas de date d'expiration : ce que vous n'utilisez pas ce mois-ci est toujours là l'année prochaine. Un petit pack acheté pour un prototype garde sa valeur jusqu'à ce que le projet grandisse. Le guide des coûts détaille trois cas plus volumineux et les compare à d'autres API et aux outils de recherche intégrés aux modèles.