Cosa costruiscono i team con un'API di ricerca web per agenti AI?

Cosa hanno in comune questi quattro lavori?

Ognuno ha bisogno delle parole presenti nella pagina, non solo di un elenco di link. Uno snippet di 160 caratteri raramente contiene il dato, la data o la condizione che un modello deve citare. Così la maggior parte degli stack finisce con due servizi: un'API di ricerca per trovare gli URL e un reader per recuperarli.

LLMWebSearch unisce i due passaggi. Una sola chiamata esegue una ricerca sul web live e legge le prime pagine che trova. Ogni risultato porta la sua posizione, il titolo, l'URL, l'host, lo snippet e, quando è stata letta, il contenuto principale della pagina come Markdown o testo semplice con il conteggio delle parole e la data di pubblicazione quando nota. L'agente riceve testo che può citare nello stesso round trip e tu ricevi una sola fattura.

L'altra esigenza comune è il controllo. Decidi quanti risultati ricevere (max_results), quante pagine leggere (read) e quanto può essere lunga ogni pagina (max_chars). Questi tre numeri determinano sia il costo in token lato modello sia il costo in crediti lato nostro.

Quali impostazioni si adattano a ogni caso d'uso?

Parti dai valori predefiniti e cambia una cosa alla volta.

• Strumento per agenti. Mantieni max_results=5 e read=3 e limita le pagine a 3.000–5.000 caratteri. Gli agenti chiamano spesso lo strumento, quindi risposte brevi mantengono il contesto pulito.
• Ricerca approfondita. Molte ricerche piccole battono poche ricerche grandi. Usa read=3 per query ed esegui più query. Alza read solo quando una singola query deve coprire in profondità un argomento ristretto.
• RAG. Richiedi pagine più lunghe (max_chars intorno a 12.000) e suddividile in chunk da solo. Aggiungi include_domains quando le risposte devono provenire da fonti note.
• Monitoraggio delle notizie. Imposta topic=news e time_range=day, poi rimuovi gli URL che hai già visto. Leggi tre articoli per query per riassumere cosa è cambiato.

Tutti i filtri sono elencati nella guida di riferimento della ricerca.

Come dimensiono un primo pack?

Moltiplica le attività al giorno per le ricerche per attività, poi per 30. Un assistente che risponde a 100 domande al giorno con 4 ricerche ciascuna ha bisogno di circa 12.000 ricerche al mese. Ci stanno in 25.000 ricerche con margine per un secondo mese.

I crediti non scadono alla fine del ciclo di fatturazione. I crediti di ricerca non hanno data di scadenza: quello che non usi questo mese è ancora lì l'anno prossimo. Un pack piccolo acquistato per un prototipo mantiene il suo valore finché il progetto cresce. La guida ai costi esamina tre casi più grandi e li confronta con altre API e con gli strumenti di ricerca integrati nei modelli.