Uno strumento di ricerca web per agenti AI che riporta il testo delle pagine

Perché un agente ha bisogno del testo della pagina e non solo degli snippet?

Perché la risposta raramente è nello snippet. Una pagina di risultati offre un titolo e una o due righe scelte dal motore di ricerca. Il numero, la data o la regola che il tuo utente ha chiesto si trovano più in basso nella pagina.

Un agente che vede solo gli snippet ha due brutte opzioni. Può rispondere da un frammento e rischiare di sbagliare, oppure può chiamare un secondo tool per recuperare ogni pagina. La seconda opzione raddoppia i round trip e le definizioni dei tool.

Con LLMWebSearch, le prime pagine arrivano già lette. Navigazione, annunci e banner dei cookie vengono rimossi, così il modello spende i suoi token sul contenuto. I risultati rimanenti mantengono i loro snippet, che aiutano il modello a decidere se cercare di nuovo.

Come va definito il tool di ricerca?

Tieni lo schema piccolo: un solo query obbligatorio e, al massimo, uno o due switch. I modelli chiamano i tool semplici in modo più affidabile. L'esempio qui sotto espone un flag recent che corrisponde a time_range=month; tutto il resto è fisso nel tuo codice.

La funzione restituisce testo semplice, non JSON. Ogni fonte inizia con un numero, un titolo e un URL, seguiti dal suo Markdown. Questa struttura rende naturali per il modello citazioni come [2].

Se il tuo agente ha già un tool chiamato web_search, come fanno Claude Code e OpenClaw, dai al tuo un altro nome, ad esempio search_web. Due tool con lo stesso nome confondono il modello.

Quando dovrebbe cercare un agente, e quanto spesso?

Cerca quando la risposta dipende da fatti che cambiano o che il modello non può conoscere. Prezzi, versioni, leggi, orari ed eventi recenti rientrano nella categoria. Definizioni e conoscenze stabili di solito no.

Scrivi questa regola nel system prompt e aggiungi un budget. Tre abitudini aiutano:

• Pianifica prima di cercare. Chiedi al modello di scrivere prima le sue query. Due query precise battono cinque vaghe.
• Limita le chiamate. Consenti, per esempio, quattro ricerche per turno dell'utente. Alza il limite solo per le attività di ricerca.
• Fermati quando le fonti concordano. Se tre pagine indipendenti dicono la stessa cosa, l'agente può rispondere.

Come tengo sotto controllo la context window?

Tre parametri decidono quanto testo arriva al modello. read imposta quante pagine vengono lette, da 0 a 10. max_chars limita ogni pagina, da 500 a 50.000 caratteri. max_results imposta quanti risultati vengono elencati, da 1 a 20.

Per un agente di chat, read=3 con max_chars=4000 restituisce circa 12.000 caratteri di testo di pagina per ricerca. Questo lascia spazio a diverse ricerche in una sola conversazione. Per un lavoro di ricerca che riassume man mano, pagine più lunghe vanno bene.

Il campo word_count ti dice quanto era lunga la pagina intera prima del taglio. L'agente può usarlo per decidere se recuperare altro con l'endpoint extract.

Cosa succede quando una pagina non può essere letta?

Il risultato torna comunque, con titolo, URL e snippet, ma senza contenuto. Un campo content_status spiega il motivo.

• blocked_by_robots: il robots.txt del sito non consente il nostro reader.
• blocked_by_site_policy: Un sito che imposta Content-Signal: ai-input=no nel suo robots.txt tiene le sue pagine fuori dal contenuto dei tuoi risultati.
• target_refused: il sito ha risposto con un rifiuto; il suo stato è in target_status.
• fetch_failed o fetch_timeout: la pagina non si è caricata in tempo.

Quando un sito respinge il nostro reader, il risultato torna senza contenuto e con lo status del sito: non risolviamo mai CAPTCHA, non accediamo agli account e non aggiriamo un blocco o un paywall. Di' all'agente di usare lo snippet, o un'altra fonte, quando una pagina torna vuota. La ricerca in sé costa comunque un credito, qualunque cosa sia successa a ciascuna pagina.

Perché non usare il tool di ricerca integrato nel modello?

I tool integrati sono comodi ma danno meno controllo. Al 22 ottobre 2026, il tool web_search di OpenAI costa $10 per 1.000 chiamate più il contenuto di ricerca fatturato come token di input. Anche la ricerca web di Anthropic Claude costa $10 per 1.000 ricerche più i costi dei token. Il grounding di Gemini 3 include 5.000 ricerche gratuite al mese nel piano a pagamento, poi costa $14 per 1.000.

Questi tool restituiscono per lo più una risposta scritta con citazioni, non le pagine grezze. Inoltre legano la tua ricerca a un solo fornitore di modello. Un tool autonomo funziona con qualsiasi modello e ti lascia impostare la lunghezza di ogni pagina. Il confronto dei tool integrati ha la tabella completa.

Quanto costa far girare un agente su LLMWebSearch?

Un credito per ricerca quando read è 3 o meno. Un assistente usato da un team, che risponde a 100 domande al giorno con 4 ricerche ciascuna, esegue circa 12.000 ricerche al mese. 25.000 ricerche a 41,25 USD copre quel mese e gran parte del successivo.

Un agente di coding usato da un solo sviluppatore può cercare 20 volte al giorno, ovvero circa 600 volte al mese. 5.000 ricerche a 9,25 USD allora dura diversi mesi, perché i crediti non scadono mai. La guida ai costi mostra i calcoli per carichi di lavoro più grandi.