Wypróbuj
5 000 wyszukiwań
9,25 USD
1,85 USD/1K wyszukiwań
- Podłącz to do jednego agenta
- To samo API co w największym packu
- Kredyty nigdy nie wygasają
Szybka odpowiedź
Jaki jest najlepszy sposób, by dać LLM-owi wyszukiwanie w internecie na żywo?
Daj mu API wyszukiwania, które zwraca źródła do przeczytania. LLMWebSearch to AI search API dla LLM-ów: jedno wywołanie uruchamia wyszukiwanie w internecie na żywo i zwraca do 20 rankingowych wyników, a 3 najważniejsze strony jako Markdown. Według stanu na październik 2026 kosztuje 9,25 USD za 5 000 wyszukiwań i 1,20 USD/1K wyszukiwań przy 1 milionie. Bez KYC; płatność kryptowalutą.
AI search API w skrócie
| Endpoint | POST https://llmwebsearch.com/api/v1/search (GET też działa, z tymi samymi nazwami) |
|---|---|
| Dane wejściowe | q, plus opcjonalnie max_results, read, format, max_chars, topic, time_range, country, language, include_domains, exclude_domains |
| Wyjście | Każdy wynik zawiera swoją pozycję, tytuł, adres URL, host, snippet, a gdy strona została odczytana — główną treść strony jako Markdown lub czysty tekst wraz z liczbą słów i datą publikacji, jeśli jest znana |
| Wyniki | Wyniki pochodzą z wyszukiwania w sieci na żywo, uruchamianego w momencie Twojego wywołania, w kolejności, w jakiej szereguje je wyszukiwarka; nic nie jest serwowane ze starego indeksu |
| Cena | Jeden kredyt opłaca jedno wyszukiwanie: do 20 wyników z rankingiem, przy czym strony z pierwszych 3 są odczytywane i zwracane jako Markdown. Odczyt od 4 do 10 stron to 2 kredyty. Wywołanie zakończone błędem nic nie kosztuje |
| Odpowiedź | API zwraca źródła, a nie gotową odpowiedź: Twój własny model czyta strony, pisze odpowiedź i cytuje adresy URL |
| Dostęp do stron | Nasz czytnik respektuje robots.txt: przedstawia się jako LLMWebSearch, przestrzega reguł, które witryna zapisuje dla niego lub dla wszystkich robotów, i pomija treść każdej strony, której nie wolno mu czytać |
Dlaczego modelom nie wystarczy lista linków?
Lista linków mówi modelowi, gdzie szukać, ale nie co tam jest. Fragment 150 znaków rzadko zawiera datę, liczbę lub krok, o który zapytał użytkownik. Dlatego większość agentów po wyszukiwaniu uruchamia drugie narzędzie, które pobiera każdą stronę, czyści ją i przycina.
LLMWebSearch łączy te kroki w jedno wywołanie. Najważniejsze strony wracają jako Markdown, z usuniętą nawigacją, reklamami i banerami cookie, a każda z nich ma word_count. Twój agent zużywa tokeny na treść, a Ty płacisz za jedno wywołanie zamiast czterech.
Jak wygląda odpowiedź?
Każdy wynik ma swoją pozycję, tytuł, URL, host i snippet. Pierwsze read wyników zawiera też content i word_count, a także published_at, gdy strona lub wyszukiwarka podaje datę. Pole content_status mówi, co stało się z każdą stroną: ok, not_requested, blocked_by_robots, blocked_by_site_policy, target_refused, fetch_failed lub fetch_timeout. Poniższe wartości są przykładowe.
{
"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"
}
]
}Jak wywołać to z mojego kodu?
Wyślij zapytanie jako JSON z kluczem API jako Bearer token. Poniższy przykład w Pythonie prosi o 5 wyników i czyta 3 najważniejsze, z limitem 4 000 znaków każdy. Quick start zawiera to samo wywołanie w Node.js i 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"])Jakich filtrów może użyć agent?
Wybierz kraj i język wyników, zakres czasu (ostatni dzień, tydzień, miesiąc lub rok), wyniki web lub news oraz domeny do uwzględnienia lub wykluczenia.
time_range:day,week,monthlubyear, do pytań o ostatnie wydarzenia.topic:newszwraca artykuły z datami; zobacz news search API.include_domainsiexclude_domains: po maksymalnie 20, by trzymać się oficjalnej dokumentacji lub odrzucić zaśmieconą stronę.countryilanguage: rynek, z którego chcesz wyniki, np.deide.max_chars: maksymalna ilość tekstu na stronę, od 500 do 50 000 znaków.
Ile stron powinien czytać agent na jedno wyszukiwanie?
Trzy to dobra wartość domyślna i tyle obejmuje jeden kredyt. Większość pytań faktograficznych rozstrzygają pierwsze strony, a trzy źródła pozwalają modelowi zweryfikować liczbę. Zwiększ read do 5 lub 10 przy pytaniach badawczych, w których źródła się nie zgadzają; takie wyszukiwanie kosztuje 2 kredyty.
Ustaw read na 0, gdy agent potrzebuje tylko linków, na przykład by wybrać, który URL otworzyć następny. Wtedy wywołaj /extract na wybranych URL-ach.
Co dzieje się ze stronami, których serwis nie chce udostępniać do czytania?
Wracają jako wyniki bez treści. Nasz czytnik respektuje robots.txt: przedstawia się jako LLMWebSearch, przestrzega reguł, które witryna zapisuje dla niego lub dla wszystkich robotów, i pomija treść każdej strony, której nie wolno mu czytać. Witryna, która ustawia Content-Signal: ai-input=no w swoim robots.txt, trzyma treść swoich stron poza treścią Twoich wyników.
Gdy witryna odrzuca nasz czytnik, wynik wraca bez treści i ze statusem witryny: nigdy nie rozwiązujemy CAPTCHA, nie logujemy się na konta ani nie obchodzimy blokady czy paywalla. Pole content_status mówi agentowi, dlaczego strony brakuje, żeby mógł użyć snippetu lub przejść do następnego wyniku. Właściciele serwisów mogą przeczytać o naszym czytniku na stronie bota.
Ile kosztuje AI search API?
5 000 wyszukiwań kosztują 9,25 USD, 25 000 wyszukiwań kosztują 41,25 USD, a 1 000 000 wyszukiwań kosztują 1200 USD, według stanu na październik 2026. Zestawienie z datą stawia te ceny obok 14 innych API.
Builder
25 000 wyszukiwań
41,25 USD
1,65 USD/1K wyszukiwań
- Agent kodujący lub asystent badawczy
- Gotowe do MCP, LangChain i n8n
- Kredyty nigdy nie wygasają
Produkcja
100 000 wyszukiwań
145 USD
1,45 USD/1K wyszukiwań
- Agenci w produkcji
- Wyższy rate limit na życzenie
- Kredyty nigdy nie wygasają
Najlepsza stawka
Wolumen
1 000 000 wyszukiwań
1200 USD
1,20 USD/1K wyszukiwań
- Platformy obsługujące wielu agentów
- Wyższy rate limit na życzenie
- Kredyty nigdy nie wygasają
W każdym planie: 3 najlepsze strony odczytane jako Markdown · Filtry kraju, języka, czasu i domeny · Nieudane wywołania nie są naliczane · Kredyty nigdy nie wygasają
Pytania o AI search API
Czy AI search API to to samo co API SERP?
Nie. API SERP zwraca stronę wyników wyszukiwania jako dane: linki, fragmenty, reklamy i boksy. AI search API dodatkowo czyta strony i zwraca ich tekst, więc model może z niego korzystać bezpośrednio. LLMWebSearch zwraca wyniki w rankingu oraz treść najwyżej ocenionych stron.
Czy LLMWebSearch ma własny indeks wyszukiwania?
Nie. Wyniki pochodzą z wyszukiwania w sieci na żywo, uruchamianego w momencie Twojego wywołania, w kolejności, w jakiej szereguje je wyszukiwarka; nic nie jest serwowane ze starego indeksu. Nasza własna praca polega na czytaniu i czyszczeniu stron oraz zwracaniu ich w formie, której może użyć model.
Czy mogę przechowywać wyniki?
Nie trenujemy żadnego modelu na Twoich zapytaniach ani na tym, co zwraca API, i nie dodajemy własnej reguły przeciwko przechowywaniu wyników; nadal obowiązują prawa witryn, których strony czytasz. Sprawdź warunki każdej strony, zanim opublikujesz jej tekst ponownie.
Z jakimi modelami to działa?
Z każdym. API zwraca JSON i Markdown, więc pasuje do modeli OpenAI, Claude, Gemini, DeepSeek, Llama lub Qwen. Zobacz narzędzie OpenAI function-calling oraz serwer MCP.