Experimente
5.000 pesquisas
US$ 9,25
US$ 1,85/1K pesquisas
- Integre a um agente
- A mesma API do maior pacote
- Os créditos nunca expiram
Resposta rápida
Qual é a melhor forma de dar pesquisa web ao vivo a um LLM?
Dar a ele uma API de pesquisa que retorna fontes que ele possa ler. LLMWebSearch é uma API de pesquisa por IA para LLMs: uma chamada faz uma pesquisa web ao vivo e retorna até 20 resultados ranqueados, com as 3 principais páginas em Markdown. Em outubro de 2026, custa US$ 9,25 por 5.000 pesquisas e US$ 1,20/1K pesquisas em 1 milhão. Sem KYC; pague com cripto.
A API de pesquisa por IA em resumo
| Endpoint | POST https://llmwebsearch.com/api/v1/search (GET também funciona, com os mesmos nomes) |
|---|---|
| Entrada | q, mais max_results, read, format, max_chars, topic, time_range, country, language, include_domains e exclude_domains opcionais |
| Saída | Cada resultado traz sua posição, título, URL, host, snippet e, quando foi lida, o conteúdo principal da página em Markdown ou texto simples com a contagem de palavras e a data de publicação quando conhecida |
| Resultados | Os resultados vêm de uma pesquisa na web ao vivo, executada no momento da sua chamada, na ordem em que o mecanismo de pesquisa os classifica; nada é servido de um índice antigo |
| Preço | Um crédito paga uma pesquisa: até 20 resultados classificados, com as páginas dos 3 primeiros lidas e devolvidas em Markdown. Ler de 4 a 10 páginas custa 2 créditos. Uma chamada que termina em erro não custa nada |
| Resposta | A API retorna fontes, não uma resposta escrita: o seu próprio modelo lê as páginas, escreve a resposta e cita as URLs |
| Acesso às páginas | Nosso leitor respeita o robots.txt: ele se identifica como LLMWebSearch, segue as regras que um site escreve para ele ou para todos os robôs e deixa de fora o conteúdo de qualquer página que não tem permissão para ler |
Por que os modelos precisam de mais do que uma lista de links?
Uma lista de links diz ao modelo onde procurar, não o que está lá. Um snippet de 150 caracteres raramente contém a data, o número ou o passo sobre o qual o usuário perguntou. Por isso, a maioria dos agentes faz uma pesquisa seguida de uma segunda ferramenta que busca cada página, limpa e recorta o conteúdo.
LLMWebSearch junta essas etapas em uma chamada. As principais páginas voltam em Markdown, com navegação, anúncios e banners de cookies removidos, e cada uma traz um word_count. Seu agente gasta os tokens com conteúdo, e você paga por uma chamada em vez de quatro.
Como é uma resposta?
Cada resultado tem sua posição, título, URL, host e snippet. Os primeiros read resultados também trazem content e word_count, além de published_at quando a página ou o motor de pesquisa fornece uma data. Um campo content_status diz o que aconteceu com cada página: ok, not_requested, blocked_by_robots, blocked_by_site_policy, target_refused, fetch_failed ou fetch_timeout. Os valores abaixo são ilustrativos.
{
"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"
}
]
}Como chamo a API do meu código?
Envie a consulta como JSON com sua chave como token Bearer. O exemplo em Python abaixo pede 5 resultados e lê os 3 primeiros, limitados a 4.000 caracteres cada. O início rápido tem a mesma chamada em Node.js e 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"])Quais filtros um agente pode usar?
Escolha o país e o idioma dos resultados, um intervalo de tempo (último dia, semana, mês ou ano), resultados da web ou de notícias, e domínios para incluir ou excluir.
time_range:day,week,monthouyear, para perguntas sobre eventos recentes.topic:newsretorna artigos com suas datas; veja a API de pesquisa de notícias.include_domainseexclude_domains: até 20 cada, para ficar na documentação oficial ou descartar um site ruidoso.countryelanguage: o mercado cujos resultados você quer, comodeede.max_chars: o máximo de texto por página, de 500 a 50.000 caracteres.
Quantas páginas um agente deve ler por pesquisa?
Três é um bom padrão, e é o que um crédito cobre. A maioria das perguntas factuais se resolve nas primeiras páginas, e três fontes permitem que o modelo confira um número. Aumente read para 5 ou 10 em perguntas de pesquisa em que as fontes divergem; essa pesquisa custa 2 créditos.
Defina read como 0 quando o agente só precisa de links, por exemplo para escolher qual URL abrir em seguida. Aí chame /extract nas URLs que ele escolheu.
O que acontece com páginas que um site não quer que sejam lidas?
Elas voltam como resultados sem conteúdo. Nosso leitor respeita o robots.txt: ele se identifica como LLMWebSearch, segue as regras que um site escreve para ele ou para todos os robôs e deixa de fora o conteúdo de qualquer página que não tem permissão para ler. Um site que define Content-Signal: ai-input=no no seu robots.txt mantém as suas páginas fora do conteúdo dos seus resultados.
Quando um site recusa o nosso leitor, o resultado volta sem conteúdo e com o status do site: nunca resolvemos CAPTCHAs, não entramos em contas nem contornamos um bloqueio ou um paywall. O campo content_status informa ao seu agente por que uma página está faltando, para que ele possa usar o snippet ou passar ao próximo resultado. Os donos de sites podem saber mais sobre nosso leitor na página do bot.
Quanto custa a API de pesquisa por IA?
5.000 pesquisas custam US$ 9,25, 25.000 pesquisas custam US$ 41,25 e 1.000.000 pesquisas custam US$ 1.200, em outubro de 2026. A comparação com data coloca esses preços ao lado de outras 14 APIs.
Desenvolvedor
25.000 pesquisas
US$ 41,25
US$ 1,65/1K pesquisas
- Um agente de código ou um assistente de pesquisa
- Pronto para MCP, LangChain e n8n
- Os créditos nunca expiram
Produção
100.000 pesquisas
US$ 145
US$ 1,45/1K pesquisas
- Agentes em produção
- Rate limit maior sob solicitação
- Os créditos nunca expiram
Melhor taxa
Volume
1.000.000 pesquisas
US$ 1.200
US$ 1,20/1K pesquisas
- Plataformas que atendem muitos agentes
- Rate limit maior sob solicitação
- Os créditos nunca expiram
Em todos os planos: As 3 principais páginas lidas em Markdown · Filtros de país, idioma, hora e domínio · Chamadas com falha não são cobradas · Os créditos nunca expiram
Perguntas sobre API de pesquisa com IA
Uma API de pesquisa com IA é o mesmo que uma API de SERP?
Não. Uma API de SERP retorna a página de pesquisa como dados: links, snippets, anúncios e caixas. Uma API de pesquisa com IA também lê as páginas e retorna o texto delas, para que um modelo possa usá-lo diretamente. LLMWebSearch retorna resultados classificados mais o conteúdo das principais páginas.
A LLMWebSearch tem seu próprio índice de pesquisa?
Não. Os resultados vêm de uma pesquisa na web ao vivo, executada no momento da sua chamada, na ordem em que o mecanismo de pesquisa os classifica; nada é servido de um índice antigo. Nosso trabalho é ler e limpar as páginas e retorná-las em um formato que um modelo possa usar.
Posso armazenar os resultados?
Não treinamos nenhum modelo com as suas consultas ou com o que a API retorna, e não adicionamos nenhuma regra própria contra armazenar resultados; os direitos dos sites cujas páginas você lê continuam valendo. Verifique os termos de cada site antes de republicar o texto dele.
Com quais modelos funciona?
Com qualquer um deles. A API retorna JSON e Markdown, então funciona com modelos OpenAI, Claude, Gemini, DeepSeek, Llama ou Qwen. Veja a ferramenta de function calling da OpenAI e o servidor MCP.