Sem KYC — sem documento de identidade, sem selfie, sem documentos. Pague com cripto: BTC, USDT, USDC, ETH, SOL, LTC
Idioma: Português
Obtenha uma chave de API

Docs · Python

Exemplos em Python: pesquisar, rodar consultas em paralelo, responder com citações

Três scripts cobrem o que a maioria dos agentes em Python precisa: uma pesquisa com requests, várias pesquisas ao mesmo tempo com httpx e um semáforo, e um loop curto que entrega as fontes a um modelo de linguagem e recebe de volta uma resposta com citações numeradas.

Última atualização: · 5 min de leitura

Resposta rápida

Como chamo uma API de pesquisa web para agentes de IA a partir do Python?

Envie a consulta por POST para https://llmwebsearch.com/api/v1/search com requests ou httpx e uma chave Bearer. LLMWebSearch retorna resultados ranqueados com as 3 primeiras páginas em Markdown, que você pode numerar e passar para qualquer LLM responder com citações. Uma pesquisa custa 1 crédito, a partir de US$ 1,20/1K pesquisas em outubro de 2026. Python 3.9+ e sem SDK. Sem KYC; pague com cripto.

O que você precisa

Python3.9 ou mais recente
Pacotesrequests para o script simples, httpx para o assíncrono
ChaveLLMWEBSEARCH_API_KEY no seu ambiente
Para o loop de respostaQualquer endpoint de chat compatível com OpenAI: LLM_BASE_URL, LLM_API_KEY, LLM_MODEL
CobrançaUm 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

Como faço uma pesquisa com requests?

Monte um corpo JSON com q e as opções de que precisa, envie por POST e percorra results. Verifique content_status antes de mexer em content: só os resultados marcados com ok trazem o texto da página. O script abaixo salva cada página lida como um arquivo Markdown nomeado pela sua posição, com a URL de origem na primeira linha.

search_once.py
import os
import pathlib

import requests

resp = requests.post(
    "https://llmwebsearch.com/api/v1/search",
    headers={"Authorization": "Bearer " + os.environ["LLMWEBSEARCH_API_KEY"]},
    json={"q": "how to size a postgres connection pool", "max_results": 5, "read": 3},
    timeout=60,
)
resp.raise_for_status()
data = resp.json()
out = pathlib.Path("sources")
out.mkdir(exist_ok=True)
for r in data["results"]:
    if r["content_status"] != "ok":
        print("skip", r["position"], r["content_status"], r["url"])
        continue
    path = out / f"{r['position']:02d}.md"
    path.write_text("Source: " + r["url"] + "\n\n" + r["content"], encoding="utf-8")
    print("saved", path, r["word_count"], "words")
print("credits used:", data["credits_used"])

Como faço muitas pesquisas ao mesmo tempo?

Use httpx.AsyncClient e um asyncio.Semaphore. O semáforo limita quantas chamadas estão em andamento, o que mantém você dentro do limite por minuto da sua conta e distribui a carga. De quatro a oito chamadas simultâneas atendem a maioria dos agentes de pesquisa. Toda conta tem um limite de chamadas por minuto, exibido no dashboard; peça ao suporte e ele pode ser aumentado.

O exemplo envia uma pesquisa por subpergunta, uma etapa típica de um agente de pesquisa, e coleta as URLs das páginas lidas. Cada chamada é independente: uma falha não interrompe as outras.

many_searches.py
import asyncio
import os

import httpx

API = "https://llmwebsearch.com/api/v1/search"
HEADERS = {"Authorization": "Bearer " + os.environ["LLMWEBSEARCH_API_KEY"]}
QUESTIONS = [
    "what is connection pooling in postgres",
    "recommended pool size per cpu core",
    "pgbouncer transaction mode limitations",
    "connection pool exhaustion symptoms",
]


async def search(client, sem, q):
    async with sem:
        resp = await client.post(API, json={"q": q, "read": 2, "max_chars": 4000})
        if resp.status_code != 200:
            return q, resp.json().get("error", {}).get("code"), []
        data = resp.json()
        read = [r["url"] for r in data["results"] if r["content_status"] == "ok"]
        return q, "ok", read


async def main():
    sem = asyncio.Semaphore(4)
    async with httpx.AsyncClient(headers=HEADERS, timeout=60) as client:
        for q, status, urls in await asyncio.gather(*(search(client, sem, q) for q in QUESTIONS)):
            print(status, q, urls)


asyncio.run(main())

Como obtenho uma resposta com citações de qualquer LLM?

Pesquise primeiro e depois entregue ao modelo fontes numeradas, pedindo que ele as cite. A API retorna fontes, não uma resposta escrita: o seu próprio modelo lê as páginas, escreve a resposta e cita as URLs, para que você escolha o modelo e o estilo de citação. O loop abaixo funciona com qualquer endpoint de chat que fale o formato chat/completions compatível com OpenAI; defina o endereço, a chave e o modelo em três variáveis de ambiente.

Mantenha o contexto sob controle. O script corta cada fonte para que o total fique dentro de um orçamento de cerca de 6.000 tokens, contando aproximadamente quatro caracteres por token. Um resultado sem conteúdo é passado como o seu snippet, identificado como tal, para que o modelo não finja que leu a página.

answer_with_citations.py
import os

import requests

SEARCH = "https://llmwebsearch.com/api/v1/search"
KEY = os.environ["LLMWEBSEARCH_API_KEY"]
BUDGET_CHARS = 6000 * 4  # about 6,000 tokens of sources


def sources_for(question):
    resp = requests.post(SEARCH, headers={"Authorization": "Bearer " + KEY},
                         json={"q": question, "max_results": 5, "read": 3}, timeout=60)
    resp.raise_for_status()
    results = resp.json()["results"]
    share = BUDGET_CHARS // max(len(results), 1)
    blocks = []
    for i, r in enumerate(results, start=1):
        if r["content_status"] == "ok":
            body = r["content"][:share]
        else:
            body = "(snippet only) " + r["snippet"]
        blocks.append(f"[{i}] {r['title']} - {r['url']}\n{body}")
    return "\n\n".join(blocks)


def answer(question):
    prompt = ("Answer the question using only the sources below. "
              "Cite them as [1], [2] and so on. Say so if the sources do not answer it.\n\n"
              + sources_for(question) + "\n\nQuestion: " + question)
    resp = requests.post(
        os.environ["LLM_BASE_URL"].rstrip("/") + "/chat/completions",
        headers={"Authorization": "Bearer " + os.environ["LLM_API_KEY"]},
        json={"model": os.environ["LLM_MODEL"], "messages": [{"role": "user", "content": prompt}]},
        timeout=120,
    )
    resp.raise_for_status()
    return resp.json()["choices"][0]["message"]["content"]


print(answer("How should I size a Postgres connection pool?"))

Quanto texto devo enviar ao modelo?

O mínimo que responda à pergunta. Três páginas cortadas em 2.000 tokens cada geralmente superam dez páginas inteiras: o modelo se concentra melhor e cada resposta custa menos. Reduza max_chars na própria pesquisa quando souber que vai cortar, para que menos dados trafeguem.

Cortar a partir do início da página funciona para a maioria dos artigos, porque o ponto principal tende a vir primeiro. Para páginas de referência longas, divida o conteúdo por títulos e mantenha as seções cujos títulos correspondem à pergunta.

O que o código deve fazer quando falta uma página?

Siga em frente com as outras fontes. Uma página marcada com blocked_by_robots, blocked_by_site_policy ou target_refused não será lida em uma segunda tentativa, então não fique em loop nela. Uma página fetch_timeout ou fetch_failed pode funcionar mais tarde via https://llmwebsearch.com/api/v1/extract.

Erros HTTP são diferentes: 429, 502 e 504 merecem uma nova tentativa com uma pausa crescente. A página de erros tem um helper de retry pronto.

Python: perguntas frequentes

Existe um pacote pip para o LLMWebSearch?

Não. A API é HTTPS e JSON simples, então requests ou httpx é tudo o que você precisa. Os scripts desta página são a integração: copie-os para o seu projeto e adapte-os.

Posso usar esses scripts com um modelo local?

Sim. Qualquer servidor que exponha uma rota chat/completions compatível com OpenAI funciona com o loop de citação: defina LLM_BASE_URL com o endereço dele e LLM_MODEL com o nome do modelo que ele espera.

Como conto créditos a partir do Python?

Some credits_used de cada resposta, ou chame GET https://llmwebsearch.com/api/v1/credits antes e depois de uma tarefa; essa chamada é gratuita.

A partir de US$ 1,20/1K pesquisas · sem KYC

Obtenha uma chave de API