# Uma ferramenta de pesquisa na web para agentes de IA que traz de volta o texto da página > Dê a um agente de IA uma ferramenta de pesquisa na web que retorna resultados ranqueados, com as páginas lidas em Markdown, e custos. Sem KYC, cripto. - URL: https://llmwebsearch.com/pt/use-cases/ai-agents/ - Última atualização: 2026-10-22 - Editor: LLMWebSearch (https://llmwebsearch.com) Um agente que consegue pesquisar mas não consegue ler adivinha a partir dos snippets. Dê a ele uma ferramenta que faz as duas coisas: ele pesquisa a web ao vivo e retorna as primeiras páginas como Markdown limpo, numeradas para que o modelo possa citá-las. **Resposta rápida — Como dou a um agente de IA uma ferramenta de pesquisa na web que retorna o conteúdo da página?** Empacote uma API de pesquisa na web como uma ferramenta que recebe uma consulta e retorna fontes numeradas com o texto da página. **LLMWebSearch** faz isso em uma chamada: resultados ranqueados de uma pesquisa ao vivo, com as 3 primeiras páginas lidas como Markdown, por um crédito. Os preços começam a partir de US$ 9,25 para 5.000 pesquisas e caem para US$ 1,20/1K pesquisas. Sem KYC; pague com cripto. ## LLMWebSearch como ferramenta de agente | Atributo | Valor | | --- | --- | | Ferramenta | `web_search(query, recent)` chamando `POST https://llmwebsearch.com/api/v1/search` | | Retorna | Até 20 resultados ranqueados; os 3 primeiros com o texto da página em Markdown | | Controle de tamanho | `max_chars` por página, `read` para o número de páginas, `max_results` para a lista | | Custo | 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 | | Filtros | 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 | | Integrações prontas | [servidor MCP](https://llmwebsearch.com/pt/docs/mcp/), [function calling da OpenAI](https://llmwebsearch.com/pt/docs/openai/), [LangChain e LlamaIndex](https://llmwebsearch.com/pt/docs/langchain/), [n8n](https://llmwebsearch.com/pt/docs/n8n/), [OpenClaw](https://llmwebsearch.com/pt/docs/openclaw/) | ## Por que um agente precisa do texto da página e não apenas dos snippets? Porque a resposta raramente está no snippet. Uma página de resultados traz um título e uma ou duas linhas escolhidas pelo mecanismo de busca. O número, a data ou a regra que seu usuário perguntou está mais abaixo na página. Um agente que só vê snippets tem duas opções ruins. Ele pode responder a partir de um fragmento e correr o risco de errar, ou chamar uma segunda ferramenta para buscar cada página. A segunda opção dobra as idas e voltas e as definições de ferramentas. Com LLMWebSearch, as primeiras páginas já chegam lidas. Navegação, anúncios e banners de cookies são removidos, então o modelo gasta seus tokens com conteúdo. Os resultados restantes ainda trazem seus snippets, que ajudam o modelo a decidir se deve pesquisar de novo. ## Como a ferramenta de pesquisa deve ser definida? Mantenha o schema enxuto: um `query` obrigatório e, no máximo, um ou dois switches. Modelos chamam ferramentas simples com mais confiabilidade. O exemplo abaixo expõe uma flag `recent` que mapeia para `time_range=month`; todo o resto fica fixo no seu código. A função retorna texto puro, não JSON. Cada fonte começa com um número, um título e uma URL, seguidos do seu Markdown. Esse layout torna citações como [2] naturais para o modelo. Se seu agente já inclui uma ferramenta chamada `web_search`, como fazem o Claude Code e o OpenClaw, dê outro nome à sua, como `search_web`. Duas ferramentas com o mesmo nome confundem o modelo. *Python: uma ferramenta web_search para function calling no estilo OpenAI* ```python import json import os import requests API = "https://llmwebsearch.com/api/v1/search" HEADERS = {"Authorization": "Bearer " + os.environ["LLMWEBSEARCH_API_KEY"]} # Tool definition in the OpenAI function-calling format; most agent frameworks accept the same JSON schema. WEB_SEARCH_TOOL = { "type": "function", "function": { "name": "web_search", "description": "Search the live web. Returns numbered sources; the first ones include the page text in Markdown.", "parameters": { "type": "object", "properties": { "query": {"type": "string", "description": "A short search query, 3 to 8 words"}, "recent": {"type": "boolean", "description": "True to keep only results from the past month"}, }, "required": ["query"], }, }, } def web_search(query, recent=False, read=3, max_chars=4000): """Run one search (1 credit with read <= 3) and return compact text the model can cite.""" body = {"q": query, "max_results": 5, "read": read, "max_chars": max_chars} if recent: body["time_range"] = "month" resp = requests.post(API, headers=HEADERS, json=body, timeout=60) resp.raise_for_status() lines = [] for r in resp.json()["results"]: lines.append(f"[{r['position']}] {r['title']} — {r['url']}") if r.get("content_status") == "ok": lines.append(r["content"]) else: lines.append(r.get("snippet", "")) lines.append("") return "\n".join(lines) def run_tool_call(call): """Execute a tool call returned by the model and give back the text for the tool message.""" args = json.loads(call["function"]["arguments"]) return web_search(args["query"], recent=args.get("recent", False)) ``` ## Quando um agente deve pesquisar, e com que frequência? Pesquise quando a resposta depende de fatos que mudam ou que o modelo não pode saber. Preços, versões, leis, horários e eventos recentes se enquadram. Definições e conhecimento estável geralmente não. Escreva essa regra no system prompt e adicione um orçamento. Três hábitos ajudam: - **Planeje antes de pesquisar.** Peça ao modelo que escreva suas consultas primeiro. Duas consultas precisas valem mais que cinco vagas. - **Limite as chamadas.** Permita, digamos, quatro pesquisas por turno do usuário. Aumente o limite apenas para tarefas de pesquisa. - **Pare quando as fontes concordarem.** Se três páginas independentes dizem a mesma coisa, o agente pode responder. ## Como mantenho a janela de contexto sob controle? Três parâmetros decidem quanto texto chega ao modelo. `read` define quantas páginas são lidas, de 0 a 10. `max_chars` limita cada página, de 500 a 50.000 caracteres. `max_results` define quantos resultados são listados, de 1 a 20. Para um agente de chat, `read=3` com `max_chars=4000` retorna cerca de 12.000 caracteres de texto de página por pesquisa. Isso deixa espaço para várias pesquisas em uma conversa. Para um trabalho de pesquisa que resume à medida que avança, páginas mais longas são adequadas. O campo `word_count` informa qual era o tamanho da página completa antes do corte. O agente pode usá-lo para decidir se busca mais com o [endpoint de extração](https://llmwebsearch.com/pt/docs/extract/). ## O que acontece quando uma página não pode ser lida? O resultado ainda volta, com título, URL e snippet, mas sem conteúdo. Um campo `content_status` explica o motivo. - `blocked_by_robots`: o robots.txt do site não permite nosso leitor. - `blocked_by_site_policy`: Um site que define Content-Signal: ai-input=no no seu robots.txt mantém as suas páginas fora do conteúdo dos seus resultados. - `target_refused`: o site respondeu com uma recusa; o status está em `target_status`. - `fetch_failed` ou `fetch_timeout`: a página não carregou a tempo. 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. Instrua o agente a usar o snippet, ou outra fonte, quando uma página voltar vazia. A pesquisa em si continua custando um crédito, aconteça o que acontecer com cada página. ## Por que não usar a ferramenta de pesquisa integrada ao modelo? Ferramentas integradas são práticas, mas dão menos controle. Em 22 de outubro de 2026, a ferramenta `web_search` da OpenAI custa $10 por 1.000 chamadas mais o conteúdo de pesquisa cobrado como tokens de entrada. A pesquisa na web do Claude, da Anthropic, também custa $10 por 1.000 pesquisas mais custos de tokens. O grounding do Gemini 3 inclui 5.000 pesquisas gratuitas por mês no plano pago, depois custa $14 por 1.000. Essas ferramentas geralmente retornam uma resposta escrita com citações, não as páginas brutas. Elas também vinculam sua pesquisa a um único fornecedor de modelo. Uma ferramenta independente funciona com qualquer modelo e permite definir o tamanho de cada página. A [comparação de ferramentas integradas](https://llmwebsearch.com/pt/compare/built-in-web-search-tools/) tem a tabela completa. ## Quanto custa rodar um agente com LLMWebSearch? Um crédito por pesquisa quando `read` é 3 ou menos. Um assistente usado por uma equipe, respondendo 100 perguntas por dia com 4 pesquisas cada, roda cerca de 12.000 pesquisas por mês. 25.000 pesquisas a US$ 41,25 cobre esse mês e a maior parte do próximo. Um agente de programação usado por um desenvolvedor pode pesquisar 20 vezes por dia, ou cerca de 600 vezes por mês. 5.000 pesquisas a US$ 9,25 então dura vários meses, porque os créditos nunca expiram. O [guia de custos](https://llmwebsearch.com/pt/guides/ai-agent-web-search-cost/) mostra a aritmética para cargas de trabalho maiores. ## Qual pack serve para um agente? Faça o protótipo com 5.000 pesquisas; passe para 25.000 pesquisas ou 100.000 pesquisas quando o agente estiver em uso diário. | Plano | Quantidade | Preço | Preço por unidade | | --- | --- | --- | --- | | Experimente | 5.000 pesquisas | US$ 9,25 | US$ 1,85/1K pesquisas | | Desenvolvedor | 25.000 pesquisas | US$ 41,25 | US$ 1,65/1K pesquisas | | Produção | 100.000 pesquisas | US$ 145 | US$ 1,45/1K pesquisas | 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 **Antes de pagar** - Recarga mínima de US$ 25. Recarregue uma vez com cripto e depois compre qualquer plano usando seu saldo. - O dinheiro no seu saldo não expira e compra créditos de pesquisa quando você quiser. Quando um pack é mais barato que o valor mínimo de recarga, a parte que você pagou apenas para atingir esse mínimo volta para você, mediante solicitação, em até 30 dias após o pagamento, em USDT ou USDC, desde que ainda não tenha sido gasta. O restante do saldo não é devolvido, a menos que a lei exija. - Creditado assim que seu pagamento é verificado na blockchain. Tempo habitual de confirmação da rede: BTC ≈ 20 min · USDT TRC-20 ≈ 1 min · USDT ERC-20 ≈ 5 min · USDC ERC-20 ≈ 5 min · ETH ≈ 5 min · SOL ≈ 1 min · LTC ≈ 15 min ## Agentes de IA: perguntas frequentes ### Posso adicionar LLMWebSearch ao Claude Desktop, Cursor ou Claude Code? Sim, por meio de um pequeno servidor MCP que expõe a pesquisa como ferramenta. A [página do MCP](https://llmwebsearch.com/pt/docs/mcp/) tem o código e a configuração do cliente. ### A ferramenta funciona com modelos além dos da OpenAI? Sim. O schema acima é JSON Schema puro, que Anthropic, Google, Mistral e frameworks open-source aceitam com pequenas alterações. A ferramenta só chama nosso endpoint HTTPS. ### Como impeço um agente de pesquisar demais? Conte as chamadas no seu wrapper da ferramenta e retorne uma mensagem curta quando o orçamento acabar. Coloque o orçamento também no system prompt, para o modelo planejar com base nele. ### O texto de uma página pode dar instruções ao meu agente? Pode tentar. Trate o texto da página como dados: instrua o modelo no system prompt a ignorar instruções encontradas dentro das fontes e nunca deixe uma fonte disparar ações por conta própria. ## Fontes 1. [Preços da API (ferramenta de pesquisa na web)](https://developers.openai.com/api/docs/pricing) — OpenAI (read 2026-10-22) 2. [Preços (ferramenta de pesquisa na web)](https://platform.claude.com/docs/en/about-claude/pricing) — Anthropic (read 2026-10-22) 3. [Preços da Gemini Developer API](https://ai.google.dev/gemini-api/docs/pricing) — Google (read 2026-10-22) --- LLMWebSearch: O LLMWebSearch é uma API de pesquisa na web para agentes de IA que retorna resultados classificados com o conteúdo das principais páginas em Markdown, pago com cripto sem envio de documentos. Os créditos pré-pagos a partir de US$ 1,20/1K pesquisas nunca expiram. Sem KYC — sem documento, sem selfie, sem comprovantes. Pague com cripto.