快速回答
如何从 Python 为 AI agent 调用网页搜索 API?
将查询 POST 到 https://llmwebsearch.com/api/v1/search,带上 requests 或 httpx 和 Bearer 密钥。LLMWebSearch 返回排序结果,其中前 3 个页面为 Markdown 格式,你可以给它们编号并传给任意 LLM 以带引用作答。每次搜索消耗 1 个积分,截至 2026 年 10 月低至 US$1.20/千次搜索。Python 3.9+,无需 SDK。无需 KYC;用加密货币支付。
你需要什么
| Python | 3.9 或更高版本 |
|---|---|
| 软件包 | requests 用于简单脚本,httpx 用于异步脚本 |
| 密钥 | 在你的环境中的 LLMWEBSEARCH_API_KEY |
| 用于回答循环 | 任意兼容 OpenAI 的 chat endpoint:LLM_BASE_URL、LLM_API_KEY、LLM_MODEL |
| 计费 | 1 积分支付一次查询:最多 20 条排名结果,其中前 3 条的页面会被读取并以 Markdown 返回。读取 4 到 10 个页面为 2 积分。以错误结束的调用不收费 |
如何用 requests 执行一次搜索?
用 q 和你需要的选项构建 JSON 请求体,POST 它,然后遍历 results。在访问 content 之前先检查 content_status:只有标记为 ok 的结果才带有页面文本。下面的脚本会将每个已读取的页面保存为以其位置命名的 Markdown 文件,第一行为来源 URL。
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"])
如何同时执行多次搜索?
使用 httpx.AsyncClient 和一个 asyncio.Semaphore。semaphore 限制同时进行的调用数,使你保持在账户的每分钟限额内并分散负载。四到八个并发调用适合大多数研究型 agent。每个账户都有每分钟调用上限,显示在控制面板中;联系支持即可提高。
该示例为每个子问题发送一次搜索(研究型 agent 的典型步骤),并收集已读取页面的 URL。每次调用相互独立:一次失败不会阻止其他调用。
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())
如何从任意 LLM 获得带引用的回答?
先搜索,然后给模型带编号的来源并让它引用。API 返回的是来源,而不是写好的答案:由你自己的模型读取页面、撰写回复并引用 URL,因此由你选择模型和引用风格。下面的循环可与任何支持 OpenAI 兼容 chat/completions 格式的 chat endpoint 配合使用;在三个环境变量中设置其地址、密钥和模型。
控制好上下文。脚本会裁剪每个来源,使总量保持在约 6,000 token 的预算内,按每 token 约四个字符计算。没有内容的结果以其 snippet 传入并标注为 snippet,这样模型就不会假装读过该页面。
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?"))
我应该向模型发送多少文本?
足够回答问题即可,越少越好。三个各裁剪到 2,000 token 的页面通常胜过十个完整页面:模型更专注,每次回答成本也更低。当你确定会裁剪时,在搜索本身中降低 max_chars,以减少传输的数据量。
对于大多数文章,从页面开头裁剪是有效的,因为要点通常在前。对于较长的参考页面,按标题拆分内容,只保留标题与问题匹配的章节。
页面缺失时代码应该怎么做?
继续处理其他来源。标记为 blocked_by_robots、blocked_by_site_policy 或 target_refused 的页面重试时也不会被读取,因此不要对其循环重试。标记为 fetch_timeout 或 fetch_failed 的页面之后可能通过 https://llmwebsearch.com/api/v1/extract 成功。
HTTP 错误则不同:429、502 和 504 值得以递增的暂停时间重试。errors 页面 提供了现成的重试 helper。
Python:常见问题
LLMWebSearch 有 pip 包吗?
不需要。该 API 就是普通的 HTTPS 和 JSON,所以只需要 requests 或 httpx 就够了。本页的脚本就是集成示例:把它们复制到你的项目中并加以调整。
这些脚本能和本地模型一起用吗?
可以。任何暴露了 OpenAI 兼容 chat/completions 路由的服务器都能配合引用循环使用:把 LLM_BASE_URL 设为它的地址,把 LLM_MODEL 设为它期望的模型名。
如何用 Python 统计积分?
把每个响应里的 credits_used 累加起来,或者在任务前后调用 GET https://llmwebsearch.com/api/v1/credits;该调用免费。