无需 KYC — 无需身份证件、自拍或文件。用加密货币支付:BTC, USDT, USDC, ETH, SOL, LTC
语言: 简体中文
获取 API 密钥

文档 · Python

Python 示例:搜索、并行运行查询、带引用回答

三个脚本覆盖了大多数 Python agent 的需求:用 requests 执行一次搜索,用 httpx 和 semaphore 同时执行多次搜索,以及一个把来源交给语言模型并取回带编号引用回答的简短循环。

最后更新:

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

Python3.9 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。

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"])

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。

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())

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。

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?"))

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。

低至 US$1.20/千次搜索 · 无需 KYC

获取 API 密钥