Tavily、Exa、Serper、API Pick 对比：给 LLM 用的网页搜索 API 怎么选？

Sarah Choy·发布于 2026年5月2日·约 9 分钟阅读

Tavily、Exa、Serper、API Pick 都自称是「给 LLM 用的搜索层」。它们在返回结构、过滤维度和计费方式上差别其实很大。下面是来自一线工程师的横向对比。

一句话总结

• •想要一个托管的 RAG 端点直接吐 LLM 友好答案，选 Tavily —— 代价是排序不透明，且有月费门槛。
• •做语义/相似度发现、能接受时效性弱一点，选 Exa；规模上去后预算要算清楚。
• •需要原始 Google SERP、自己做清洗和排序，选 Serper。
• •想要预先 shaping 好的 JSON 摘要、按调用透明计费、按国家与日期过滤，且只对 HTTP 200 收费 —— 选 API Pick Web Search。

「给 LLM 用的网页搜索 API」到底指什么

通用搜索 API（Google Custom Search、Bing Web Search、SerpAPI）返回的是搜索引擎结果页 —— 也就是人类用户在浏览器里看到的那一堆蓝色链接和富摘要。这种格式对语言模型并不合适。Agent 不想去解析 SERP，它想要的是一份精炼的 ranked 列表：标题、URL、可以直接塞进上下文的干净文本。本文这四家 API 都在做这件事，但路径不同。

我们沿五个实操维度比较：返回结构、过滤、计费模型、集成体验，以及它们「都不做什么」。

四家选手，一段话过完

Tavily

托管型 RAG 服务。tavily.search 返回 ranked 摘要，tavily.qna 把搜索和一次轻量 LLM 回答打包在一起。 适合「直接给模型一个答案就绪的 blob」的聊天助手场景。订阅 + credit 计费。

Exa（前 Metaphor）

以神经/语义索引为核心。围绕「找一些和这个 URL 相似的 URL」、embedding 排序展开，可选拉 highlights 或全文。当时效性不重要、主题相似度重要时表现最好。订阅 + 超额 credit。

Serper

原始 Google SERP API。返回的就是真实 Google 搜索结果页的 JSON 结构 —— organic、knowledge graph、places、videos 全有。摘要清洗和排序你自己做。单次便宜，但 LLM-shaping 这层得自己写。

API Pick Web Search

按量计费、为 LLM tool calling 预先 shaping 好的语义网页搜索。POST /api/search/web 默认返回 5 条（最多 10 条）ranked 结果： title、URL、清洗过的 LLM 友好 snippet，可选 country_code 与 start_date / end_date 过滤。每次调用 15 credits（≈ $0.015），且只对成功扣费。

横向对比表

返回结构：最重要的一项

这一品类之所以存在，根本原因就是 LLM 在 SERP HTML 上推理效果差。它需要的是简短、命名清晰、有排序的文本。所以「snippet 干不干净」是预测一家搜索 API 能不能当 Agent 工具用的最强单一指标。

Tavily 与 API Pick 会主动清洗 snippet。Exa 视参数返回 highlights 或 contents —— 也行，但你来决定要多少。Serper 给原始 SERP，默认你后面会接一个抽取器；如果你已经有抽取管线，这没问题，否则这就是隐藏成本。

API Pick 的典型返回长这样：

{
  "results": [
    {
      "title": "Retrieval-augmented generation - Wikipedia",
      "url": "https://en.wikipedia.org/wiki/Retrieval-augmented_generation",
      "snippet": "Retrieval-augmented generation (RAG) is a technique that combines\nsearch with text generation, often using vector search to ground LLM\nanswers in retrieved documents."
    }
    /* …more */
  ],
  "result_count": 5,
  "credits_used": 15,
  "remaining_credits": 985
}

这个结构可以直接作为 function calling 的工具结果返回给模型，不需要二次解析。

过滤：国家与新鲜度

生产级 Agent 通常关心两个过滤维度：

• 国家 / 地区：英国的金融 Agent 默认不该全是美国来源。
• 日期范围：「本周发生了什么」类的市场调研 Agent，必须能拒掉一周以前的内容。

四家都支持，但表达力不同。API Pick 用 ISO 日期字符串（如 start_date="2026-04-01"）非常明确，比 Google 的 qdr（过去一小时 / 一天 / 一周 / 一月）更细。

计费模型：订阅 vs 按量

订阅型（Tavily、Exa）适合流量稳定可预测的场景。在以下三种常见模式下会变得别扭：

• 原型阶段不想被月费绑住。
• 流量波动大（比如批量跑的研究 Agent）。
• Agent 经常对部分失败做积极重试。

API Pick 是 credit 模型 —— $5 = 5,000 credits，Web Search 一次 15 credits，credit 永不过期，只对 HTTP 200 扣费。这一点比看起来重要：Agent 因为偶发 502 重试 5 次，是免费的，不是 5×。

集成体验

最低摩擦的集成是「粘贴 JSON 工具定义就能用」。API Pick 直接给现成的：

# OpenAI function tool 定义
curl https://www.apipick.com/api/search/web/tool-schema

# 返回包含 OpenAI tool 定义 + Claude tool use 定义

OpenAI Assistants 集成：

from openai import OpenAI
import requests

client = OpenAI()
schema = requests.get("https://www.apipick.com/api/search/web/tool-schema").json()

assistant = client.beta.assistants.create(
    name="Research Agent",
    model="gpt-4o",
    tools=[{"type": "function", "function": schema["openai"]}],
)

Claude tool use：

import anthropic
import requests

schema = requests.get("https://www.apipick.com/api/search/web/tool-schema").json()
client = anthropic.Anthropic()

response = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=1024,
    tools=[schema["claude"]],
    messages=[{"role": "user", "content": "本周 RAG 研究有什么新进展？"}],
)

这几家都不做的事

没有一家网页搜索 API 能可靠地做「这个域名从 2019 年起的全部 X」。深档案覆盖仍然需要搜索 + 定向爬虫或专门数据源的组合。它们都不能完美去重高度相似的 URL。也没有一家能解决上游问题 —— 来源是否陈旧、权威度是否够，仍然要由你的 Agent 自己判断。

快速选型