[ blog · comparison ]9 min read

Tavily、Exa、Serper、API Pick 對比：給 LLM 用的網頁搜尋 API 怎麼選？

Sarah Choy·2026年5月2日 發佈·2026年5月3日 更新·約 9 分鐘閱讀

Tavily、Exa、Serper、API Pick 都自稱是「給 LLM 用的搜尋層」。它們在回傳結構、過濾維度與計費方式上差別其實不小。下面是來自第一線工程師的橫向對比。

一句話總結

• •想要一個托管 RAG 端點直接吐 LLM 友善答案，選 Tavily —— 代價是排序不透明、有月費門檻。
• •做語意/相似度發現、能接受時效性弱一點，選 Exa；規模上去後預算要算清楚。
• •需要原始 Google SERP、自己做清洗與排序，選 Serper。
• •想要事先整理好的 JSON 摘要、按呼叫透明計費、有國家與日期過濾，且只對 HTTP 200 收費 —— 選 API Pick Web Search。

「給 LLM 用的網頁搜尋 API」到底指什麼

通用搜尋 API（Google Custom Search、Bing Web Search、SerpAPI）回傳的是搜尋引擎結果頁 —— 也就是真人在瀏覽器裡看到的那一堆藍色連結與富摘要。這種格式對語言模型並不合適。Agent 不想去解析 SERP，它想要的是一份精煉的 ranked 清單：標題、URL、可以直接塞進上下文的乾淨文字。本文這四家 API 都在做這件事，但路徑不同。

我們沿五個實作維度比較：回傳結構、過濾、計費模型、整合體驗，以及它們「都不做什麼」。

四家選手，一段話過完

Tavily

托管型 RAG 服務。tavily.search 回傳 ranked 摘要，tavily.qna 把搜尋與一次輕量 LLM 回答打包在一起。 適合「直接給模型一個答案就緒的 blob」的聊天助理場景。訂閱 + credit 計費。

Exa（前 Metaphor）

以神經 / 語意索引為核心。圍繞「找一些和這個 URL 相似的 URL」、embedding 排序展開，可選拉 highlights 或全文。當時效性不重要、主題相似度重要時表現最好。訂閱 + 超額 credit。

Serper

原始 Google SERP API。回傳的就是真實 Google 搜尋結果頁的 JSON 結構 —— organic、knowledge graph、places、videos 全有。摘要清洗與排序你自己做。單次便宜，但 LLM-shaping 這層得自己寫。

API Pick Web Search

依用量計費、為 LLM tool calling 預先整理好的語意網頁搜尋。POST /api/search/web 預設回傳 5 條（最多 10 條）ranked 結果： title、URL、清洗過的 LLM 友善 snippet，可選 country_code 與 start_date / end_date 過濾。每次呼叫 15 credits（≈ $0.015），且只對成功扣費。

橫向對比表

回傳結構：最重要的一項

這一品類之所以存在，根本原因就是 LLM 在 SERP HTML 上推理效果差。它需要的是簡短、命名清楚、有排序的文字。所以「snippet 乾不乾淨」是預測一家搜尋 API 能不能當 Agent 工具用的最強單一指標。

Tavily 與 API Pick 會主動清洗 snippet。Exa 視參數回傳 highlights 或 contents —— 也行，但你來決定要多少。Serper 給原始 SERP，預設你後面會接一個擷取器；如果你已經有擷取管線，這沒問題，否則這就是隱藏成本。

API Pick 的典型回傳長這樣：

{
  "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
}

這個結構可以直接作為 function calling 的工具結果回傳給模型，不需要二次解析。

過濾：國家與新鮮度

正式環境的 Agent 通常關心兩個過濾維度：

• 國家 / 地區：英國的金融 Agent 預設不該全是美國來源。
• 日期範圍：「本週發生了什麼」類的市場研究 Agent，必須能拒掉一週以前的內容。

四家都支援，但表達力不同。API Pick 用 ISO 日期字串（如 start_date="2026-04-01"）非常明確，比 Google 的 qdr（過去一小時 / 一天 / 一週 / 一月）更細。

計費模型：訂閱 vs 依用量

訂閱型（Tavily、Exa）適合流量穩定可預測的場景。在以下三種常見模式下會變得彆扭：

• 原型階段不想被月費綁住。
• 流量波動大（例如批次跑的研究 Agent）。
• Agent 經常對部分失敗做積極重試。

API Pick 是 credit 模型 —— $5 = 5,000 credits，Web Search 一次 15 credits，credit 永不過期，只對 HTTP 200 扣費。這一點比看起來重要：Agent 因為偶發 502 重試 5 次，是免費的，不是 5×。

整合體驗

最低摩擦的整合是「貼上 JSON 工具定義就能用」。API Pick 直接給現成的：

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

# 回傳包含 OpenAI tool 定義 + Claude tool use 定義

OpenAI Assistants 整合：

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": "本週 RAG 研究有什麼新進展？"}],
)

這幾家都不做的事

沒有一家網頁搜尋 API 能可靠地做「這個網域從 2019 年起的全部 X」。深檔案覆蓋仍然需要搜尋 + 定向爬蟲或專門資料源的組合。它們都不能完美去重高度相似的 URL。也沒有一家能解決上游問題 —— 來源是否陳舊、權威度是否夠，仍然要由你的 Agent 自己判斷。

快速選型

作者

Sarah Choy

CEO, API Pick

Sarah Choy 是 API Pick 的 CEO，專注於為 AI Agent 與 LLM 工作流打造可用於正式環境的 API。