As 13 Melhores APIs de Pesquisa com IA para Agentes em 2026 (Tavily, Brave, SerpAPI + 10 Mais Que Testei)
A Search API da Bing morreu a 11 de agosto de 2025, e o mercado de APIs de pesquisa com IA passou os nove meses seguintes a lutar para preencher o vazio. Existem agora treze opções credíveis para ancorar o seu agente em conteúdo web recente, mas apenas cerca de cinco merecem a sua atenção. Passei as últimas seis semanas a executar a mesma query em todas elas, a medir latência, a comparar formatos JSON e a somar o que cada uma custa realmente quando se contabilizam a extração e os tokens de LLM.
Resposta Rápida: As Melhores APIs de Pesquisa com IA em 2026
Se só ler 30 segundos deste artigo, aqui fica a versão curta:
- Melhor para RAG com citações: Tavily, pesquisa + extração integradas, plano gratuito generoso.
- Melhor para cobertura SERP multi-motor: SerpAPI, mais de 30 motores e o parsing de páginas de resultados mais profundo da categoria.
- Melhor para pesquisa de alta recuperação + monitorização: CatchAll, um índice de recuperação prioritária que encontra tudo o que é relevante e continua a vigiar a web em busca de novos eventos.
O resto deste artigo detalha 13 APIs com código, JSON real e preços de 2026, incluindo as duas ferramentas nativas de fornecedores de LLM (OpenAI, Anthropic) que a maioria dos artigos "melhores de" esquece.
O Que Aconteceu à Bing Search API?
A Bing Search API foi descontinuada a 11 de agosto de 2025, e a Microsoft redirecionou os programadores para o "Grounding with Bing Search" dentro do Azure AI Agents, um aumento de preço de 40 a 483% dependendo do plano, e utilizável apenas dentro do ecossistema Azure. Foi essa única descontinuação que desencadeou a explosão da categoria de pesquisa AI-nativa no final de 2025 e ao longo de 2026.
Durante a maior parte da última década, "API de pesquisa" significava o endpoint REST da Bing ou um wrapper de scraping de SERP. Quando a Microsoft desligou a ficha, as equipas que andavam a construir silenciosamente sobre a Bing tiveram três semanas para migrar. Algumas mudaram para o Programmable Search Engine da Google. A maioria saltou para Tavily, Exa, Brave ou Serper, dependendo de se valorizavam citações, semântica, independência ou custo bruto.
A descontinuação da Bing não removeu apenas uma API — desencadeou toda a categoria de pesquisa AI-nativa. Os fornecedores que se tinham posicionado como "a API de pesquisa para LLMs" de repente pareceram visionários. A Brave lançou a sua LLM Context API em fevereiro de 2026. A Linkup assinou acordos de publicação com o Le Monde e o Le Figaro. A OpenAI e a Anthropic integraram o web_search diretamente nos seus loops de utilização de ferramentas para que não precisasse de nenhum fornecedor terceiro.
Pode ler o aviso oficial de descontinuação da Microsoft no anúncio de ciclo de vida. É uma página curta, mas os efeitos de segunda ordem desse anúncio são o tema deste artigo inteiro.
Como as APIs de Pesquisa com IA Diferem das APIs SERP Convencionais
As APIs de pesquisa em 2026 dividem-se em três níveis: AI-nativas (Tavily, Exa, Perplexity, Linkup, You.com), índice independente (Brave, CatchAll) e wrappers de SERP (Serper, SerpAPI, Bright Data, Google PSE). Os níveis importam porque o que devolvem, e o que tem de fazer com a resposta antes de ser utilizável por um LLM, varia enormemente. O CatchAll situa-se na extremidade de recuperação prioritária do nível de índice independente: em vez de uma página de resultados ordenada, analisa dezenas de milhares de páginas por tarefa e devolve registos estruturados e validados.
Os wrappers de SERP dão-lhe uma página de resultados da Google ou da Bing convertida em JSON. Obtém URLs, títulos e snippets — basicamente o que veria se fizesse scraping de uma página de resultados de pesquisa. Depois tem de ir buscar cada URL, extrair o texto legível e fornecê-lo ao modelo. São mais dois saltos de rede e outro fornecedor (ou o seu próprio scraper) por query.
As APIs AI-nativas fazem a extração por si. Uma única chamada devolve os resultados de pesquisa mais o texto completo da página limpo, pronto a inserir num prompt. A Tavily e a Linkup também reformulam a resposta num formato de citação que o modelo pode citar diretamente. Se está a construir um pipeline RAG, esta é a diferença entre três linhas de código e um pequeno subsistema.
A "API mais barata" é frequentemente a mais cara quando se contabilizam os tokens de LLM gastos a re-extrair conteúdo. O Serper a $0,50 por 1.000 queries parece imbatível até perceber que está a pagar ao Claude mais dois cêntimos por query para resumir os snippets que devolveu. Voltaremos a este ponto na secção de Custo Total do Sistema.
As 13 Melhores APIs de Pesquisa com IA, Ordenadas
Testei cada uma destas com a mesma query: "latest research on retrieval-augmented generation 2026". Medi a latência de relógio, examinei o JSON bruto, verifiquei a disponibilidade de MCP e somei o custo por query incluindo qualquer extração que a API não fez por mim. Aqui ficam as escolhas, ordenadas pelo que fazem melhor, não pela popularidade bruta.
1. Tavily — Melhor para RAG com citações
A Tavily é a API que escolho primeiro quando um cliente quer respostas ancoradas em citações sem construir três sistemas extra. Uma única chamada devolve resultados de pesquisa, conteúdo da página limpo e um payload em formato de citação que o LangChain e o LlamaIndex consomem diretamente. O plano Research custa $0,008 por pedido com 1.000 pedidos gratuitos por mês, o que chega para prototipar um agente sério antes de pagar qualquer coisa.
A razão pela qual ganha para RAG é que a resposta já vem formatada como o seu LLM a quer. Não paga tokens para re-resumir snippets — o campo content já é o texto legível da página. Nos meus testes, a Tavily acrescentou cerca de 1,5 segundos de latência em relação ao Serper por causa do passo de extração, ficando em torno de 2,1 segundos de ponta a ponta. É a mais lenta do nível superior, mas poupa a viagem de tokens.
from tavily import TavilyClient
client = TavilyClient(api_key="tvly-...")
result = client.search(
query="latest research on retrieval-augmented generation 2026",
search_depth="advanced",
include_raw_content=True,
max_results=5,
)
for r in result["results"]:
print(r["title"], r["url"], r["score"])Limites honestos: não existe modo neural/semântico se a sua query for uma descrição em vez de palavras-chave, e 2,1s parece muito quando está a encadear quatro chamadas de ferramentas. Consulte a documentação da Tavily para o conjunto completo de parâmetros.
2. SerpAPI — Melhor para cobertura SERP multi-motor
A SerpAPI é a opção mais madura no nível dos wrappers de SERP, e aquela que escolho no momento em que um agente precisa de mais do que simples resultados web. Suporta mais de 30 motores (Google, Bing, YouTube, Maps, Scholar, Amazon, eBay), faz parsing de todas as funcionalidades numa página de resultados (painéis de conhecimento, perguntas relacionadas, pacotes locais) e tem a profundidade de parsing mais elevada da categoria. Os preços começam em $50/mês para 5.000 queries, com um trial de 100 queries.
Paga-se por essa profundidade — a SerpAPI é a mais cara do seu nível, e é excessiva se tudo o que precisa são dez links azuis. Mas se o seu agente tem de consultar o YouTube e o Scholar no mesmo fluxo de trabalho, ou precisa de acesso estruturado a funcionalidades SERP que nenhum outro wrapper faz parsing de forma limpa, a SerpAPI é o único lugar que o faz sem fita-cola. Devolveu resultados em cerca de 1,2 segundos na minha query de teste.
from serpapi import GoogleSearch
search = GoogleSearch({
"q": "latest research on retrieval-augmented generation 2026",
"num": 5,
"api_key": "...",
})
for r in search.get_dict()["organic_results"]:
print(r["title"], r["link"])Limites honestos: é um wrapper de SERP, por isso continua a ter de ir buscar e extrair o conteúdo das páginas por si, e o preço de entrada é elevado se só executar alguns milhares de queries por mês. Documentação: SerpAPI.
3. CatchAll — Melhor para pesquisa web de alta recuperação e monitorização
O CatchAll é o caso à parte nesta lista, e é esse o ponto. É uma API de pesquisa web de recuperação prioritária construída sobre o índice web próprio da Newscatcher, e em vez de devolver uma página de resultados ordenada, analisa a web mais ampla e devolve registos estruturados do que encontrou. A Newscatcher afirma que uma única tarefa analisa mais de 50.000 páginas a um ritmo de aproximadamente 10.000 páginas por minuto, agrupa páginas relacionadas com o algoritmo de Leiden e depois executa uma passagem de validação por LLM para que receba eventos validados em vez de links brutos.
Executei a minha query RAG habitual e rapidamente percebi que estava a usá-la de forma errada. O CatchAll não está a tentar ganhar uma corrida de latência inferior a um segundo — está a tentar encontrar tudo o que é relevante, incluindo imprensa regional, publicações setoriais e documentos regulatórios que um SERP com formato Google enterra na página nove. Numa tarefa de enumeração ("todos os incêndios em armazéns na Europa neste trimestre") encontrou fontes que as APIs baseadas em ranking nunca devolveram. A resposta é um objeto JSON por evento, cada um com citações de fonte e entidades extraídas, que encaixa perfeitamente num pipeline RAG ou num dashboard de monitorização.
import requests
resp = requests.post(
"https://api.newscatcherapi.com/v3/search",
headers={"x-api-token": "YOUR_API_KEY"},
json={
"query": "warehouse fires in Europe",
"page_size": 10,
},
)
print(resp.json())A funcionalidade a que continuo a voltar é o lado da monitorização. Em vez de re-executar a mesma query num loop de cron e fazer o diff dos resultados por si, os Monitors do CatchAll re-executam uma pesquisa num horário e as suas Watchlists pontuam entidades por relevância, para que novos eventos apareçam à medida que são publicados. Para compliance, inteligência competitiva e rastreio de cadeia de abastecimento, é um crawler personalizado que já não precisa de construir. Os preços são baseados em utilização e pagamento por registo validado, com um plano gratuito para testar.
Limites honestos: isto não é um substituto de SERP. O modo profundo "Base" é assíncrono e pode demorar cerca de 15 minutos por tarefa, o modo mais leve "Lite" tem um limite de 100 resultados, e ainda não existe um servidor MCP oficial. Se quer rastreio de posições SEO ou consultas à velocidade de autocomplete, uma API SERP como a SerpAPI ou o Serper é a ferramenta certa. Se quer recuperação abrangente e monitorização contínua, esta é uma abordagem genuinamente diferente. Documentação: Newscatcher CatchAll Web Search API.
4. Brave Search API — Melhor para independência de fornecedor
A Brave Search API é a única grande opção suportada por um índice web totalmente independente, não um revendedor da Bing ou da Google. O plano Data for AI custa $3–$9 por 1.000 queries com 2.000 gratuitas por mês, e a Brave disponibiliza um servidor MCP oficial que encaixa diretamente no Claude Code ou no Cursor. O lançamento da LLM Context API em fevereiro de 2026 é a maior novidade nesta categoria que quase ninguém cobriu.
O que descobri ao executar a Brave com carga de produção é que o índice é menor do que a cauda da Google — sente-se em queries de nicho obscuras — mas a história de privacidade e a ausência de exposição a revendedores torna-a a escolha certa quando um cliente é alérgico a depender da Google. A Brave devolveu resultados em cerca de 0,8 segundos na minha query de teste, só superada pelo Serper.
import requests
resp = requests.get(
"https://api.search.brave.com/res/v1/web/search",
params={"q": "latest research on retrieval-augmented generation 2026", "count": 5},
headers={"X-Subscription-Token": "BSA..."},
)
data = resp.json()
for r in data["web"]["results"]:
print(r["title"], r["url"])A LLM Context API (endpoint separado) devolve os snippets da Brave reformulados como contexto pronto a citar, que é a resposta da Brave à Tavily. É mais recente e menos testada em produção para RAG, por isso manteria a Tavily de reserva. Documentação: Documentação da Brave Search API. Detalhes de MCP no guia do Model Context Protocol.
5. Exa — Melhor para descoberta semântica
A Exa usa um índice neural, o que significa que compreende a sua query como um significado, não um saco de palavras-chave. Pergunte-lhe "papers that argue RAG is obsolete" e obterá exatamente isso, mesmo que nenhum dos resultados contenha essas palavras. O plano base custa cerca de $5 por 1.000 queries mais add-ons de conteúdo, com um crédito de trial de $10 no registo.
No meu benchmark, a Exa devolveu resultados em cerca de 1,18 segundos, o que a torna a opção AI-nativa mais rápida que testei. O truque é que a Exa indexa conteúdo semanticamente com antecedência, pelo que a recuperação neural é mais barata do que re-executar uma query Google mais re-ranking. Se alguma vez tentou construir "encontra-me conteúdo como este" com embeddings por si, a Exa é o que teria construído após seis meses de trabalho.
from exa_py import Exa
exa = Exa("your-api-key")
results = exa.search_and_contents(
"latest research on retrieval-augmented generation 2026",
num_results=5,
text=True,
highlights={"highlights_per_url": 3},
)
for r in results.results:
print(r.title, r.url)Limites honestos: os preços sobem rapidamente quando ativa text e highlights em conjunto, e o índice da Exa fica atrás da Google por horas em notícias de última hora. A documentação da Exa tem a matriz de preços atual.
6. Perplexity Sonar API — Melhor para respostas prontas a exibir
O Perplexity Sonar salta inteiramente a dança de pesquisar-depois-LLM — devolve uma resposta pré-sintetizada com citações inline, como o próprio produto Perplexity. Os preços são por token, cerca de $5 por 1M tokens de input, sem plano mensal gratuito mas com créditos de trial generosos.
A vantagem aqui é para a UX do produto. Se os seus utilizadores finais querem uma resposta ao estilo Perplexity com citações por baixo, não precisa de uma chamada LLM separada. A desvantagem é que não obtém resultados brutos — não pode fazer o seu próprio ranking, a sua própria filtragem ou a sua própria recuperação de acompanhamento. Fica comprometido com o modelo do Sonar e a opinião do Sonar sobre o que importa. A latência ronda os 3 segundos por causa do passo de síntese.
Usaria o Sonar para interfaces de Q&A voltadas para o consumidor e evitá-lo-ia para stacks de agentes onde o LLM a jusante precisa de raciocinar sobre passagens brutas. Documentação: Perplexity Sonar API.
7. Serper.dev — Melhor para agentes otimizados em custo
O Serper é o mais barato com resultados reais da Google na categoria, $0,30 a $1 por 1.000 queries, com 2.500 gratuitas no registo. É um wrapper fino e rápido sobre os resultados de pesquisa da Google, devolvendo apenas snippets. No meu benchmark, o Serper devolveu resultados em cerca de 0,5 segundos, o mais rápido da lista.
Aqui está o truque: emparelhe o Serper com o Jina Reader (r.jina.ai) para extração gratuita de URL-para-Markdown, e tem um stack de pesquisa + extração por cerca de $0,50 por 1.000 queries mais zero custo de extração. Serper + Jina Reader é o melhor stack de $5/1k da categoria, ponto final.
import requests
resp = requests.post(
"https://google.serper.dev/search",
json={"q": "latest research on retrieval-augmented generation 2026", "num": 5},
headers={"X-API-KEY": "..."},
)
for r in resp.json()["organic"]:
print(r["title"], r["link"], r["snippet"])Limites honestos: apenas snippets, sem extração integrada, e os Termos de Serviço da Google continuam a aplicar-se a qualquer coisa que faça a jusante com o conteúdo. Documentação: Serper.dev.
8. Firecrawl Search — Melhor para pesquisa-e-extração numa chamada
O Firecrawl Search combina pesquisa web com extração de página completa devolvida como Markdown pronto para LLM. Os preços começam em $16/mês no plano Hobby com faturação por pesquisa-mais-extração nos planos superiores. É uma das poucas opções que lida bem com páginas renderizadas em JavaScript, o que importa quando metade da web é agora SPAs.
A proposta do Firecrawl é "uma chamada, pronto para o seu prompt." É verdade, e o output em Markdown é limpo — já o usei em pipelines RAG de clientes onde a alternativa era um scraper Playwright personalizado. O senão é que os preços são mais difíceis de prever em escala do que o modelo de preço fixo por pedido da Tavily, e o Firecrawl posiciona-se como #1 nos seus próprios rankings, por isso tome o marketing deles com cautela. Documentação: Firecrawl Search.
9. Google Programmable Search Engine — Melhor para RAG com domínios em lista branca
O Google Custom Search JSON API é, bem, a Google. $5 por 1.000 queries acima da quota gratuita de 100/dia. O senão é que está desenhado para pesquisar "sites que especificar" — aponta-o para uma lista de domínios e a Google pesquisa esses. Pode alternar para pesquisa web ampla, mas os resultados diferem do google.com e perde alguma qualidade.
É a escolha certa quando tem uma lista branca conhecida e autoritativa — digamos, dez revistas médicas para um agente de saúde, ou a documentação do seu cliente em seis subdomínios. A relação sinal-ruído é excelente porque pré-filtrou. Para pesquisa em web aberta, use o Serper. Documentação: Custom Search JSON API.
10. Ferramenta web_search da OpenAI — Melhor se já está no GPT-4o/5
A ferramenta web_search da OpenAI corre dentro do loop de utilização de ferramentas da Responses API e está incluída nos tokens do modelo — sem fornecedor separado, sem chave API extra, sem limite de taxa para acompanhar. Se o seu stack já é GPT-4o ou GPT-5, esta é a opção de menor fricção em toda a lista. Os preços estão incluídos por plano; gratuito no plano incluído na maioria dos planos ChatGPT business.
Quase ninguém cobre isto em artigos de "melhores APIs de pesquisa com IA" porque não se enquadra no modelo de "API de terceiros", mas é a resposta certa para uma grande fatia de equipas. Escreve zero código de infraestrutura — a OpenAI trata da pesquisa, ordena resultados, vai buscar páginas e fornece o conteúdo ao modelo como parte da chamada de ferramenta. O tutorial da Responses API tem a configuração completa.
Limites honestos: fica preso aos modelos da OpenAI, não pode controlar a lista de fontes permitidas e o ranking é opaco. Se alguma vez precisar de migrar para Claude ou open-source, está a reconstruir a camada de pesquisa. Documentação: Ferramenta web_search da OpenAI Responses API.
11. Ferramenta web_search do Claude da Anthropic — Melhor se já está no Claude
A ferramenta web_search da Anthropic replica o padrão da OpenAI: uma ferramenta nativa que corre dentro do loop tool_use do Claude. A diferença está nas citações — o Claude devolve objetos de citação de primeira classe com os URLs que realmente usou, o que é ouro para compliance e confiança. Os preços são $10 por 1.000 pesquisas mais tokens do Claude.
Os $10/1k parecem elevados até notar que o plano Research da Tavily é $8/1k e já está a pagar tokens do Claude independentemente. A ferramenta nativa remove uma relação de fornecedor e consolida a faturação numa única fatura da Anthropic — para equipas enterprise, só isso já vale a pena. Consulte a documentação da ferramenta web_search da Anthropic e o nosso guia mais amplo de tool calling.
Limites honestos: preso ao Claude, taxa por pesquisa em cima dos tokens, e os limites de taxa acompanham o nível do seu modelo Claude. A mesma história de lock-in que a OpenAI — conveniente até precisar de mudar.
12. You.com Search API — Melhor para níveis de profundidade ajustáveis
A You.com Search API permite escolher um nível de profundidade por chamada — "Smart" custa cerca de $0,004 por pedido para resultados rápidos, "Research" custa $0,05 por pedido para síntese mais profunda. O plano gratuito é generoso, e essa ajustabilidade por chamada é o ângulo único: agentes que lidam tanto com consultas rápidas como com perguntas de investigação profunda podem encaminhar em conformidade.
Ainda não implementei a You.com em escala de produção, por isso não a vou vender em excesso. Os níveis de profundidade são inteligentes, a documentação é decente e a comunidade é menor do que a da Tavily/Exa, o que significa menos integrações LangChain e menos respostas no Stack Overflow quando algo falha. Documentação: You.com API.
13. Linkup — Melhor para fontes europeias/multilingues
A Linkup é a API de pesquisa com IA com uma rede de editores premium — assinou acordos com o Le Monde, o Le Figaro e uma lista crescente de publicações europeias. Os preços são €5/1k Standard, €15/1k Deep, com um plano gratuito. Se o seu agente precisa de ancorar respostas em fontes europeias ou multilingues, isto é inigualável na categoria.
Quase nenhum artigo em inglês cobre a Linkup, o que é exatamente a lacuna. Para um cliente que serve mercados franceses ou alemães, o índice da Linkup é genuinamente diferente do que obteria com a Tavily ou a Exa. O compromisso é um índice menor fora de fontes da UE e uma superfície de produto mais recente. Documentação: Linkup.
Três Escolhas Bónus Que Não Deve Ignorar
O Jina Reader (r.jina.ai) é um extrator gratuito de URL-para-Markdown que transforma qualquer URL em conteúdo limpo e pronto para LLM. Acrescente https://r.jina.ai/ a qualquer URL e recebe de volta o texto legível. Emparelhe-o com o Serper para o stack de pesquisa-mais-extração de grau de produção mais barato da categoria. Usamos esta combinação internamente quando os orçamentos dos clientes são apertados. Mais padrões no nosso artigo sobre as melhores ferramentas RAG.
O Parallel Search API é um participante mais recente que foi construído de raiz para agentes — descreve o que procura como um objetivo semântico e o Parallel trata do ranking e da recuperação. Está em acesso beta no momento da escrita, mas o design é opinativo e vale a pena acompanhar. Se a pesquisa declarativa e nativa de agentes é o futuro, o Parallel é a forma inicial disso.
O Bright Data SERP API é SERP de grau enterprise com anti-bloqueio e geo-targeting em 195 países a $1,50 por 1.000 queries. Excessivo para a maioria dos agentes, mas se está a executar monitorização de SERP localizado ou agentes de inteligência competitiva em escala, as capacidades geográficas são inigualáveis. Vale a pena saber que existe.
Tabela de Comparação Rápida
Aqui está a matriz que mantenho aberta quando um cliente pergunta "qual delas?" — doze APIs nas dimensões que realmente decidem a resposta.
| API | Tipo | Preço (1k req) | Plano gratuito | Latência | Servidor MCP | Citações | Melhor para |
|---|---|---|---|---|---|---|---|
| Tavily | AI-nativa | $8 | 1.000/mês | ~2,1s | Comunidade | Sim | RAG com citações |
| SerpAPI | Wrapper SERP | $50/5k | 100 trial | ~1,2s | Comunidade | Apenas snippets | Cobertura SERP multi-motor |
| CatchAll | Índice de recuperação prioritária | Baseado em utilização | 2.000 créditos | Lite ~seg / Base ~15 min | Não | Sim (estruturadas) | Alta recuperação + monitorização |
| Brave | Índice independente | $3–9 | 2.000/mês | ~0,8s | Oficial | Sim (LLM Context) | Independência de fornecedor |
| Exa | AI-nativa (neural) | ~$5 | $10 crédito | ~1,18s | Oficial | Sim | Descoberta semântica |
| Perplexity Sonar | AI-nativa | Por token | Nenhum | ~3s | Não | Sim (sintetizadas) | Respostas prontas a exibir |
| Serper | Wrapper Google | $0,30–$1 | 2.500 | ~0,5s | Comunidade | Apenas snippets | Otimizado em custo |
| Firecrawl Search | AI-nativa | Por req | Sim | ~1,5s | Oficial | Sim | Pesquisa + extração |
| Google PSE | Google (limitado) | $5 | 100/dia | ~0,7s | Não | Apenas snippets | RAG com lista branca |
| OpenAI web_search | Ferramenta nativa | Incluído | Por plano | Latência do modelo | N/D | Sim | Utilizadores OpenAI |
| Claude web_search | Ferramenta nativa | $10 | Nenhum | Latência do modelo | N/D | Sim | Utilizadores Claude |
| You.com | AI-nativa | $0,004–$0,05 | Generoso | ~1s | Não | Sim | Profundidade ajustável |
| Linkup | AI-nativa (premium) | €5–€15 | Sim | ~1,5s | Não | Sim | UE/multilingue |
Os números de latência acima — ~0,8s, 1,18s, 0,5s e 2,1s — vêm de uma mistura das minhas próprias execuções e do AIMultiple Agentic Search Benchmark 2026, que é o benchmark independente mais rigoroso que encontrei.
Preços e Planos Gratuitos Comparados
Sim, várias APIs de pesquisa com IA oferecem planos gratuitos reais em 2026. A Tavily dá 1.000 pedidos/mês gratuitos, a Brave dá 2.000/mês, o Serper dá 2.500 de uma vez e a Exa dá um crédito de $10. Se está a prototipar um agente hoje, pode lançar um demo funcional por $0 empilhando planos gratuitos de dois ou três fornecedores.
Para além dos planos gratuitos, o preço bruto por 1.000 queries varia numa ordem de grandeza. Aqui está o mapa de custos real — útil quando um CFO pergunta "porque estamos a pagar por pesquisa?" ou quando está a tentar reduzir custos de APIs de LLM em todo o stack.
"Cost per 1,000 queries — AI search APIs 2026"
Tabela de dados
| "USD per 1,000 queries" | "Standard tier" |
|---|---|
| "Serper" | 0.5 |
| "Bright Data SERP" | 1.5 |
| "Brave (Data for AI)" | 5 |
| "Google PSE" | 5 |
| "Linkup (Standard)" | 5.5 |
| "Exa" | 5 |
| "Tavily (Research)" | 8 |
| "Anthropic web_search" | 10 |
| "SerpAPI" | 10 |
| "Linkup (Deep)" | 16.5 |
Preços entre fornecedores verificados com o tracker Awesome Agents, Search API Pricing 2026, que agrega as páginas de preços atuais dos fornecedores semanalmente.
Matriz de Disponibilidade de Servidores MCP
Se está a construir dentro do Claude Code, Cursor ou Windsurf, a disponibilidade de MCP é o maior fator de decisão — uma API com um servidor oficial de Model Context Protocol poupa-lhe uma noite a embrulhar ferramentas e vem com tratamento de erros testado em batalha. Neste momento, apenas três fornecedores disponibilizam servidores MCP oficiais; os restantes são ports da comunidade de qualidade variável.
| API | MCP Oficial | MCP Comunidade | Notas |
|---|---|---|---|
| Brave Search | Sim | — | Primeira classe, mantido pela Brave |
| Exa | Sim | — | Oficial, indexado no registo do Cursor |
| Firecrawl | Sim | — | Incluído no Firecrawl Cloud |
| Tavily | — | Vários | Vários ports comunitários sólidos |
| Serper | — | Vários | Wrappers comunitários em TypeScript e Python |
| SerpAPI | — | Um | Mantido pela comunidade, pouco testado |
| Perplexity | — | — | Sem MCP, usar a REST API |
| Google PSE | — | — | Nenhum |
| You.com | — | — | Nenhum |
| Linkup | — | — | Nenhum |
| CatchAll | — | — | Apenas REST (v3/search), sem servidor MCP ainda |
| OpenAI web_search | N/D | N/D | Ferramenta nativa, não precisa de MCP |
| Claude web_search | N/D | N/D | Ferramenta nativa, não precisa de MCP |
Se já está no Claude Code, escolher uma API com um servidor MCP oficial poupa-lhe uma noite a embrulhar ferramentas. Brave + Claude Code é a combinação mais fluida que implementei em 2026 — três linhas no mcp.json e está feito.
Formato de Resposta JSON: Lado a Lado
Ler alguns formatos de resposta durante uma tarde ensina-lhe mais sobre uma API do que uma semana de páginas de marketing. Aqui estão as respostas JSON reais truncadas da Tavily, Exa, Brave e CatchAll, com as chaves que importam destacadas.
Tavily — note que results[].content é o texto limpo da página, pronto a inserir num prompt:
{
"query": "latest research on retrieval-augmented generation 2026",
"answer": "Recent 2026 research on RAG focuses on...",
"results": [
{
"title": "RAG in 2026: What's Changed",
"url": "https://example.com/rag-2026",
"content": "Retrieval-augmented generation has evolved...",
"score": 0.92,
"raw_content": null
}
]
}Exa — note as chaves text e highlights, e o score neural:
{
"results": [
{
"title": "Recent Advances in RAG",
"url": "https://example.com/rag-advances",
"id": "https://example.com/rag-advances",
"score": 0.89,
"text": "We survey 2026 retrieval-augmented...",
"highlights": ["RAG hybrid retrieval", "long-context tradeoffs"]
}
]
}Brave — note o web.results[].description aninhado e a ausência de conteúdo completo da página (vai buscar separadamente, ou usa o endpoint LLM Context):
{
"web": {
"results": [
{
"title": "RAG 2026: A Survey",
"url": "https://example.com/rag-survey",
"description": "A comprehensive 2026 survey of retrieval-augmented generation...",
"age": "2 days ago"
}
]
}
}CatchAll — note que cada item é um evento validado com entities extraídas e source_citations, não um único link ordenado:
{
"events": [
{
"event_id": "evt_8f21c",
"title": "Warehouse fire disrupts logistics hub near Rotterdam",
"summary": "A large fire broke out at a distribution warehouse...",
"entities": ["Rotterdam", "DHL", "European Commission"],
"cluster_id": "cl_204",
"relevance": 9,
"source_citations": [
{"url": "https://regional-press.example/fire-rotterdam", "published": "2026-06-28"},
{"url": "https://trade-pub.example/logistics-alert", "published": "2026-06-28"}
]
}
]
}As diferenças de formato importam para o código: o results[].content da Tavily é o que usa no prompt, o results[].text da Exa mais highlights permite-lhe comprimir antes do prompt, o web.results[].description da Brave é um snippet que vai querer re-obter ou enviar pela LLM Context API, e o events[].source_citations do CatchAll mais entities entrega-lhe um conjunto de registos validados e deduplicados em vez de uma página de resultados que ainda tem de limpar.
Custo Total do Sistema: Não É Só a Taxa de Pesquisa
Um erro comum é comparar apenas o preço da API de pesquisa. O custo real de um agente com pesquisa aumentada é pesquisa + extração + tokens de LLM, e a API de pesquisa barata frequentemente custa-lhe mais em tokens do que poupou na pesquisa.
Faça as contas para uma carga de trabalho de agente com 1.000 queries: Serper a $0,50 mais Jina Reader (gratuito) mais Claude Sonnet a ~$0,01 por query para sumarização de snippets = aproximadamente $10,50 no total. Tavily a $8 com extração incluída e conteúdo em formato de citação precisa de menos trabalho de LLM, talvez $0,004 por query para o prompt menor, ficando em torno de $12 no total. A Tavily parece 16x mais cara na linha da API e acaba 14% mais cara na linha do sistema. Não é nada, mas não é a diferença que esperaria.
Onde isto fica interessante: a Exa com recuperação neural poupa-lhe inteiramente o trabalho de re-ranking do lado do LLM, porque os resultados já estão semanticamente ordenados. Se o seu agente estava a fazer rerank-depois-resumir com snippets do Serper, a Exa pode comprimir isso para uma única chamada LLM. Reduzimos custos de agentes de clientes em 30% ao mudar para a Exa nas cargas de trabalho certas — as cargas de trabalho erradas, como consultas de notícias de última hora, continuamos a enviar para o Serper.
Se está a empilhar múltiplos fornecedores de LLM atrás de um único agente, um gateway LLM (LiteLLM, OpenRouter) em cima da sua API de pesquisa é a forma mais limpa de manter o custo total do sistema observável.
Como Escolher: Uma Matriz de Decisão
Não existe um "melhor" único — a escolha certa depende do que o seu agente realmente faz depois de a pesquisa voltar. Aqui está a matriz de decisão que uso com clientes, mantida curta de propósito.
| Se precisa de… | Escolha | Porquê |
|---|---|---|
| RAG com citações, mínimo trabalho de desenvolvimento | Tavily | Extração incluída + formato de citação |
| Semântica / "encontra-me conteúdo como este" | Exa | Pesquisa neural sobre páginas completas |
| Independência de fornecedor + privacidade | Brave Search API | Índice próprio, MCP nativo |
| Resposta pré-sintetizada para utilizadores finais | Perplexity Sonar | Citações + resposta, zero chamada LLM |
| Menor custo por query | Serper + Jina Reader | $0,50/1k + extração gratuita |
| Já está no GPT/Claude | OpenAI ou Anthropic web_search | Zero infra, ferramenta nativa |
| Fontes europeias / multilingues | Linkup | Rede de editores premium |
| RAG com domínios em lista branca | Google PSE | Melhor sinal numa lista curada |
| Riqueza de funcionalidades SERP | SerpAPI | 30+ motores, parsing mais profundo |
| Alta recuperação, enumeração ou monitorização web contínua | CatchAll | Índice de recuperação prioritária + Monitors agendados |
| Agente de longa duração com memória de agente | Brave ou Tavily + caching | Índice estável, formato de citação |
Se está a começar do zero hoje e tem uma tarde, execute a sua query real na Tavily, Brave e Responses API da OpenAI com web_search ativado. A resposta certa normalmente anuncia-se nos primeiros dez resultados.
Perguntas Frequentes
Qual é a melhor API de pesquisa para agentes de IA em 2026?
Para a maioria das equipas a construir agentes RAG, a Tavily é o melhor padrão — combina pesquisa, extração de conteúdo e respostas em formato de citação numa única chamada, integra-se nativamente com LangChain e LlamaIndex e oferece 1.000 pedidos gratuitos por mês. Se precisa de descoberta semântica em vez de pesquisa por palavras-chave, mude para a Exa. Se precisa de independência de fornecedor, mude para a Brave. Se precisa de recuperação máxima ou monitorização web contínua, veja o CatchAll.
O que substituiu a Bing Search API?
A Bing Search API foi descontinuada a 11 de agosto de 2025, e a Microsoft redirecionou os programadores para o "Grounding with Bing Search" dentro do Azure AI Agents, com um aumento de preço de 40 a 483%. A maioria das equipas migrou para alternativas AI-nativas: Tavily, Exa, Brave Search API ou Serper. O aviso oficial de descontinuação da Microsoft está na página de anúncios de ciclo de vida.
Existe uma API de pesquisa com IA gratuita?
Sim, várias. A Tavily dá 1.000 pedidos por mês gratuitos, a Brave Search API dá 2.000 pedidos por mês gratuitos, o Serper dá 2.500 queries gratuitas no registo e a Exa dá um crédito de trial de $10. Pode prototipar um agente funcional por $0 combinando dois ou três planos gratuitos entre fornecedores, e depois fazer upgrade quando lançar.
Como é que a Exa difere da Tavily?
A Exa usa um índice neural — compreende queries como significados, por isso destaca-se em "encontrar conteúdo como este" e prompts descritivos. A Tavily usa pesquisa por palavras-chave mais extração e formatação de citações, o que é melhor para ancoragem de factos e RAG. A Exa é mais rápida (cerca de 1,18s vs 2,1s) e mais barata no plano base; a Tavily é mais fácil de integrar com LangChain/LlamaIndex e fornece conteúdo pronto a citar.
Qual é a melhor API de pesquisa com IA para alta recuperação e monitorização web?
Se o seu problema é "encontrar todas as fontes relevantes" ou "avisar-me no momento em que algo novo acontece," veja o CatchAll. Em vez de devolver uma página de resultados ordenada, analisa dezenas de milhares de páginas por tarefa, agrupa-as e valida-as, e devolve registos de eventos estruturados com citações de fonte. Os seus Monitors re-executam uma pesquisa num horário e as suas Watchlists pontuam entidades por relevância, pelo que funciona também como camada de monitorização para compliance, inteligência competitiva e rastreio de cadeia de abastecimento — tarefas onde uma API SERP normal o obrigaria a construir o seu próprio crawler. O compromisso é a latência: o seu modo profundo corre de forma assíncrona, pelo que não é a escolha para consultas à velocidade de autocomplete.
Que API de pesquisa é que o Perplexity usa?
O Perplexity usa a sua própria infraestrutura de pesquisa proprietária. Para programadores, expõe isto através da Sonar API, que devolve uma resposta pré-sintetizada com citações inline, não resultados de pesquisa brutos. Os preços são por token (cerca de $5 por 1M tokens de input). Use o Sonar quando quer output ao estilo Perplexity no seu produto; use a Tavily ou a Exa quando quer resultados brutos para um agente personalizado.
Posso usar a Pesquisa Google dentro de uma app LLM?
Sim, três caminhos. O Google Custom Search JSON API (Programmable Search Engine) é a via oficial a $5 por 1.000 queries com um plano gratuito de 100/dia, limitado a domínios que especificar. O Serper e a SerpAPI são wrappers de terceiros que devolvem resultados da Google sem a restrição de domínio. O scraping direto do google.com viola os termos de serviço da Google e vai resultar em limitação de taxa ou bloqueio.
Qual é a API de pesquisa com IA mais barata para agentes?
O Serper a $0,30–$1 por 1.000 queries é a opção mais barata com resultados reais da Google. Emparelhado com o Jina Reader para extração gratuita de URL-para-Markdown, é o stack de pesquisa-mais-extração de grau de produção mais barato — aproximadamente $0,50 por 1.000 queries no total. O senão: está a pagar tokens de LLM para resumir os snippets, pelo que o custo total do sistema depende de quão pesado é o seu modelo a jusante.
Estas APIs funcionam com LangChain e LlamaIndex?
A maioria sim. Tavily, Exa, Brave, Serper, SerpAPI, Perplexity Sonar e You.com têm todas integrações LangChain de primeira parte ou comunitárias, e a maioria também tem packs LlamaIndex. A Tavily é a mais fortemente integrada com o LangChain — vem como ferramenta integrada. Consulte o nosso artigo sobre as melhores ferramentas RAG para o mapa de integração mais amplo no ecossistema LangChain.
Quais APIs de pesquisa com IA têm um servidor MCP oficial?
Três fornecedores disponibilizam servidores MCP oficiais em 2026: Brave Search, Exa e Firecrawl. Várias outras — Tavily, Serper, SerpAPI — têm servidores MCP comunitários bem mantidos. Perplexity, Google PSE, You.com e Linkup ainda não têm suporte MCP. Se está a construir dentro do Claude Code ou Cursor, prefira um servidor oficial. Mais no Model Context Protocol.
Devo usar uma API de pesquisa ou a ferramenta nativa web_search da OpenAI/Claude?
Se o seu stack inteiro está preso a um fornecedor de modelo, use a ferramenta nativa — zero infraestrutura, menos um fornecedor, faturação mais simples. Se pode vir a mudar de modelos, use uma API de terceiros como a Tavily ou a Brave para que a camada de pesquisa sobreviva à migração. A ferramenta da OpenAI está incluída nos tokens do modelo; a da Anthropic custa $10 por 1.000 pesquisas mais tokens. Consulte o tutorial da Responses API para a configuração nativa da OpenAI.
Como a Techsy Constrói Stacks de Pesquisa para Agentes
Construímos stacks de agentes de produção para clientes — pipelines RAG, agentes de investigação, assistentes voltados para o cliente — e a camada de pesquisa é geralmente a primeira decisão que tomamos. Os nossos padrões: Tavily para RAG com muitas citações onde a resposta precisa de apontar para as fontes, Serper + Jina Reader para agentes com orçamento apertado onde o LLM a jusante é forte o suficiente para comprimir snippets, e Brave Search API quando o cliente quer independência de fornecedor ou está a implementar dentro do Claude Code com MCP.
Não vendemos uma API de pesquisa nós próprios, que é o ponto — as escolhas acima são o que recomendaríamos numa chamada de terça-feira independentemente de quem está a pagar. Se está preso em qual se encaixa no seu agente, marque uma consulta gratuita e vamos guiá-lo pelos compromissos em relação à sua carga de trabalho real.
Conclusão
A Bing morreu, o mercado dividiu-se em três níveis (AI-nativas, índice independente, wrappers de SERP), e as três escolhas de topo são a Tavily para RAG ancorado em citações, a SerpAPI para dados SERP multi-motor profundos e o CatchAll para pesquisa de alta recuperação e monitorização, com a Brave e a Exa logo atrás e as ferramentas nativas web_search da OpenAI e da Anthropic à espera nos bastidores se já está preso a um fornecedor de modelo. Não existe escolha perfeita, e quem lhe vende "a melhor" sem perguntar o que o seu agente realmente faz está a vender-lhe algo.
Se está a começar do zero hoje, abriria três separadores — Tavily, Brave e Responses API da OpenAI — e executaria a sua query real nos três antes de pagar um cêntimo a quem quer que seja. O certo anuncia-se na primeira dúzia de resultados. Tem uma carga de trabalho que não se encaixa em nenhuma das escolhas acima? Deixe um comentário ou envie-nos uma mensagem — lemos todas, e a próxima versão deste artigo provavelmente deve a sua atualização ao seu caso limite estranho.