Web-Such-API Schnellstart: Integration in Minuten

llmwebsearchapi.com›authentication-base-url

Authentifizierung & Basis-URL

Um die API zu nutzen, benötigst du einen API-Schlüssel. Melde dich auf der Seite API-Schlüssel erhalten nur mit E-Mail und Passwort an. Dein Schlüssel erscheint sofort. Für das Testguthaben ist keine Kreditkarte erforderlich. Verwende die Basis-URL https://api.llmwebsearchapi.com/v1 mit jedem OpenAI-kompatiblen Client. Die Modell-ID ist uncensored. Dieses Modell ist ein Open-Weight-Modell und darauf abgestimmt, ohne Ablehnungen auf legale Erwachsenenthemen, fiktionale oder kontroverse Themen zu antworten. Es ist kein GPT, Claude oder ein Modell eines anderen Anbieters.

llmwebsearchapi.com›basic-chat-completion-request

Einfache Chat-Vervollständigungsanfrage

Sende eine Standard-Chat-Vervollständigungsanfrage, um Text aus Suchergebnissen zu extrahieren. Die API akzeptiert messages und gibt eine Vervollständigung zurück. Verwende das Modell uncensored, um sicherzustellen, dass keine Inhaltsfilter deine Daten blockieren. Der Anfragetextkörper unterstützt bis zu 8 MB. Unten findest du ein cURL-Beispiel für eine einfache Extraktionsaufgabe.

Copycurl https://api.llmwebsearchapi.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Write a blunt product review of a cheap VPN."}]
  }'

Die Antwort enthält den generierten Text, den du dann an den Speicher oder die Zusammenfassungsebene deines Agents übergeben kannst.

llmwebsearchapi.com›sdk-examples-for-python-and-javascript

SDK-Beispiele für Python und JavaScript

Verwende die offiziellen OpenAI-SDKs für Python und Node.js. Setze die base_url auf unseren Endpunkt und gib deinen API-Schlüssel an. Das Python-SDK verarbeitet Streaming und JSON-Parsing automatisch. Das Node-SDK funktioniert ähnlich. Unten findest du ein Python-Beispiel, das zeigt, wie der Client initialisiert und eine Anfrage gesendet wird.

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.llmwebsearchapi.com/v1", api_key="YOUR_KEY")

resp = client.chat.completions.create(
    model="uncensored",
    messages=[{"role": "user", "content": "Summarise this thread without softening it."}],
)
print(resp.choices[0].message.content)

Für JavaScript ist die Einrichtung nahezu identisch. Setze die Umgebungsvariable oder gib den Schlüssel direkt an. Die Modell-ID bleibt uncensored.

Copyimport OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://api.llmwebsearchapi.com/v1", apiKey: process.env.API_KEY });

const resp = await client.chat.completions.create({
  model: "uncensored",
  messages: [{ role: "user", content: "Draft a villain monologue for my game." }],
});
console.log(resp.choices[0].message.content);

llmwebsearchapi.com›Streaming-Antworten für Echtzeitverarbeitung

Streaming-Antworten für Echtzeitverarbeitung

Aktiviere Streaming, indem du stream: true in deiner Anfrage festlegst. Die API gibt Server-Sent Events (SSE) Token zurück. Dies ist nützlich für die Echtzeitverarbeitung langer Suchergebnisse. Du kannst Token anzeigen, sobald sie eintreffen, oder sie für die spätere Nutzung ansammeln. Das Streaming-Antwortformat entspricht dem OpenAI-Standard. Unten findest du ein Streaming-Beispiel mit cURL.

Copystream = client.chat.completions.create(
    model="uncensored",
    messages=[{"role": "user", "content": "Tell the story in second person."}],
    stream=True,
)
for chunk in stream:
    if chunk.choices and chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)

Analysiere das Feld data in jeder SSE-Nachricht, um den partiellen Text zu erhalten.

llmwebsearchapi.com›Function Calling zur Strukturierung von Suchergebnissen

Tool-Calling zur Strukturierung von Suchergebnissen

Nutze Tool-Calling, um extrahierte Daten zu strukturieren. Definiere ein Schema für deine gewünschte Ausgabe, z. B. eine Liste von URLs oder ein Zusammenfassungsobjekt. Die API gibt strukturiertes JSON zurück, das deinem Schema entspricht. Dies ist ideal, um den Speicher von AI-Agents mit sauberen, typisierten Daten zu füllen. Definiere das Tool im Parameter tools und gib den Funktionsnamen an. Das Modell antwortet mit einem Funktionsaufruf-Objekt. Du kannst die Funktion dann ausführen oder das Ergebnis direkt speichern.

llmwebsearchapi.com›Umgang mit Kontextfenstern bei langen Suchen

Umgang mit Kontextfenstern bei langen Suchen

Das Kontextfenster umfasst 100.000 Token für Prompt plus Vervollständigung. Wenn deine Suchergebnisse dies überschreiten, musst du sie kürzen oder zusammenfassen, bevor du sie sendest. Die API verarbeitet lange Kontexte nicht automatisch. Sende nur den relevanten Text, um innerhalb der Grenzen zu bleiben. Wenn du das Limit überschreitest, erhältst du einen Fehler. Überwache deine Token-Nutzung, um unerwartete Kosten zu vermeiden. Der Preis beträgt 0,25 $ pro 1 Mio. Input-Token und 1,00 $ pro 1 Mio. Output-Token.

llmwebsearchapi.com›rate-limits-and-error-codes

Ratenlimits und Fehlercodes

Das Ratenlimit beträgt 300 Anfragen pro Minute pro Schlüssel. Das Limit für den Anfragetextkörper beträgt 8 MB. Wenn du einen ungültigen Schlüssel sendest, erhältst du einen 401-Fehler. Wenn du kein Guthaben hast, erhältst du einen 402-Fehler. Wenn du das Ratenlimit überschreitest, erhältst du einen 429-Fehler. Generiere deinen Schlüssel jederzeit neu, um den alten zu widerrufen. Jedes Konto hat einen Schlüssel. Das Testguthaben verfällt nach 7 Tagen. Die Aufladung beginnt bei 10 $ mit Optionen für Bonusguthaben.