✓ Überlebt Platz 1 von 5 VorschlägenIndie KI-Infrastruktur 18. Okt. 2026

Benchmark- und Routing-Schicht für Agent-Search-APIs

Benchmarkt laufend Web-Search- und Fetch-APIs nach Qualität, Preis und Fetch-Erfolgsquote und leitet jede Agent-Anfrage an den jeweils besten Anbieter weiter.

Diskussion öffnen ↗

Ein fertiges Briefing für Claude Code, Cursor oder jeden anderen Coding-Agenten (auf Englisch).

I want to build a small, bootstrappable product. Help me plan and start the MVP.

Product: Benchmark and routing layer for agent search APIs
What it is: Continuously benchmarks web search/fetch APIs on quality, price and fetch success, then routes each agent query to the best provider.
Who pays: Platform/AI engineers at agent and RAG startups spending $500-5,000/mo across Tavily/Exa/Brave/DeepSeek/Jina; $99-499/mo from the existing search-API budget line they already have.
Closest alternatives: Artificial Analysis (static benchmarks, no routing), LiteLLM/OpenRouter (route LLMs, not search/fetch APIs), Exa/Tavily/Parallel (single providers, no cross-provider choice)
The gap: Benchmark sites are read-only snapshots and LLM routers ignore the search/fetch layer; nobody offers live quality-plus-price evaluation with automatic per-query routing across search and fetch providers.
Why now: In the last ~12 months the agent search-API market fragmented (DeepSeek at $0.75/1k, Brave $5, Kagi $12, Exa premium, Parallel, Jina free tier), so choosing and re-choosing providers became a recurring engineering chore that did not exist before.
Moat to build toward: Compounding benchmark corpus and per-domain fetch success-rate data (which provider actually returns usable content for which sites) improves routing over time and is costly to replicate.
Biggest risk: Target customers are extremely price-sensitive (thread obsesses over $0.75 vs $5 per 1k), so a paid middleware may be rejected in favor of free DIY scripts and open-source kits like searxng-ai-kit.

First three steps:
1. Build a harness that runs a fixed query/URL set weekly against 6+ search/fetch APIs and scores cost, latency, content quality and anti-bot failures.
2. Publish a public leaderboard page to capture SEO and email signups from agent developers.
3. Ship a paid proxy endpoint that accepts a search/fetch request and routes it to the best-scoring provider per query type, with usage and savings reporting.

Start by asking me up to five questions about constraints (stack, budget, timeline), then propose the smallest version a paying customer would use, and scaffold it.

Gesamt6.2/10

Schmerz6

Zahlungsbereitschaft5

Timing7

Marktlücke7

Burggraben6

Machbarkeit7

Dafür

Wer zahlt

Platform- und AI-Engineers bei Agent- und RAG-Startups, die 500 bis 5.000 USD pro Monat für Tavily, Exa, Brave, DeepSeek oder Jina ausgeben; 99 bis 499 USD pro Monat aus dem bestehenden Search-API-Budget.

Was die Leute sagten · 4

Ein Kommentator hat eigene Fetch-Benchmarks durchgeführt und festgestellt, dass die Qualität von DeepSeek im Vergleich zu Jina, Parallel, Firecrawl, Tavily und Exa schwach ist. Das deutet darauf hin, dass alle Anbieter selbst getestet werden müssen. Kommentar lesen ↗
Ein Kommentator verweist auf eine Drittanbieter-Übersicht der Kosten pro 1.000 Suchanfragen. Das zeigt, dass Kunden aktiv nach Preisvergleichen suchen. Kommentar lesen ↗
Ein Kommentator hat eigene Search- und Fetch-MCP-Tools auf Basis von Scraping gebaut, weil integrierte Angebote etwa 15- bis 20-mal so teuer sind. Das ist ein aufwendiger Eigenbau als Workaround. Kommentar lesen ↗
Ein Kommentator zahlt gezielt einen Aufpreis für Exa wegen eines besseren Signal-Rausch-Verhältnisses bei der Recherche und eines längeren Query-Feldes. Das zeigt, dass Abwägungen zwischen Qualität und Preis echte Ausgaben auslösen. Kommentar lesen ↗

Sinngemäß aus der Diskussion wiedergegeben. Die Links führen zu den Originalkommentaren.

Wettbewerber und Lücke

Artificial Analysis (static benchmarks, no routing)LiteLLM/OpenRouter (route LLMs, not search/fetch APIs)Exa/Tavily/Parallel (single providers, no cross-provider choice)

Benchmark-Seiten sind statische Momentaufnahmen, und LLM-Router lassen die Search- und Fetch-Schicht außen vor. Niemand bietet eine laufende Bewertung von Qualität und Preis mit automatischem Routing pro Anfrage über Search- und Fetch-Anbieter hinweg.

Warum jetzt

In den letzten etwa zwölf Monaten ist der Markt für Agent-Search-APIs stark fragmentiert (DeepSeek mit 0,75 USD pro 1.000 Anfragen, Brave mit 5 USD, Kagi mit 12 USD, Exa im Premium-Segment, Parallel, Jina mit kostenlosem Tarif). Die Wahl und ständige Neubewertung von Anbietern ist dadurch zu einer wiederkehrenden Engineering-Aufgabe geworden, die es vorher so nicht gab.

Burggraben · 6/10

Ein wachsender Benchmark-Datensatz und Erfolgsquoten pro Domain (welcher Anbieter liefert für welche Seiten brauchbare Inhalte) verbessern das Routing mit der Zeit und sind teuer zu replizieren.

Dagegen

Red Team: Laufendes Benchmarking von Qualität und Preis mit automatischem Routing über fragmentierte Search- und Fetch-APIs ist eine echte, erst kürzlich entstandene Aufgabe, die kein etablierter Anbieter abdeckt (Artificial Analysis ist rein lesend, LiteLLM ignoriert Search). Kunden zahlen bereits für diese APIs.
Woran es scheitern würde: Die Zielkunden sind extrem preissensibel (der Thread dreht sich stark um 0,75 USD gegenüber 5 USD pro 1.000 Anfragen). Eine kostenpflichtige Middleware könnte deshalb zugunsten kostenloser Eigenbau-Skripte und Open-Source-Kits wie searxng-ai-kit abgelehnt werden.

Start

Die ersten drei Schritte: Ein Harness bauen, das wöchentlich einen festen Satz von Queries und URLs gegen mindestens sechs Search- und Fetch-APIs laufen lässt und Kosten, Latenz, Inhaltsqualität und Fehler durch Anti-Bot-Maßnahmen bewertet.
Eine öffentliche Leaderboard-Seite veröffentlichen, um SEO-Traffic und E-Mail-Anmeldungen von Agent-Entwicklern zu gewinnen.
Einen kostenpflichtigen Proxy-Endpunkt bereitstellen, der eine Search- oder Fetch-Anfrage entgegennimmt und pro Anfragetyp an den bestbewerteten Anbieter weiterleitet, mit Nutzungs- und Einsparungsreporting.
Ursprüngliche Diskussion: DeepSeek search and fetch – $0.75 per 1000 successful requests ↗ 477 Punkte233 KommentareAus den KommentarenVerlinkter Artikel

Aus dem Englischen übersetzt. Original lesen