✓ Retenue 1e sur 5 proposéesIndie Infrastructure IA 18 oct. 2026

Couche de benchmark et de routage pour les API de recherche d'agents

Benchmark continu des API de recherche et de fetch web sur la qualité, le prix et le taux de réussite du fetch, puis routage de chaque requête d'agent vers le meilleur fournisseur.

Ouvrir la discussion ↗

Un brief prêt à coller dans Claude Code, Cursor ou tout agent de code (en anglais).

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.

Global6.2/10

Douleur6

Volonté de payer5

Timing7

Manque7

Avantage défensif6

Faisabilité7

Pour

Qui paie

Ingénieurs plateforme et IA dans les startups d'agents et de RAG qui dépensent 500 à 5 000 $/mois sur Tavily, Exa, Brave, DeepSeek et Jina ; 99 à 499 $/mois prélevés sur la ligne budgétaire API de recherche qu'ils ont déjà.

Ce que les gens ont dit · 4

Un commentateur a fait ses propres benchmarks de fetch et a trouvé que la qualité de DeepSeek était insuffisante par rapport à Jina, Parallel, Firecrawl, Tavily et Exa, ce qui implique que chacun doit tester lui-même les fournisseurs. Lire le commentaire ↗
Un commentateur cite une compilation tierce des coûts par tranche de 1 000 requêtes des API de recherche, ce qui montre que les acheteurs cherchent activement des comparatifs de prix. Lire le commentaire ↗
Un commentateur a développé à la main ses propres outils MCP de recherche et de fetch en scrapant les fournisseurs, car les offres intégrées coûtent 15 à 20 fois plus cher, un contournement coûteux. Lire le commentaire ↗
Un commentateur paie une prime pour Exa spécifiquement pour un meilleur rapport signal/bruit et un champ de requête plus long, ce qui montre que les arbitrages qualité-prix génèrent de vraies dépenses. Lire le commentaire ↗

Reformulé à partir de la discussion. Suivez les liens pour lire les commentaires d'origine.

Concurrents et manque

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

Les sites de benchmark sont des instantanés en lecture seule et les routeurs de LLM ignorent la couche recherche/fetch ; personne ne propose d'évaluation en direct qualité-plus-prix avec routage automatique par requête entre fournisseurs de recherche et de fetch.

Pourquoi maintenant

Au cours des 12 derniers mois, le marché des API de recherche pour agents s'est fragmenté (DeepSeek à 0,75 $/1k, Brave à 5 $, Kagi à 12 $, Exa premium, Parallel, offre gratuite de Jina), si bien que choisir et rechoisir un fournisseur est devenu une corvée récurrente pour les ingénieurs, ce qui n'existait pas auparavant.

Avantage défensif · 6/10

Un corpus de benchmarks qui s'enrichit et des données de taux de réussite du fetch par domaine (quel fournisseur renvoie réellement un contenu exploitable pour quels sites) améliorent le routage avec le temps et sont coûteux à reproduire.

Contre

Équipe rouge: Le benchmark en direct qualité-plus-prix avec routage automatique entre des API de recherche et de fetch fragmentées est une corvée réelle et nouvelle qu'aucun acteur en place ne couvre (Artificial Analysis est en lecture seule, LiteLLM ignore la recherche), et les acheteurs paient déjà ces API.
Ce qui la ferait échouer: Les clients visés sont extrêmement sensibles au prix (le fil de discussion s'attarde sur 0,75 $ contre 5 $ pour 1k), donc un middleware payant pourrait être refusé au profit de scripts maison gratuits et de kits open source comme searxng-ai-kit.

Démarrer

Les trois premières étapes: Construire un outil qui exécute chaque semaine un jeu fixe de requêtes et d'URL sur 6 API de recherche/fetch ou plus, et note le coût, la latence, la qualité du contenu et les échecs face aux protections anti-bot.
Publier une page de classement publique pour capter le référencement et les inscriptions par e-mail des développeurs d'agents.
Lancer un endpoint proxy payant qui accepte une requête de recherche/fetch et la route vers le fournisseur le mieux noté par type de requête, avec un reporting d'usage et d'économies.
Discussion d'origine: DeepSeek search and fetch – $0.75 per 1000 successful requests ↗ 477 points233 commentairesDes commentairesArticle lié

Traduit de l'anglais. Lire l'original