✓ Sobreviveu 1º de 5 propostasIndie Infraestrutura de IA 18 de out. de 2026

Camada de benchmark e roteamento para APIs de busca de agentes

Faz benchmark contínuo de APIs de busca e fetch na web por qualidade, preço e taxa de sucesso no fetch, e roteia cada consulta do agente para o provedor com melhor desempenho.

Abrir a discussão ↗

Um briefing pronto para colar no Claude Code, Cursor ou qualquer agente de programação (em inglês).

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.

Geral6.2/10

Dor6

Disposição a pagar5

Momento7

Lacuna7

Fosso6

Viabilidade7

A favor

Quem paga

Engenheiros de plataforma e de IA em startups de agentes e RAG que gastam de $500 a $5.000/mês com Tavily, Exa, Brave, DeepSeek e Jina; pagamento de $99 a $499/mês vindo da linha de orçamento que já existe para APIs de busca.

O que as pessoas disseram · 4

Um comentarista rodou benchmarks próprios de fetch e concluiu que a qualidade do DeepSeek fica abaixo de Jina, Parallel, Firecrawl, Tavily e Exa, o que sugere que todos precisam testar os provedores por conta própria. Ler o comentário ↗
Um comentarista aponta uma compilação de terceiros com o custo por 1.000 consultas em APIs de busca, mostrando que compradores buscam ativamente comparações de preço. Ler o comentário ↗
Um comentarista criou suas próprias ferramentas MCP de busca e fetch com scraping dos provedores porque as ofertas integradas custavam de 15 a 20 vezes mais, um contorno caro feito à mão. Ler o comentário ↗
Um comentarista paga um valor acima do normal pelo Exa especificamente por uma relação sinal-ruído melhor na recuperação e por um campo de consulta mais longo, mostrando que o tradeoff entre qualidade e preço direciona gastos reais. Ler o comentário ↗

Parafraseado da discussão. Siga os links para ler os comentários originais.

Concorrentes e lacuna

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

Sites de benchmark são snapshots somente leitura, e os roteadores de LLM ignoram a camada de busca e fetch; ninguém oferece avaliação ao vivo de qualidade e preço com roteamento automático por consulta entre provedores de busca e fetch.

Por que agora

Nos últimos ~12 meses, o mercado de APIs de busca para agentes se fragmentou (DeepSeek a $0,75 por 1k, Brave a $5, Kagi a $12, Exa premium, Parallel, plano gratuito da Jina), e escolher e reavaliar provedores virou uma tarefa recorrente de engenharia que antes não existia.

Fosso · 6/10

Um corpus de benchmarks que cresce com o tempo e dados de taxa de sucesso de fetch por domínio (qual provedor realmente retorna conteúdo utilizável para quais sites) melhoram o roteamento ao longo do tempo e são caros de replicar.

Contra

Time vermelho: Benchmark ao vivo de qualidade e preço com roteamento automático entre APIs fragmentadas de busca e fetch é um problema real e recém-criado que nenhum player atual cobre (Artificial Analysis é somente leitura, LiteLLM ignora busca), e os compradores já pagam por essas APIs.
O que a faria fracassar: Os clientes-alvo são muito sensíveis a preço (a discussão gira em torno de $0,75 contra $5 por 1k), então um middleware pago pode ser rejeitado em favor de scripts caseiros gratuitos e kits de código aberto como o searxng-ai-kit.

Começar

Primeiros três passos: Construir um harness que roda semanalmente um conjunto fixo de consultas e URLs em pelo menos 6 APIs de busca e fetch, pontuando custo, latência, qualidade do conteúdo e falhas de anti-bot.
Publicar uma página pública de ranking para captar SEO e cadastros de e-mail de desenvolvedores de agentes.
Lançar um endpoint proxy pago que recebe uma requisição de busca ou fetch e a envia ao provedor com melhor pontuação para cada tipo de consulta, com relatórios de uso e economia.
Discussão original: DeepSeek search and fetch – $0.75 per 1000 successful requests ↗ 477 pontos233 comentáriosDos comentáriosArtigo vinculado

Traduzido do inglês. Ler o original