✓ 入选在 5 个提案中排名第 1独立开发 AI 基础设施 2026年10月18日

面向 Agent 搜索 API 的基准测试与路由层

持续评测网页搜索和抓取 API 的质量、价格与抓取成功率,并把每个 Agent 查询路由到当下最优的服务商。

可直接粘贴到 Claude Code、Cursor 或任何编程助手的需求说明（英文）。

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.

总分6.2/10

痛点6

付费意愿5

时机7

市场空白7

护城河6

可行性7

支持

谁会付费

在 Agent 和 RAG 初创公司担任平台或 AI 工程师的人,他们每月在 Tavily、Exa、Brave、DeepSeek、Jina 等服务上花费 500-5,000 美元;这笔支出来自现有的搜索 API 预算,产品定价 99-499 美元/月。

讨论中的声音 · 4

有评论者自行做了抓取基准测试,发现 DeepSeek 的质量明显落后于 Jina、Parallel、Firecrawl、Tavily 和 Exa,这意味着大家都得自己测试服务商。查看评论 ↗
有评论者引用了一份第三方整理的每千次查询搜索 API 成本对比,说明买家正在主动寻找价格比较。查看评论 ↗
有评论者因为集成方案贵 15-20 倍,于是自己基于抓取为搜索和抓取功能手工搭建了 MCP 工具,这是一种代价高昂的自建变通方案。查看评论 ↗
有评论者愿意为 Exa 支付溢价,看重其更高的信噪比和更长的查询字段,说明质量与价格之间的权衡确实驱动着真实的支出。查看评论 ↗

内容转述自讨论，原评论请点击链接查看。

竞争对手与空白

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

基准测试网站只是只读快照,LLM 路由器又不管搜索和抓取层。目前没有人提供实时的质量加价格评估,也没有跨搜索与抓取服务商的按查询自动路由。

为什么是现在

过去约 12 个月,Agent 搜索 API 市场高度分散(DeepSeek 每千次 0.75 美元,Brave 5 美元,Kagi 12 美元,Exa 高端版,Parallel,Jina 免费层)。选型和反复重新选型已成为一项经常性的工程负担,而这在以前并不存在。

护城河 · 6/10

持续积累的基准测试语料,以及按域名统计的抓取成功率数据(哪家服务商能对哪些网站返回可用内容),会随时间不断提升路由效果,且很难复制。

反对

红队: 对分散的搜索和抓取 API 做实时的质量加价格评测并自动路由,是一个真实且新出现的负担,目前没有现有厂商覆盖(Artificial Analysis 只提供只读数据,LiteLLM 不处理搜索),而且买家本来就在为这些 API 付费。
最可能的失败原因: 目标客户对价格极度敏感(讨论串反复纠结每千次 0.75 美元与 5 美元的差距),付费中间件可能被免费自建脚本以及 searxng-ai-kit 等开源工具包取代。

起步

最初三步: 搭建一套评测工具,每周用固定的查询和 URL 集合运行 6 个以上的搜索和抓取 API,并对成本、延迟、内容质量和反爬失败情况打分。
发布公开的排行榜页面,以获取 SEO 流量,并吸引 Agent 开发者注册邮件列表。
上线付费代理端点,接收搜索或抓取请求,并按查询类型把请求路由到得分最高的服务商,同时提供用量与节省金额的报告。
原始讨论: DeepSeek search and fetch – $0.75 per 1000 successful requests ↗ 477 点233 条评论源自评论原文链接

本文译自英文。阅读原文