免费联网搜索 API 接入实战：给本地 Agent 装一双会查资料的眼睛

你的 Agent 卡壳，往往不是模型不够聪明，而是它不知道当下发生了什么。一个本地跑的大模型，知识停在训练截止日，你问它「今天有什么新 Models 上线」或「某个 GitHub 仓库最新的 star 数是多少」，它要么一本正经地编，要么直接承认「我的知识只到某年某月」。

联网搜索就是补上这块短板的唯一正解：让 Agent 在生成回答之前，先实时查一次外部世界。本文不讲空洞的概念（所有接入口都已收录在本站免费 API 频道），直接给你三套零成本、可落地的联网检索方案，从「零 Key 秒用」到「自建可控」，再附一段能直接抄走的 Python 接入代码。

一、先想清楚：你要的是哪种「联网」

联网检索不是一种能力，而是三种能力，落地成本和使用体验完全不同：

需求	关键词	代表方案	是否零 Key
只想快速拿到网页正文	URL → Markdown	Jina Reader	是
想搜网页并返回摘要	搜索引擎 API	DuckDuckGo / SearXNG	是
想给 LLM 做 RAG 检索底料	检索 + 切片 + 向量	搜索 API + Embedding	是

先确认你要哪一档。绝大多数入门场景——「让 Agent 回答时顺手上网查一下」——只需要前两档，一个 Python 函数就能搞定，不需要搭任何付费服务。

二、方案一：DuckDuckGo Instant Answer，零 Key 五分钟跑通

DuckDuckGo 提供了一套不需要注册、不需要 API Key 的即时查询接口。它背后是一个叫 DuckDuckGo Instant Answer API 的 JSON 端点，返回格式稳定，适合做轻量级的事实查询和关键词联想。

它的优点非常直白：

零 Key、零注册、零付费，curl 一下就能拿到结果；
返回的是结构化 JSON，方便程序解析；
支持关键词联想（related topics）和摘要（abstract）。

但它也有明确边界：它更适合「查一个词条 / 一个概念」的即时答案，并不适合「深度搜索全网并返回前 N 条结果」这种搜索引擎式诉求。后者需要自建聚合，也就是方案二。

一个典型的调用流程：把用户问题里的核心实体提取出来，转成查询词，打到 Instant Answer 端点，拿到 abstract 摘要和 related topics，作为 Agent 的补充上下文拼进 prompt。这样 Agent 回答事实性问题时就有据可依，而不是凭空发挥。

三、方案二：SearXNG 自建聚合搜索，可控且无广告

如果你希望 Agent 一次搜遍多个搜索引擎（Google、Bing、DuckDuckGo、Brave 等），又不想被某一家官方 API 的高价和配额绑死，SearXNG 是目前最成熟的免费自建方案。

SearXNG 是一个开源元搜索引擎：你在自己服务器上用 Docker 起一个实例，它把请求转发到多个上游引擎，聚合去重后返回 JSON 结果。它的价值有三点：

一个 JSON 接口对接所有搜索引擎，不绑定任何单一供应商；
自带隐私保护，不追踪用户，不注入广告；
支持 format=json 参数，直接返回可编程的结构化结果，天然适合 Agent 工具调用。

部署方式只需三步：拉取 SearXNG 镜像、挂一个 settings 配置、把 http://你的地址/search?q=关键词&format=json 暴露给 Agent 函数即可。唯一要注意的是实例要放在能让你的 Agent 访问到的环境里，并且按自己服务器的承受能力限制并发。

四、方案三：Jina Reader，把任意网页变干净 Markdown

很多时候 Agent 需要的不是「搜索」，而是「读懂某篇具体的文章或某个具体的页面」。这时 Jina Reader 是效率最高的选择：你在任意 URL 前面拼一个固定的前缀，它就把那个页面处理成干净的 Markdown 文本返回。

典型用法：Agent 拿到一条搜索结果的链接后，把它拼成 https://r.jina.ai/对方URL，即可获得该页面的正文 Markdown，再喂给模型做阅读理解或摘要。这对「先搜到、再精读」的两段式 Agent 工作流几乎是标配。

它同样零 Key（有基于 IP 的轻度限流，正式高频使用建议申请免费 token），返回值干净、去除了导航和广告、保留了代码块和标题层级，非常适合做 RAG 的原始语料。

五、完整接入代码（可直接抄走）

下面这段代码把「搜索 + 精读」串成一个完整的 Agent 工具函数。它接受一个查询词，先走 SearXNG 聚合搜索拿结果列表，再对前几条结果调用 Jina Reader 取正文，返回一段可直接拼进 prompt 的上下文：

import requests

SEARX = "http://localhost:8080/search"   # 你的 SearXNG 实例
JINA = "https://r.jina.ai/"               # Jina Reader 前缀

def agent_web_lookup(query: str, max_results: int = 3) -> str:
    # 第一步：聚合搜索
    resp = requests.get(SEARX, params={"q": query, "format": "json"}, timeout=15)
    resp.raise_for_status()
    results = resp.json().get("results", [])[:max_results]

    # 第二步：逐条精读正文
    chunks = []
    for r in results:
        url = r.get("url")
        if not url:
            continue
        try:
            md = requests.get(JINA + url, timeout=20).text
            chunks.append(f"## {r.get('title', '无标题')}\n来源: {url}\n{md[:4000]}")
        except Exception:
            continue

    return "\n\n".join(chunks) if chunks else "未检索到有效内容"

# 用法：把返回拼进 system 或 user prompt
ctx = agent_web_lookup("今天有哪些新发布的大模型")

这段代码的教学价值在于两点：一是展示了「聚合搜索 → 精读正文」的两段式结构，这是所有联网 Agent 的通用骨架；二是它完全免费、不依赖任何商业 Key，你可以立刻在你本地环境里跑起来，替换成你自己的 SearXNG 地址即可。

六、把搜索能力接进 Agent 的两种姿势

有了 agent_web_lookup 这个函数，怎么让它成为 Agent 能力的一部分？主流有两条路：

Function Calling（工具调用）：把上面的函数声明成一个工具，模型在需要实时信息时自主决定调用它，拿到结果后再组织回答。这是最自然的方式，OpenAI 兼容接口、Anthropic、以及大多数国产模型都支持。
检索增强（RAG）：在用户提问前，先用搜索 API 批量拉取相关网页、切片、向量化、入库，再让模型基于检索结果回答。适合知识库 + 联网双重需求的场景。

对个人开发者来说，先用方案一的 Function Calling 把流程跑通，再决定要不要上向量库，是最省事的路径。

七、四个高频踩坑与排查

反爬封 IP：DuckDuckGo 和 SearXNG 上游对高频请求会限流。规避方式是加一个简单的重试和随机延时，或轮换请求头里的 User-Agent。
结果为空：SearXNG 某些上游引擎在国内环境不可达。排查方法是先在浏览器里直接访问你的 SearXNG 实例，看 format=json 是否正常返回，再排查网络层。
正文乱码：Jina Reader 对部分动态渲染页面抓取不全。遇到时改用「搜索结果摘要 + 标题」兜底，不要强求全文。
上下文爆表：把整篇正文塞给模型会很快耗尽上下文窗口。一定要做截断（如上面代码的 md[:4000]），只保留最相关的片段。

八、三方案横向对比（雷达图）

结论很清晰：要零成本快速验证，选 DuckDuckGo；要长期稳定可控，上 SearXNG；要精读网页内容，用 Jina Reader。 三者不是互斥关系，成熟的联网 Agent 通常「SearXNG 搜索 + Jina Reader 精读」配套使用。

九、总结与行动清单

给本地 Agent 装上网，本质是给它接通一个「实时信息入口」。你用三样免费工具就能拼出一条完整链路，总成本为零：

用 SearXNG 或 DuckDuckGo 做搜索入口；
用 Jina Reader 做正文精读；
用 Function Calling 或 RAG 把能力接进 Agent。

按本文的代码跑通第一个「搜索 → 精读 → 回答」闭环后，你的 Agent 就从「会背书的机器」升级为「会查资料的研究助理」。下一步建议你结合本地 Embedding 把检索结果持久化成知识库，实现「一次搜索、多次复用」。

需要完整的免费搜索 API 选型清单，见本站的《2026 免费 Web 搜索 API 盘点》；需要给检索结果配向量化地基，见《免费 Embedding API 完全教程》；需要一站式接入更多免费模型，见本站免费 API 首页。

十、补充：为什么推荐「先 Function Calling，后 RAG」

两者最终都能让 Agent 用上实时信息，但起步门槛差很多。Function Calling 只需一个函数声明 + 一次调用，半小时就能看到效果；RAG 则涉及切片、向量化、向量库选型、检索调优一整条链路，动辄一两天。

建议的进阶路线是：先用 Function Calling 让 Agent「能搜」，观察它实际调用搜索的频率和场景；当发现「同一批资料被反复搜索」时，再把高频结果沉淀到本地知识库，这一步才轮到 Embedding 和向量检索上场。这样每一步都有真实收益，不会一上来就陷入 RAG 工程细节。

如果不知道免费 Embedding 该选哪家，本站已有《免费 Embedding API 完全教程》做了完整实测；想一次看全免费搜索类 API 的横向盘点，见《2026 免费 Web 搜索 API 盘点》。这两篇与本篇构成「搜索 → 向量化 → 接入」的完整闭环，建议配套阅读。

免费联网搜索 API 接入实战：给本地 Agent 装一双会查资料的眼睛

免费联网搜索 API 接入实战：给本地 Agent 装一双会查资料的眼睛

一、先想清楚：你要的是哪种「联网」

二、方案一：DuckDuckGo Instant Answer，零 Key 五分钟跑通

三、方案二：SearXNG 自建聚合搜索，可控且无广告

四、方案三：Jina Reader，把任意网页变干净 Markdown

五、完整接入代码（可直接抄走）

六、把搜索能力接进 Agent 的两种姿势

七、四个高频踩坑与排查

八、三方案横向对比（雷达图）

九、总结与行动清单

十、补充：为什么推荐「先 Function Calling，后 RAG」

相关阅读与行动入口

相关文章