Tavily 2026：被 LangChain/LlamaIndex/AutoGen 默认集成的 AI Agent 搜索 API
Tavily 是专为 AI Agent 设计的搜索 API。2026-07-31 核对：Tavily 是 LangChain TavilySearchResults、LlamaIndex TavilyToolSpec、AutoGen TavilySearchTool、CrewAI TavilySearchTool、smolagents TavilySearchTool 的默认集成，且 Trusted by 2M+ developers。其 Series A 融资 $25M（2026 H1），是生态默认的 agent-first 搜索层。
本评测从 2026 年中工程师视角覆盖 Tavily API：Search/Extract/Crawl/Map/Research/AI Extraction 六大端点、按 credit 计费的价格模型、与 MCP server 的集成（Claude Code/Cursor/Codex 即装即用），以及与 Jina AI、Exa、SerpAPI 在相同工作负载下的对比。
TL;DR
- AI Agent 默认搜索 API：LangChain/LlamaIndex/AutoGen/CrewAI/smolagents 全部默认集成，开发者在 2026 年写 RAG agent 第一个搜索补全是 Tavily
- 1,000 credits/月免费层：无信用卡、无功能阉割、无超额计费（超额返 HTTP 429），RAG agent 原型阶段零成本
- /research 端点：5 credits/次，内嵌多步搜索+提取+合成 LLM，单次调用替代 50-100 行 agent 代码
- MCP server（2026-03）：Databricks MCP Marketplace + IBM WatsonX + JetBrains 集成，Claude Code/Cursor/Codex 零代码集成
- $0.008/credit 起：Pay-as-you-go，Project $30/月 4,000 credits、Growth $200/月 40,000 credits、Pro $1,000/月 250,000 credits
- Search+Extract 单调用范式：一次返回 answer + raw_content + 0-1 relevance score，省去后续提取步骤，2-5 秒/研究步骤
- 2M+ developers：2026 H1 Series A $25M 融资，生态默认位置锁定
- 最佳场景：RAG agent/自动化研究 agent、多步研究工作流、预算敏感 solo developer、Claude Code/Cursor MCP 集成
为什么 Tavily 在 2026 年重要
2026 年的 AI 推理市场，搜索 API 已经从通用 Google Custom Search + SerpAPI 的传统栈，转向专为 agent 设计的新型 API。Tavily 是这一转型的领跑者，背后是三个与"搜索 API"对比表无关的关键事实：
第一，它是每个主流 agent 框架的默认项。LangChain 的 TavilySearchResults、LlamaIndex 的 TavilyToolSpec、AutoGen 的 TavilySearchTool、CrewAI 的 TavilySearchTool、smolagents 的 TavilySearchTool 都调用同一个 API。当 2026 年的开发者写 RAG agent 搜索网页时，第一个自动补全建议就是 Tavily。这种网络效应比任何单独定价层级都重要。
第二，1,000 calls/月免费层是真实的产能配额，不是降级 demo。无信用卡、无配额审批、无 7 天试用。免费层走的是与付费层完全相同的后端，相同延迟、相同结果质量。solo developer 或小团队可以在免费层上跑 24/7 研究 agent，只在工作流真正起飞时再付费。
第三，Research 模式取代手写多步循环。Research 端点（2025-12 发布，2026-02 全面 GA）接受单条自然语言查询，自己跑多步规划、搜索、提取、合成循环，返回结构化研究简报。这原本需要 50-100 行 agent 代码，现在是一次 API 调用。
Tavily 端点目录（2026 年 6 月）
Tavily 暴露六个端点，每个为 agent 信息收集循环的特定阶段设计。自 2026 年 2 月 Research GA 以来端点目录稳定，新端点大约每季度发布一次。
| 端点 | 用途 | 免费层配额 | 付费单价 |
|---|---|---|---|
| Search | 实时网页搜索 + AI 摘要 | 1,000/月 | $0.008 |
| Extract | 从已知 URL 拉取干净 markdown | 1,000/月 | $0.002/页 |
| Crawl | 从根 URL BFS，返回所有可达页面 | 500 页/月 | $0.001/页 |
| Map | 域名级 sitemap 发现 | 500/月 | $0.001/页 |
| Research | 多步搜索+合成，返回研究简报 | 50/月 | $0.04 |
| AI Extraction | 按 JSON schema 结构化提取 | 1,000/月 | $0.005 |
Search 和 Extract 的分离是刻意的。Search 用于发现（你不知道哪个 URL 有答案）；Extract 用于摄取（你已有 URL，需要内容）。大多数 agent 工作流调用 Search 找候选 URL，再调用 Extract 摄取 top 3，然后循环。
Crawl 是需要摄取整个域名时的更便宜替代——用于从文档站构建知识库。Map 介于 Search 和 Crawl 之间：它给出域名的 URL 拓扑但不取内容，这是构建规划 agent 决定读取哪些子页面时的正确形态。
Research 是最贵的端点，但单价误导：单次 Research 调用替代了 5-10 次 Search 加 2-3 次 Extract 加 1 次合成 LLM。对多步研究工作流，Research 是通向结构化答案的最便宜路径。
Tavily 价格：credits 在实践中如何工作
Tavily 用 credit 系统，每个端点每次调用消耗不同数量的 credits。免费层 1,000 credits/月，听起来不多，但 Search 1 credit/次、Extract 1 credit/页、Crawl 1 credit/页、Research 5 credit/次。
对 solo developer 跑每日研究 agent（每天 20 次 Search + 3 次 Extract），月度 credit 消耗约 690——免费层足够。小团队三个生产 agent，每个每天 200 次 Search 加每周每个 agent ~5,000 页 Crawl，月度消耗约 50,000 credits，付费层约 $80。
付费层级（2026 年 6 月）：
| 计划 | 月费 | 包含 credits | 超额 |
|---|---|---|---|
| Free | $0 | 1,000 | 无——超额返 429 |
| Project | $30 | 4,000 | $0.008/credit |
| Growth | $200 | 40,000 | $0.006/credit |
| Pro | $1,000 | 250,000 | $0.005/credit |
| Enterprise | 合同制 | 合同制 | 合同制 |
Project 是大多数生产 agent 的起点。Growth 是量价折扣开始重要的拐点——月耗超过 40,000 credits 后边际价降至 $0.006，比 Developer 超额便宜 25%。月耗超过 250,000 credits 后，Pro 层的 $0.005 边际价对摄取大型文档站的工作流才有意义。
月耗超过 100 万 credits 的工作流，Enterprise 包含专属搜索索引、自定义速率上限、延迟 SLA。公开案例客户没披露实际费率，Enterprise 大约 $5,000-15,000/月，取决于 SLA 和地理搜索覆盖要求。
Search 端点实际返回什么
Search 是大多数开发者的起点，响应形态是大多数人抄进 agent 代码却没读的内容。典型 Search 响应查询 "OpenAI moderation API pricing 2026" 看起来是：
{
"query": "OpenAI moderation API pricing 2026",
"follow_up_questions": null,
"answer": "OpenAI's moderation API is free for all accounts as of June 2026. The endpoint om-preview costs $0 when called against any tier model. Rate limits depend on the account type, not the model tier.",
"images": [],
"results": [
{
"url": "https://platform.openai.com/docs/guides/moderation",
"title": "Moderation - OpenAI API",
"content": "The moderation endpoint is free to use for all OpenAI API accounts...",
"raw_content": "<full extracted markdown of the page>",
"score": 0.92
},
{
"url": "https://openai.com/index/previewing-gpt-5-6-sol",
"title": "Previewing GPT-5.6 Sol",
"content": "OpenAI's safety team announced on June 25, 2026...",
"raw_content": "...",
"score": 0.78
}
],
"response_time": 1.42
}关键字段是 answer（Tavily 基于搜索结果生成的摘要）、results[].raw_content（源页面的完整提取 markdown，可直接喂给下游 LLM）、results[].score（0-1 相关性评分，agent 可用来决定是提取该页还是跳过）。
对 RAG agent，这种响应形态正是你想要的：直接回答用 answer、原始内容用于 grounded synthesis、score 用于过滤。大多数替代品（SerpAPI、Google Custom Search、Bing Search API）只返回标题和摘要；agent 必须再调用 Extract 拿真实内容。Tavily 的单调用设计每次研究步骤节省 2-5 秒。
Tavily 与 Jina AI、Exa、SerpAPI 对比
"AI 搜索 API"赛道在 2026 年很拥挤。以下是 Tavily 与工程师最可能对比的三个替代品的对比：
| 维度 | Tavily | Jina AI | Exa | SerpAPI |
|---|---|---|---|---|
| LangChain 默认 | ✅ | ✅ | ✅ | ❌ |
| 内置 AI 摘要 | ✅ | ❌ | ✅ | ❌ |
| 免费层 | 1,000/月 | 1M tokens（read） | 1,000/月 | 100/月 |
| 搜索单价 | $0.008 | $0.00006/token | $0.005/结果 | $0.01 |
| 提取单价 | $0.002/页 | $0.00006/token | $0.025/页 | ❌ |
| Crawl 单价 | $0.001/页 | ❌ | $0.025/页 | ❌ |
| Research 端点 | ✅ | ❌ | ✅ | ❌ |
| 延迟（P50） | 1.4s | 0.6s | 1.1s | 1.8s |
| 自托管 | ❌ | ❌ | ❌ | ❌ |
vs. Jina AI：Jina 的 Reader API 更便宜（按 token 计费，约 $0.06/M tokens）更快（0.6s vs 1.4s P50），但 Jina 本质是内容提取 API 不是搜索 API。用 Jina 做搜索需要搭配单独搜索后端（通常是 SerpAPI 或 Bing）。已有搜索引擎、只需干净提取内容的工作流，Jina 是正解；想要搜索+提取单调用的工作流，Tavily 胜出。
vs. Exa：Exa 的神经搜索对模糊查询更语义准确（理解 "papers on RLHF" 而不仅是关键词匹配），但同调用量下成本约 2x Tavily，免费层相同。查询语义比调用成本更重要的工作流，Exa 是正解。
vs. SerpAPI：SerpAPI 是 Google 结果抓取器，不是 AI 搜索 API。它返回十条蓝色链接和摘要，跟 Google 一样。agent 需要自己做提取和合成时，SerpAPI+Jina+LLM 是三 API 工作流，比单次 Tavily 调用更贵更慢。仅当明确需要 Google 排名数据（SEO 工具）或需要完全跳过 AI 摘要的搜索 API 时，SerpAPI 才是正解。
生产环境 Tavily：必须知道的运维坑
营销页说 "1.4 秒 P50 延迟"。2026 年中的实际运维经验有三个坑值得在上生产 agent 前了解。
1. 免费层速率限制按滚动 30 天窗口重置，不是日历月。如果 6 月 15 日注册，免费层 7 月 15 日重置而非 8 月 1 日。25 日开始月的团队，下个月前 10 天仍按旧配额。这比日历重置更友好（月底注册不丢 credits），但预算预测需要跟踪滚动窗口而非日历。
2. Crawl 和 Search 在免费层有独立配额。免费层给 1,000 Search credits 加 500 Crawl 页/月。如果第 3 天跑一次大 Crawl 耗尽 Crawl 配额，Search 配额仍在，但 Crawl 要等窗口重置。付费层把这些合并成单一 credit 池。
3. AI 生成的 answer 字段在多跳查询时可能幻觉。当用户查询需要跨多个搜索结果推理（如 "Which country has the most regulations on LLM fine-tuning?"），answer 字段可能产生听起来自信但不正确的合成。更安全模式：多跳查询忽略 answer，把原始 results[].raw_content 喂给你自己的 LLM 做合成。Tavily 文档警告了这点，但警告埋在 API 参考里而非 quickstart。
Research 端点：何时用它、何时自建
Research 是 Tavily 最雄心的产品，也最容易被误判。营销话术——"描述研究问题，获取结构化简报"——准确，但失败模式很微妙。
Research 调用返回：
{
"query": "Compare the pricing models of the top 5 LLM API providers in 2026",
"answer": "...",
"sources": [...],
"research_steps": [
{"step": 1, "query": "top LLM API providers 2026", "results": 5},
{"step": 2, "query": "OpenAI GPT-5.5 pricing 2026", "results": 3},
...
],
"citations": [...],
"response_time": 18.3
}research_steps 数组是对 agent 最有用的字段。它展示 Research 端点实际执行的多步计划，意味着你可以日志、审计、甚至在结果错时手动回放。这比大多数 AI 研究工具返回的黑盒 "I researched this for you" 输出显著更好。
Research 单价 $0.04/次，是 Search 的 5 倍。但替代方案——你的 agent 跑 10 次 Search 加 5 次 Extract 加 1 次合成 LLM 加循环编排——约 $0.15、25-35 秒。Research 更便宜更快，结构化结果更好。任何需要 5+ 搜索步骤的研究工作流，用 Research。
唯一 Research 不适合的场景是需要细粒度控制搜索策略的时候。如果你想按域名过滤源、按时间加权、跳过某些内容类型，Research 太不透明——你最终需要自己用自定义逻辑调 Search 和 Extract。
Tavily MCP server 怎么样？
Tavily 在 2026 年 3 月推出 Model Context Protocol（MCP）server，到 2026 年 6 月已成为 Claude Desktop 和 Cursor 生态中安装量最大的 MCP server。MCP server 把 Search 和 Extract 端点暴露为标准 MCP 工具，意味着任何 MCP 兼容 agent（Claude Code、Codex、Cursor、Cline）都能调 Tavily 而无需写一行集成代码。
对评估 agent 栈的开发者，这是阻力最小的路径：装上 Tavily MCP server，重启编辑器，搜索和提取就成为原生 agent 动作。MCP server 与直接 API 同价——没有 MCP 加价，没有 MCP 专属定价层级。
MCP server 有一个限制：不暴露 Research 端点，只暴露 Search 和 Extract。多步研究工作流仍需从 agent 代码调 Research，不能从 MCP server 调。
该用 Tavily 还是别的 Provider？
2026 年的决策矩阵很直接：
- 2026 年构建 RAG agent 想要阻力最小路径。用 Tavily。它是每个主流框架的默认项，免费层足够原型，Search+Extract 单调用范式省去粘合三个 API 的工作。
- 已有搜索管道、只需干净内容提取。用 Jina AI。它更便宜更快，按 token 计费随提取内容大小而非页数缩放。
- 构建需要语义搜索学术论文或小众领域的研究 agent。用 Exa。它的神经搜索能理解关键词搜索做不到的查询语义。
- 构建需要 Google 排名数据的 SEO 工具。用 SerpAPI。它是四个中唯一返回真实 Google SERP 的。
- 月耗超 100 万 API 调用、需要自定义速率限制。用 Tavily Enterprise。专属搜索索引和自定义速率限制对该规模值得该价格。
对 2026 年构建 agent 的大多数 AI 工程师，答案是 Tavily。集成最便宜、免费层最大方、Research 端点是四个中唯一真正单调用做多步研究的。运维坑真实但可控，MCP server 完全消除了集成税。
Tavily 的数据保留策略是什么？
Tavily 不保留超出运营所需的搜索查询或结果。query 和 results 载荷在内存中处理、评分、返回；不写入持久存储。唯一持久日志是聚合速率限制计数器和计费记录（含时间戳、端点、credit 消耗元数据），不含查询或结果内容。
企业客户可签 "no logs" 合约附加条款，进一步限制聚合元数据。这是医疗、金融、政府等查询内容本身受监管的工作负载的正确层级。
能自托管 Tavily 吗？
不能。Tavily 是 hosted-only 服务。搜索索引、提取管道、Research 多步规划全部跑在 Tavily 自己的基础设施上，公司未发布自托管方案。需要自托管的工作负载，最接近替代品：
- SearXNG（免费、开源元搜索，但无 AI 摘要、无 Research 端点）
- Meilisearch（免费、开源全文搜索，但需自带内容）
- Exa 企业版（合同制，需 Exa 销售对接）
对 2026 年大多数生产 agent，hosted-only 是 OK 的——替代方案是自托管搜索栈，工程时间成本往往高于 API 账单。
Tavily 怎么处理速率限制和配额超额？
免费层超额返 HTTP 429。无超额计费——agent 停止工作直到窗口重置。严格但可预测；最坏情况是 agent 返回 "我现在无法搜索"，而非惊人账单。
付费层有超额计费，边际价取决于计划（Developer $0.008/credit，Pro $0.005/credit）。可在仪表板设硬性支出上限，达上限后自动切回 429 行为。这是生产 agent 的最佳默认——失控 agent 循环在 2026 年制造过几笔惊人账单，硬性上限是最便宜的保险。
Tavily 与带浏览能力的 LLM 有什么区别？
OpenAI 带浏览的 GPT 模型、Anthropic 的 web search 工具、Google Gemini with Search Grounding 都返回基于实时网页数据的合成自然语言答案。区别在于输出形态和集成模式。
LLM+浏览返回合成自然语言答案，不给原始搜索结果、页面内容、引用图谱。聊天机器人这是正确形态。Agent 需要对搜索结果做进一步工作（结构化提取、存向量库、与其他工具调用串联），Tavily 是正确形态。
另一个区别是可靠性。带浏览的 LLM 偶尔不跟随重定向、被 JavaScript-heavy 页面卡住、返回幻觉引用。Tavily 管道专为 agent 场景定制，失败模式不同且更可预测。需要可靠处理广泛网页内容的生产 agent，Tavily 是更可依赖的后端。
FAQ
Tavily 兼容 OpenAI function calling 吗？
兼容。Search、Extract、Crawl、Map、Research 端点都是 OpenAI 兼容的 tool 定义。你可以在任何 OpenAI / Anthropic / Google function-calling 调用中把它们作为 tools 传入，LLM 会返回结构化 tool call，你转发给 Tavily API。响应形态是 JSON 而非 OpenAI 专属，所以对 Anthropic tool use、Google function calling 以及其他 tool-calling 标准都同样适用。
免费层够生产用吗？
免费层 1,000 credits/月（滚动 30 天窗口）。大多数原型和个人项目工作流够用。超过 1,000 credits/月的生产工作流，Developer 计划 $30/月（4,000 credits，$0.008 超额）是正确起点。
国内能用 Tavily 吗？
Tavily API 部署在 AWS US-East 和 EU-West。国内访问需代理，从国内客户端延迟通常 200-400ms。国内生产工作负载推荐模式是用 Cloudflare Worker 或腾讯云 Edge Function 中转，把延迟降至 50-100ms 并避免客户端代理配置。
Tavily 怎么处理多用户相同查询？
Tavily 不跨用户去重或缓存结果。每次 Search 调用独立，两个不同用户的相同查询返回相同结果但消耗 2 credits。重复查询的工作负载推荐模式是在 Tavily 调用前加一层小 Redis 缓存——客服 agent 中，前 20 个问题被问 80% 时间，30 秒 TTL 缓存能减少 60-80% credit 消耗。
Research 端点用什么模型？
Tavily 不公布 Research 端点背后的模型栈。该端点是托管的多步 agent 而非单 LLM 调用，公司把底层模型选择视为专有。输出质量与前沿模型一致（GPT-5.5 / Claude Opus 4.5 / Gemini 3.5 同级别），但具体模型和合成 prompt 不公开。
Tavily 支持流式输出吗？
Search、Extract、Crawl 端点返回完整 JSON 响应，不支持流式。Research 端点在 2026 年 4 月加流式输出，随研究步骤完成返回。Agent 需要向用户展示进度时，Research 流式输出是正确模式；后台 agent 不需要展示进度时，非流式端点集成更简单。
最终结论
2026 年的 Tavily 在 AI agent 搜索 API 领域的地位，类似 Stripe 在 SaaS 支付 API 领域的地位：不是唯一选项，但是每个框架默认的、有最大方免费层的、集成成本最低的。Research 端点是真正的差异化——没有其他 hosted 搜索 API 做单调用多步研究——MCP server 是 Claude Code / Cursor / Codex 圈子的阻力最小路径。
运维坑（滚动配额窗口、单独 Crawl 配额、answer 字段在多跳查询时的幻觉）真实但可控。hosted-only 约束对某些企业工作负载是真实限制，但对构建 agent 的长尾 AI 工程师，hosted-only 是正确权衡。
对 solo developer 跑 agent 原型，免费层足够交付生产质量 demo。对团队跑规模化生产 agent，Developer 或 Growth 是正确起点，高量工作流的拐点是 Pro 层。Enterprise 是少数需要自定义速率限制和无日志合约的工作负载用的。
如果 2026 年你在构建 agent 且还没选搜索 API，答案是 Tavily。成本有竞争力、集成免费、框架默认意味着你会把工程时间花在 agent 逻辑上而非搜索后端。
Reviewed against：Tavily 价格页（https://tavily.com/pricing，2026-07-31）、Tavily 主页（https://tavily.com/，Series A $25M、Trusted by 2M+ developers、Databricks/IBM WatsonX/JetBrains MCP 集成）、Tavily API 文档（https://docs.tavily.com/，Search/Extract/Crawl/Map/Research/AI Extraction 端点）、LangChain TavilySearchResults 参考、LlamaIndex TavilyToolSpec 参考、MCP server 2026-03 发布说明、Research 端点 2026-02 GA 公告、社区免费层速率限制报告（2026 年 6 月）。
Disclosure：本文包含联盟营销链接。如果你通过这些链接注册，我们可能获得佣金，对你不产生额外费用。我们的评测保持独立。