DeepSeek startet Suche & Fetch-API für 0,75 $ je 1.000 Aufrufe

TL;DR

• DeepSeek hat eine integrierte API-Stufe für Suche und Web-Fetching für 0,75 $ pro 1.000 erfolgreiche Anfragen gestartet [^1].
• Der Dienst bietet Entwicklern strukturierten Echtzeit-Web-Abruf, um Sprachmodelle zu erden, ohne eigene Such-Scraper bauen zu müssen [^1] [^2].

Hintergrund

Große Sprachmodelle arbeiten mit festen Trainingsdatensätzen. Das führt zu veraltetem Wissen und verhindert Antworten auf Fragen zu aktuellen Ereignissen, sich ändernden Software-Dokumentationen oder Live-Finanzkennzahlen. Um diese Einschränkung zu umgehen, bauen Software-Teams Retrieval-Augmented-Generation-Pipelines (RAG). Diese Systeme senden Anfragen an externe Websuchdienste, scrapen die Ergebnisseiten, filtern irrelevanten Code oder Navigationsmenüs heraus und fügen den verbleibenden Text in den Prompt ein. Die Verwaltung dieser sekundären Pipeline erfordert mehrere Anbieter-Accounts, Headless-Browser, Proxy-Netzwerke und benutzerdefinierte HTML-Parser – was zu finanziellen Kosten und Wartungsaufwand für Softwareentwickler führt.

Was passiert ist

DeepSeek hat dedizierte Search- und Fetch-Endpunkte in seine Plattform-API integriert. Entwickler erhalten so native Tools, um Sprachmodellen direkt Echtzeit-Webkontext bereitzustellen [^1]. Die Implementierung kombiniert Suchanfragen mit einem automatisierten Web-Content-Extraktor, der speziell für die Tokenisierung entwickelt wurde [^1] [^2].

Nach dem angekündigten Preismodell berechnet DeepSeek 0,75 $ pro 1.000 erfolgreiche Anfragen [^1]. Entscheidend ist: Die Plattform berechnet nur Vorgänge, die valide Inhaltsdaten liefern. Fehlgeschlagene Verbindungen, HTTP-404-Antworten oder durch Server-Timeouts blockierte Anfragen werden ignoriert [^2]. Diese Struktur beseitigt die finanzielle Unvorhersehbarkeit traditioneller Web-Scraper, bei denen Entwickler häufig für fehlgeschlagene Browser-Instanzen oder blockierte Proxy-Aufrufe zahlen.

Der Search-Endpunkt akzeptiert Anfragen in natürlicher Sprache oder Schlüsselbegriffe und liefert strukturierte JSON-Payloads mit Seitentiteln, kanonischen URLs und Textausschnitten zurück [^1]. Entwickler können diese Ziel-URLs direkt in den Fetch-Endpunkt einspeisen, welcher die Web-Seite abruft und JavaScript, CSS, Inline-Werbung sowie Tracking-Scripte entfernt [^1] [^2]. Die Ausgabe erfolgt als bereinigter Klartext oder Markdown – bereit für das LLM-Kontextfenster, ohne dass zusätzliche Bereinigungslogik auf Anwendungsseite nötig ist [^2].

Durch die Konsolidierung von Web-Suche und Parsing in der eigenen Infrastruktur bietet DeepSeek eine Alternative zu Drittanbieter-Such-APIs wie Bing Web Search oder Google Custom Search Engine [^1]. Diese etablierten Dienste verlangen oft monatliche Mindestabnahmen, komplexe Rechteverwaltungen oder restriktive Nutzungsbedingungen, wenn Suchdaten mit generativen KI-Produkten kombiniert werden. Der Ansatz von DeepSeek vereinfacht die Abrechnung über ein einziges Entwickler-Dashboard [^2].

Warum es wichtig ist

Die Kosten für den Abruf externer Daten bleiben ein erheblicher Faktor für die Wirtschaftlichkeit autonomer KI-Agenten. Während die Inferenzpreise für Basismodelle in den letzten Jahren stetig gesunken sind, blieb die unterstützende Infrastruktur, die Modellen Zugriff auf Livedaten verschafft, teuer. Such-APIs von Drittanbietern kosten oft zwischen 2,00 $ und 5,00 $ pro tausend Anfragen. Das macht agentische Workflows mit wiederholten Suchschleifen bei hoher Skalierung extrem teuer.

Das Preismodell von 0,75 $ stellt eine niedrigere Kostenbasis für Echtzeit-Webzugriffe in Sprachmodell-Anwendungen dar. Wenn du mehrstufige Reasoning-Agenten baust, die mehrere Anfragen pro Benutzeraufgabe ausführen, verbessert die Senkung der Suchkosten direkt die Machbarkeit deines Projekts. Die niedrigere Hürde für den Livedaten-Abruf ermöglicht es kleineren Software-Teams, fundierte, faktengeprüfte KI-Assistenten bereitzustellen, ohne große Cloud-Budgets vorhalten zu müssen.

Zudem spiegelt diese Entwicklung einen breiteren Wandel bei Modellanbietern hin zu Full-Stack-Funktionen wider. Anstatt rein als reine Textgenerierungs-Endpunkte zu fungieren, integrieren Plattformanbieter Datenabruf, Seiten-Rendering und Strukturextraktion direkt in ihre Standard-Entwickler-Tools. Diese Konvergenz verringert architektonische Hürden für Entwickler: Sie können Anwendungen bauen, die das offene Web abfragen, ohne komplexe Software-Stacks mehrerer Anbieter verwalten zu müssen.

Ein Beispiel aus der Praxis

Angenommen, du baust einen täglichen Recherche-Assistenten, der Sicherheitshinweise in mehreren Software-Repositories überwacht. Bisher musste deine Anwendung Anfragen über einen separaten Suchanbieter senden, Ziel-Links sammeln und eine Headless-Browser-Instanz starten, um jede Seite zu rendern und Text zu extrahieren. Wenn eine Ziel-Website ihr Seitenlayout änderte oder aggressive Skript-Sperren einsetzte, stürzte dein Scraper ab – und dein Zusammenfassungsmodell blieb ohne Kontext.

Mit den Endpunkten von DeepSeek sendet deine Anwendung einen Suchaufruf direkt über die API, um relevante Sicherheitsbeiträge zu finden. Sobald die Suche valide Links zurückgibt, ruft dein Code den Fetch-Endpunkt mit genau diesen URLs auf. DeepSeek übernimmt das Laden der Seite, entfernt Skript-Tags und liefert sauberen Text im Markdown-Format zurück. Dein System übergibt diesen Text direkt zur Analyse an das Modell – alles über einen einzigen API-Schlüssel und mit automatischer Abrechnung auf einer einzigen Rechnung.

Passende Produkte

Wir empfehlen dieses Buch, weil es die grundlegenden Engineering-Prinzipien hinter Suchindizes, Datenabruf und verteilten Systemarchitekturen erklärt.