重點摘要
搜尋 API 定價被 DeepSeek 打穿——$0.75/1,000 讓網路搜尋成為每次推理的標配
Search API 返回含相關性分數 (0–3) 與可信度等級的結構化 JSON；Fetch API 直接輸出 Markdown 頁面內文，天然適配 RAG pipeline 與 agent 工具調用
每千次 $0.75，比 Brave Search($5) 低 6.7 倍，比 Exa($7–12) 低逾 9 倍；日均 1 萬次 agent 搜尋費用僅 $7.50；失敗請求不計費
共用現有 DeepSeek Bearer token，零遷移成本；免費試用至 2026-11-01；企業場景需注意 DeepSeek 無 ZDR 承諾的合規風險
前情提要
章節一：$0.75 的定價邏輯——DeepSeek 搜尋 API 拆解
2026 年 10 月 17 日，DeepSeek 在官方文件新增兩支 API：Search API 與 Fetch API，定價均為 $0.75 per 1,000 successful requests。計費僅在請求返回 HTTP 200 且有實際結果時觸發，失敗請求、空結果、逾時均不計費。
競爭對比揭示這個定價的激進程度：次便宜的 SerpAPI 約 $1.50，Brave Search $5.00，Perplexity Sonar $5.00+，Exa Search $7–12。DeepSeek 比最接近的競品低 6.7 倍，若一個 AI agent 每日執行 10,000 次搜尋，DeepSeek 日費僅 $7.50，競品則要 $50–120。
這與 DeepSeek 在 LLM token 層面的低價策略一脈相承——先以極低 unit cost 搶佔 infrastructure 層，再用免費試用期建立切換成本。每帳號 5 QPS（Search 與 Fetch 各自獨立），Fetch 端點另加每網域速率限制，顯示 DeepSeek 已預見大規模 agent 工作負載需求。
章節二：Cloudflare 反爬與隱私爭議——搜尋 API 的灰色地帶
HN 社群在 DeepSeek 搜尋 API 發布後，第一個浮現的問題不是功能，而是隱私。Cloudflare 同期推出 Web Search API，以「ZDR(Zero Data Retention) 夥伴」機制為賣點，平台強調合規 robots.txt 並提供來源歸因。
HN 用戶 anon373839 立刻揪出細節：「他們談的是 providers 保證 ZDR，但我沒看到 Cloudflare 本身也做出同樣承諾。」DeepSeek 同樣面臨相同質疑，有開發者明確表態 DeepSeek API 無 zero data retention 保證，即便定價誘人仍選擇放棄採用。
HN 用戶 buzer 指出 Cloudflare anti-bot 機制在普通 Chrome 與 Firefox 下觸發率極高，尤其在「timeout 後首次存取」場景中幾乎 100% 觸發。對於以 Fetch API 抓取任意 URL 的 agent 工作流程，反爬障礙的可靠性問題不可忽視。
對照 Brave Search（$5/1,000，主打隱私）與 LinkUp（提供無留存選項），搜尋 API 市場正沿著「價格」與「隱私保證」兩條軸線分化，企業客戶與個人開發者的選擇標準將出現明顯分歧。
章節三：與 Google、Perplexity 的價格戰——搜尋市場版圖重繪
2026 年 10 月搜尋 API 定價對比：
- DeepSeek Search/Fetch：$0.75 / 1,000 請求
- SerpAPI：~$1.50 / 1,000 請求
- Brave Search：$5.00 / 1,000 請求
- Perplexity Sonar：$5.00+ / 1,000 請求
- Exa Search：$7–12 / 1,000 請求
- Kagi API：$12 / 1,000 請求
HN 用戶 Barbing 計算，Kagi 的 $5／月訂閱方案在每月搜尋超過約 1,700 次後才具優勢。社群討論中出現自架 SearXNG 的聲音，但主流共識是：免費／自架方案在速率限制與反爬障礙下可靠性不足，付費 API 仍有存在價值。
SEO 分析師 @lilyraynyc 特別指出 DeepSeek 搜尋結果主動過濾「SEO spam 和 GEO manipulation」，這不只是成本優勢，更是結果品質的差異化定位。這場搜尋層的價格戰，實際上是 AI agent 基礎設施層的入口之爭。
章節四：AI 搜尋的下一步——從價格競爭到生態競爭
DeepSeek 同步發布的 V4.1-Flash-1017 新增「Wish-Driven Programming（願景驅動程式設計）」，讓 Search/Fetch API 在架構上成為 agent 的感知層——模型可隨時向外抓取實時資訊，不受訓練截止日期限制。
低至 $0.75/1,000 的搜尋費用讓「每次推理都附帶網路搜尋」首次成為可負擔的預設行為。從開發者對比可見，Anthropic API 的網路搜尋收費 $10，DeepSeek 的 $0.75 相當於前者的 7.5%，差距足以讓兩種架構的 TCO（總擁有成本）天差地遠。
這將從根本上改變 RAG pipeline 的設計邏輯：與其預先建立向量資料庫，不如在 inference 時按需搜尋。DeepSeek 的真正目標，或許不只是搶走 Exa 和 Tavily 的客戶，而是讓搜尋成為 LLM API 套餐的一部分，將競爭從單一工具拉向整個 AI agent 開發生態。
中國政府 10 月 16 日宣布 API/SaaS 接入豁免 AI 技術出口管制，全球開發者無需額外許可即可使用，為這場生態競爭消除了最後的地緣政治阻礙。
核心技術深挖
DeepSeek Search API 的架構設計遵循最小驚喜原則：兩支 endpoint 共用同一個 Bearer token，base URL 與 LLM API 相同，現有 DeepSeek 用戶幾乎零遷移成本即可接入。
真正值得注意的是底層設計選擇——自然語言查詢、結構化 JSON 回傳、失敗不計費，三個特性組合起來，讓這支 API 天然適合 agentic 工作流程。
機制 1：搜尋結果的結構化設計
Search API 返回的 JSON 不只是 URL 列表。每則結果含相關性分數 (0–3) 、可信度等級、發布日期，可選帶回頁面內文。
相關性分數讓 LLM 可在 prompt 中附加加權提示，可信度等級允許 agent 在引用前自動過濾低品質來源，無需額外呼叫 LLM 判斷。支援 site:、lang:、after:、before: 等進階語法，適合需要時效性過濾的 agent 場景。
機制 2：Fetch API 的 Markdown 輸出設計
Fetch API 接受單一 URL，返回 Markdown 格式的頁面內文，URL 長度上限 8,192 字元。Markdown 輸出直接適配 LLM context window，省去 HTML 解析與清洗步驟。
對 RAG pipeline 特別友善——抓回的內容可直接作為 chunk 送入向量資料庫，或直接注入 prompt。主要挑戰是 Cloudflare anti-bot 保護的站點失敗率偏高，需實作 fallback 降級策略。
名詞解釋
RAG(Retrieval-Augmented Generation) ：讓 LLM 在生成回答前先從外部資料庫或網路抓取相關資訊，彌補模型訓練截止日期的知識空缺，是目前企業 AI 應用的主流架構之一。
機制 3：計費邏輯與速率控制
「只收成功請求」的計費邏輯讓 agent 開發者可以無顧慮地在 pipeline 中大量嵌入搜尋步驟。每帳號 5 QPS（Search 與 Fetch 各自獨立計算），Fetch 端點另加每網域速率限制，防止單一 agent 爬穿特定站點。
白話比喻
把 Search API 想像成一個按成果收費的圖書館員：你提問、他去找書，找到才收費；找不到、找錯、或中途出錯，一毛不取。他還把找到的資料整理成電腦能直接讀取的格式，省去你自己翻書的工夫。
工程視角
環境需求
Python 3.8+ 或任何支援 HTTP 請求的語言；現有 DeepSeek API key（base URL：https://api.deepseek.com）。Search 與 Fetch 共用同一 Bearer token，無需另行申請。免費試用期至 2026-11-01 00：00 北京時間，之後按 $0.75/1,000 成功請求計費。
最小 PoC
import httpx
DEEPSEEK_API_KEY = "sk-..."
BASE_URL = "https://api.deepseek.com"
def search(query: str, max_results: int = 5) -> list:
resp = httpx.post(
f"{BASE_URL}/search",
headers={"Authorization": f"Bearer {DEEPSEEK_API_KEY}"},
json={"query": query, "max_results": max_results}
)
resp.raise_for_status()
return resp.json()["results"]
def fetch_url(url: str) -> str:
resp = httpx.post(
f"{BASE_URL}/fetch",
headers={"Authorization": f"Bearer {DEEPSEEK_API_KEY}"},
json={"url": url}
)
resp.raise_for_status()
return resp.json()["content"] # Markdown 格式
results = search("Claude 4 benchmark 2026")
for r in results:
if r.get("relevance_score", 0) >= 2:
content = fetch_url(r["url"])
# 直接注入 LLM context，無需向量資料庫
驗測規劃
以相關性分數 (≥2) 篩選結果，驗測 site: 語法是否正確限縮來源，並模擬 Cloudflare 保護站點的 Fetch 失敗率。確認重試邏輯正確處理 429 狀態碼與每網域速率限制。
常見陷阱
- Cloudflare anti-bot 保護站點 Fetch 失敗率偏高，需實作 fallback（降級至 Search 結果的 snippet）
- 5 QPS 限制在 parallel agent 場景容易觸頂，需做 request queue 與 retry backoff
- URL 長度上限 8,192 字元，超長 URL 需先截斷或使用 canonical URL
- 隱私敏感場景需評估 DeepSeek 無 ZDR 承諾的合規風險，務必諮詢法務
上線檢核清單
- 觀測：搜尋成功率（HTTP 200 比率）、相關性分數分佈、每網域 Fetch 失敗率
- 成本：依 $0.75/1,000 換算月均搜尋次數，設定 budget alert（建議設在預期用量 120%）
- 風險：Cloudflare 保護站點覆蓋率評估、資料留存政策合規性審查
商業視角
競爭版圖
- 直接競品：Exa Search($7–12/1,000) 、Brave Search($5/1,000) 、Tavily($5–8/1,000) 、SerpAPI(~$1.50/1,000) 、Perplexity Sonar($5+/1,000)
- 間接競品：自架 SearXNG（免費但維運成本高）、Kagi API（$12/1,000，主打品質）、Cloudflare Web Search API（ZDR 夥伴生態）
護城河類型
- 工程護城河：自研搜尋引擎驅動，不依賴 Google/Bing API 轉售，邊際成本理論上更低，主動過濾 SEO spam 提供差異化品質
- 生態護城河：與 DeepSeek LLM API 共用 Bearer token，現有用戶零遷移成本，形成 API 套餐黏性
定價策略
$0.75/1,000 的定價屬於典型的 land-and-expand 策略——先以虧損性定價搶佔開發者工作流程，再透過 LLM + Search + Fetch 套餐產生組合鎖定效應。免費試用期至 2026-11-01 進一步壓縮競品的反應視窗。
DeepSeek 在 LLM token 層已複製同一套打法（DeepSeek-V3 較 GPT-4o 便宜約 95%），搜尋 API 是第二層基礎設施的延伸，目標是讓開發者在整個技術堆疊上都依賴 DeepSeek。
企業導入阻力
- 隱私合規：無 ZDR 承諾，GDPR 與 HIPAA 場景需法務審查，部分企業直接排除考慮
- 供應鏈風險：中國廠商的地緣政治不確定性，即便出口管制已豁免，部分跨國企業仍有內部政策限制
- SLA 缺失：目前未見明確的可用性 SLA 與賠償條款，企業生產環境導入門檻較高
第二序影響
- Exa、Tavily 等現有搜尋 API 廠商面臨定價壓力，可能引發降價潮或往品質／隱私差異化轉型
- 低成本搜尋讓「無向量資料庫的輕量 RAG」成為可行架構，衝擊 Pinecone、Weaviate 等向量資料庫廠商
- 搜尋 API 商品化後，競爭重心將轉向結果品質（相關性、可信度評分）與隱私保證
判決：基礎設施層的定價核武（短期顛覆，長期取決於信任）
DeepSeek 以 6.7 倍的價差在搜尋 API 市場製造了無法忽視的震動，成本敏感的個人開發者和初創公司幾乎沒有理由不試用。長期競爭力取決於兩件事：搜尋品質能否持續追上 Exa 的相關性最佳化，以及隱私承諾能否滿足企業合規門檻。
數據與對比
定價基準對比
搜尋 API 市場於 2026 年 10 月出現明顯定價斷層，DeepSeek 以 $0.75/1,000 成為最低價供應商，比次便宜的 SerpAPI($1.50) 低一倍，比 Exa($7–12) 低逾 9 倍。
搜尋結果品質目前無獨立第三方基準測試數據。DeepSeek 搜尋引擎主動過濾 SEO spam 與 GEO manipulation（@lilyraynyc 觀察），但具體召回率與精確度尚待驗證。
最佳 vs 最差場景
推薦用
- AI agent 的實時資訊感知層——在 inference 時按需搜尋，取代預建向量資料庫的靜態 RAG 架構
- 成本敏感的 LLM pipeline——需要高頻率網路搜尋（每日 > 1,000 次）的個人開發者或初創公司
- 研究型 agent——需要搜尋 + 抓取組合（Search 找到 URL、Fetch 抓取全文）的多步驟工作流程
千萬別用
- GDPR/HIPAA 合規場景——DeepSeek 無 ZDR 承諾，敏感資料查詢存在合規風險
- 大量抓取 Cloudflare 保護站點——anti-bot 機制導致 Fetch 失敗率偏高，不適合高可靠性需求
唱反調
隱私代價可能被低估：$0.75 的低價背後，DeepSeek 可能用用戶查詢訓練模型或將資料傳輸至中國伺服器，對企業客戶而言這是無法用成本換算的合規紅線
品質尚未獨立驗證：搜尋相關性、反爬成功率、內容覆蓋度均未經第三方基準測試，Exa 的相關性最佳化積累多年，定價差距可能被品質損失部分抵消
低價不可持續：低於市場的定價明顯屬於補貼策略，一旦競品被迫退出市場後提價，已被鎖定在 DeepSeek 生態的開發者將面臨高遷移成本
社群風向
Cloudflare 可以是替代方案……但要看清楚細則。他們談的是由合作 providers 保證 ZDR，但我沒看到 Cloudflare 本身也做出同樣承諾。
我在普通的 Chrome 和 Firefox 上也經常看到 Cloudflare 驗證挑戰，在許多網站上「逾時後的首次存取」有 100% 的機率觸發。
Serper 的定價是每千次 $1，量大還能更低。他們有還不錯的免費方案。
DeepSeek 除了新模型，還有另一個重大更新——DeepSeek 推出了自家的網路搜尋 API，定價相當驚人：每 1,000 次搜尋僅 $0.75，且只在實際返回結果時收費。相比之下，Anthropic API 上的網路搜尋收費 $10……
「它能過濾 SEO 垃圾和 GEO 操縱」
炒作指數
行動建議
在免費試用期（2026-11-01 前）以 Search + Fetch API 重寫一個現有的 RAG pipeline，對比 Exa 或 Tavily 方案的成本與搜尋品質差異
以 DeepSeek Search API 作為 agent 感知層，實作「inference-time 按需搜尋」的輕量 RAG——無需預建向量資料庫，測試延遲與成本是否優於靜態向量方案
Cloudflare Web Search API 的 ZDR 夥伴生態擴張進度，以及 Exa/Tavily 的定價調整動向——搜尋層價格戰走向將在未來 3 個月內明朗化