OrioSearch: Your AI Agent need WebSearch
vkfolio · Coding
OrioSearch ist eine quelloffene, selbst gehostete API für Websuche und Inhaltsextraktion, gebaut für KI-Agenten. Sie ahmt die Oberfläche von Tavily nach. Sie tauschen eine URL aus, und Ihr Code läuft weiter. Der Haken? Sie hosten sie selbst und zahlen nichts pro Anfrage. Das ist der Deal. Sie bündelt SearXNG, FastAPI und Redis in einem einzigen Docker-Deployment, das Sie kontrollieren, also läuft Ihr Such-Stack dort, wo Sie ihn platzieren.
Über OrioSearch: Your AI Agent need WebSearch
Was ist OrioSearch
OrioSearch ist ein Such-Backend, das Sie auf Ihrer eigenen Maschine oder Ihrem Server betreiben. Es beantwortet dieselben /search- und /extract-Aufrufe wie Tavily, holt Ergebnisse aus einer SearXNG-Metaschicht und kann außerdem sauberen Seitentext oder KI-geschriebene Antworten zurückgeben. Das Versprechen ist einfach: Ihre Agenten bekommen Websuche ohne Abrechnung nach Verbrauch und ohne jede Anfrage über fremde Server zu schicken.
Das Projekt richtet sich an Entwickler, die KI-Agenten, RAG-Pipelines oder Recherchetools bauen und nicht wollen, dass die Kosten pro Anfrage mit der Nutzung steigen. Alles erscheint unter der MIT-Lizenz, also können Sie den Code lesen, ändern und kommerziell einsetzen. Diese Freiheit ist selten. Die meisten gehosteten Such-APIs halten ihr Innenleben geschlossen, und Sie akzeptieren den Preis, den sie festlegen. Der steigt meist mit Ihrer Nutzung und lässt Ihnen wenig Spielraum, wenn sich die Bedingungen ändern.
Der größte Haken ist, dass das Selbsthosting nun Ihre Aufgabe ist. Sie brauchen Docker, einen Ort für drei Dienste und jemanden, der sich um Updates und Ausfälle kümmert. Fällt eine Suchmaschine aus, liegt das an Ihrer Infrastruktur, nicht am Support eines Anbieters. Vom Team gibt es keine verwaltete Cloud-Option, also tauschen Sie Bequemlichkeit gegen Kontrolle. Fairer Hinweis. Wer sollte es überspringen? Jeder ohne Server, auf dem es laufen kann.
Erste Schritte
- Installieren Sie Docker und Docker Compose auf der Maschine, die den Dienst hosten wird.
- Klonen Sie das Repository von GitHub und führen Sie
docker compose up --buildaus, um API, SearXNG und Redis auf einmal zu starten. - Prüfen Sie, ob die API läuft, mit einer Anfrage an
/health, die einen Status ok zurückgeben sollte. - Senden Sie einen Testaufruf
POST /searchmit einer Suchanfrage undmax_results, und bestätigen Sie, dass Sie Titel, URLs und Snippets zurückbekommen. - Richten Sie den vorhandenen Tavily-Code Ihres Agenten auf
http://localhost:8000und entfernen Sie den API-Schlüssel.
Produktinformationen
Ein kurzer Überblick über Preise, unterstützte Plattformen und die Leistung von OrioSearch: Your AI Agent need WebSearch.
Am besten für
Die Nutzer, Aufgaben und Szenarien, für die dieses Tool am besten passt.
Nutzer
- Entwickler von KI-Agenten
- Hobby-Bastler und Indie-Entwickler
- Teams mit Datenschutzvorgaben
Aufgaben
- Websuche für KI-Agenten
- Inhaltsextraktion
- KI-Antworten
Szenarien
- Lange Recherchejobs mit Hunderten Anfragen
- Datenschutzsensible Pipelines
- Selbst gehostete Agenten-Stacks
Wichtigste Funktionen
Tavily-kompatibler Direktersatz
Die API spiegelt die Endpunkte /search, /extract und /tool-schema von Tavily, ein Wechsel bedeutet also meist, eine Basis-URL zu ändern und den API-Schlüssel zu löschen. Ihr Agentencode und das Auswerten der Antworten laufen weiter. Diese Kompatibilität ist der ganze Grund, warum die Migration schmerzlos ist, denn ein normaler API-Wechsel heißt, Request-Builder, Response-Handler und Fehlerpfade neu zu schreiben, bevor Sie irgendetwas ausliefern können. Keine Neuschreibung. Auch kein neues SDK zum Lernen.
Über 70 Suchmaschinen über SearXNG
OrioSearch stützt sich auf SearXNG, um Ergebnisse von Google, Bing, DuckDuckGo und Dutzenden mehr zu bündeln, mit automatischem Rückfall auf DuckDuckGo, falls SearXNG nicht erreichbar ist. Mehr Quellen bedeuten bessere Chancen, ein Ergebnis zu erwischen, das eine einzelne Maschine verpassen würde. Welche Maschine gewinnt, hängt von der Anfrage ab, und genau darum geht es beim Bündeln.
Mehrstufige Inhaltsextraktion
Wenn Sie es auf eine URL richten, nutzt die Extraktionspipeline zuerst trafilatura und weicht bei einem Fehler auf readability-lxml aus. Zurück kommt sauberes Markdown oder reiner Text statt rohem HTML. Das spart Ihnen einen Parsing-Schritt, bevor der Inhalt in ein Modell geht. Kleinigkeit. Sie summiert sich über Tausende Seiten.
KI-Antworten mit Quellenangaben
Schalten Sie include_answer: true ein, und OrioSearch erzeugt aus den zurückgegebenen Ergebnissen eine Antwort mit einem OpenAI-kompatiblen Modell und hängt die Quellen an. Sie können es lokal mit Ollama laufen lassen oder auf OpenAI oder Groq richten, wenn Sie ein gehostetes Modell bevorzugen. Ihre Wahl. Die Antwortqualität folgt dem Modell, das Sie anschließen, ein kleines lokales und ein Spitzenmodell lesen sich also nicht gleich.
SSE-Streaming-Ergebnisse
Der Endpunkt /search/stream schiebt Ergebnisse über Server-Sent Events, sobald sie eintreffen, statt auf die vollständige Antwort zu warten. Für Agenten, die auf den ersten brauchbaren Treffer reagieren, spart das echte Zeit pro Durchlauf. Kein kleiner Gewinn, wenn Ihr Agent Dutzende Suchen pro Aufgabe startet.
Redis-Caching und Neusortierung
Redis bündelt Abfragen mit konfigurierbaren TTLs und einem sauberen Rückfall auf veralteten Cache, wiederholte Anfragen kommen also schnell zurück. Darüber hinaus sortiert ein kleines FlashRank-ONNX-Modell die Ergebnisse nach semantischer Relevanz neu, alles auf CPU ohne PyTorch-Abhängigkeit. Keine GPU nötig. Das hält den Fußabdruck klein genug, um neben Ihrer App auf einer bescheidenen Maschine zu laufen.
Vor- und Nachteile
Vorteile
- Null Kosten pro Anfrage, intensiver Agenteneinsatz wird also nicht zur wachsenden Rechnung.
- Die direkte Tavily-Kompatibilität macht die Migration zu einer URL-Änderung in einer Zeile.
- Anfragen und Daten bleiben auf Ihrer eigenen Infrastruktur, was bei datenschutzsensibler Arbeit zählt.
- Die MIT-Lizenz lässt Sie den Code ohne Bedingungen prüfen, ändern und kommerziell nutzen.
Nachteile
- Hosting, Updates und Ausfälle liegen bei Ihnen, und es gibt keinen verwalteten Cloud-Rückfall, wenn Ihre Maschine im falschen Moment ausfällt.
- Die Einrichtung erfordert Sicherheit mit Docker und etwas Ops-Kenntnis, was nicht technische Nutzer abschreckt.
- KI-Antworten hängen von einem separaten LLM ab, das Sie bereitstellen, also ein weiteres Teil zum Konfigurieren und Bezahlen.
- Keine offizielle mobile App und kein Plugin-Store, alles läuft über die API.
Häufige Fragen
Ja. Es ist Open Source unter der MIT-Lizenz und kostet nichts pro Anfrage, egal wie viel Ihre Agenten suchen. Ihre einzigen Kosten sind das, was Sie für den Betrieb des Docker-Hosts zahlen.
Ähnliche Inhalte
Entdecke passende Tools, Skills und Artikel zu OrioSearch: Your AI Agent need WebSearch.
Alternativen zu OrioSearch: Your AI Agent need WebSearch
Forefront
Forefront · CodingForefront ist eine Webplattform zum Bauen mit Open-Source-KI. Sie lassen sich führende Open-Source-Sprachmodelle mit eigenen Daten feintunen, ihre Leistung bewerten und sie über eine API ausführen oder exportieren, um sie selbst zu hosten. Entwickler, die den Komfort einer geschlossenen Plattform wollen, aber darauf bestehen, ihre Modelle und Daten zu besitzen, sind hier die Zielgruppe.
Startkit
StartKit.AI · CodingStartkit ist ein Boilerplate zum Bauen von KI-SaaS-Produkten und KI-Wrappern. Man kann es sich als KI-Startup-Boilerplate vorstellen, bei dem die langweiligen Teile schon verdrahtet sind: Authentifizierung, Zahlungen über Stripe und Lemon Squeezy, Nutzungslimits, transaktionale E-Mail und ein KI-API-Starter-Kit, das mit OpenAI, Anthropic, Groq oder Llama spricht. Man klont das Repository, setzt seinen Preis und kümmert sich um den Teil des Produkts, für den Menschen wirklich bezahlen. Es basiert auf Next.js über React und Tailwind, deshalb fühlt sich ein Großteil des Boilerplate-Codes schon vertraut an.
Testim
Tricentis · CodingTestim ist eine KI-gestützte Plattform für Testautomatisierung, mit der man End-to-End-Tests für Web-, Mobile- und Salesforce-Anwendungen baut und ausführt. Sie setzt auf maschinelles Lernen, um Tests stabil zu halten, wenn sich eine Oberfläche ändert, sodass Teams weniger Zeit mit der Reparatur kaputter Selektoren verbringen. Nicht schlecht für ein Tool für automatisierte Tests, das Sie heute schon nutzen können. Sie erstellen Tests, indem Sie Aktionen im Browser aufzeichnen, und fügen danach JavaScript hinzu, wenn Sie mehr Kontrolle brauchen. Für ein beschäftigtes QA-Team eine solide Wahl.