DeepSeek Search und Fetch setzen einen Preis von 0,75 $ für Live-Webzugriff
DeepSeek hat seine Search- und Fetch-APIs für 0,75 $ pro 1.000 erfolgreiche Anfragen geöffnet und setzt damit einen auffallend niedrigen Preis für Live-Webzugriff durch KI-Agenten. Die Einführung von DeepSeek Search und Fetch trennt Web-Retrieval von Modellinferenz, sodass Entwickler Seiten über zwei reine JSON-Endpunkte durchsuchen oder extrahieren können.
Das verändert die Wirtschaftlichkeit von Recherche-Agenten, Coding-Assistenten und Retrieval-Augmented Generation, kurz RAG, die einem Modell zur Laufzeit externe Informationen bereitstellt. Suche wird oft als Nebenfunktion behandelt. In einem produktiven Agenten können wiederholte Suchanfragen und Seitenabrufe jedoch zu einem eigenständigen Infrastrukturkostenpunkt werden.
Der niedrige Einstiegspreis zog sofort Aufmerksamkeit auf sich. Der wichtigere Wettbewerb lautet jedoch nicht DeepSeek gegen einen einzelnen Suchanbieter. Es geht um günstiges Retrieval gegen verlässliches Retrieval. Entwickler benötigen weiterhin Belege dafür, dass DeepSeek relevante Quellen liefern, schwierige Seiten extrahieren, sensible Suchanfragen schützen und Produktionsverkehr dauerhaft bewältigen kann.
Der Vergleich erstreckt sich auch auf integrierte Modellplattformen. OpenAI berechnet Websuchaufrufe und den damit verbundenen Modellinput getrennt, während spezialisierte Anbieter Suche, Extraktion oder Recherche als unabhängige Dienste verkaufen. DeepSeek setzt darauf, dass eine einfache Schnittstelle und ein aggressiver Preis pro Anfrage Webzugriff zu einer gewöhnlichen Grundfunktion von Agenten machen können.
DeepSeek Search und Fetch teilen Retrieval auf zwei APIs auf
DeepSeek hat zwei häufige Agentenaktionen in eigenständig abrechenbare Dienste verwandelt: Seiten finden und sie lesen.
Der Search and Fetch guide dokumentiert zwei Endpunkte unter der bestehenden API-Domain des Unternehmens. Search akzeptiert eine Anfrage und liefert strukturierte Ergebnisse zurück. Fetch akzeptiert eine URL und gibt Seitentitel und Inhalt in Markdown zurück.
Der Search-Endpunkt kann zwischen einem und 50 Ergebnissen zurückgeben. Seine Antwort enthält Titel, URL, Snippet, ausführlichere Zusammenfassung, Veröffentlichungsdatum, falls verfügbar, sowie einen Autoritätswert. DeepSeek zufolge kennzeichnen Werte von drei oder vier besonders autoritative Quellen, während minus eins bedeutet, dass die Autorität unbekannt ist.
Entwickler können mit jedem Suchergebnis auch den vollständigen Seiteninhalt anfordern. Die Option need_content ermöglicht dies innerhalb des Suchaufrufs, wobei der Inhalt bei fehlgeschlagenem Retrieval leer bleibt. Dieses Design kann den Orchestrierungsaufwand für Agenten senken, die sowohl Discovery als auch lesbaren Text benötigen.
Die Abfragesyntax unterstützt exakte Phrasen, Ausschlüsse, Spracheinschränkungen, Datumsgrenzen und Website-Filter. Ein Entwickler kann Ergebnisse auf ausgewählte Domains beschränken oder eine Quelle ausschließen, ohne einen separaten Abfrageübersetzer zu erstellen. Die ursprüngliche Nutzerfrage kann zudem zusammen mit der Suchphrase übermittelt werden, damit DeepSeek die Absicht besser einordnen kann.
Fetch übernimmt die engere Aufgabe. Der Dienst ruft eine einzelne HTTP- oder HTTPS-URL ab und wandelt extrahierbare Inhalte in Markdown um, ein Klartextformat, das Überschriften und Links erhält. Diese Ausgabe lässt sich leichter an ein Sprachmodell übergeben als ein unverarbeitetes HTML-Dokument.
Beide Dienste verwenden Bearer-Authentifizierung und gewöhnliche JSON-Anfragen. Sie sind nicht auf ein proprietäres Software Development Kit beschränkt. Eine Anwendung kann sie über ein Function Tool, eine Workflow-Engine, einen Kommandozeilen-Agenten oder ein eigenes Backend aufrufen.
Diese Trennung ist wichtig, weil Suche und Extraktion auf unterschiedliche Weise fehlschlagen. Die Suche liefert womöglich kein relevantes Ergebnis, während Fetch auf eine blockierte Domain, ein nicht unterstütztes Format oder eine Seite ohne nutzbaren Inhalt stoßen kann. Getrennte Vorgänge ermöglichen Entwicklern, jede Stufe einzeln erneut zu versuchen, zu ersetzen oder zwischenzuspeichern.
DeepSeek führt explizite Fehlercodes für ungültige Eingaben, unzureichendes Kontoguthaben, Sicherheitsablehnung, nicht verfügbare Inhalte, Ratenlimits und nachgelagerte Timeouts auf. Für Timeouts, Ratenlimits und Serverfehler empfiehlt das Unternehmen Wiederholungsversuche, nicht jedoch für andere Clientfehler ohne Änderung der Anfrage.
Der Dienst ist schreibgeschützt. Er kann Inhalte finden und abrufen, klickt jedoch keine Schaltflächen an, sendet keine Formulare ab und steuert keine Browsersitzung. Teams benötigen weiterhin eine Browserautomatisierungsschicht für interaktive Websites, authentifizierte Ressourcen oder Anwendungen, die wichtige Informationen erst nach Nutzeraktionen rendern.
Suchanfragen unterliegen einem kontoweiten Limit von 100 Anfragen pro Sekunde. Fetch verfügt über ein separates Limit von 25 Anfragen pro Sekunde sowie eine zusätzliche Beschränkung pro Domain. Getrennte Kontingente verhindern, dass ein Extraktionsschub die gesamte Suchkapazität verbraucht.
Diese Details machen die Veröffentlichung zu mehr als einer Modellfunktion. DeepSeek bietet Retrieval-Infrastruktur an, die neben seinen Modellen oder innerhalb eines umfassenderen Agentensystems eingesetzt werden kann. Die nächste Frage ist, wie die Abrechnungsregel das Anwendungsdesign verändert.
Der Satz von 0,75 $ belohnt erfolgreiches Retrieval
DeepSeek berechnet nutzbare Antworten statt jeden Versuch, wodurch ein Teil des Risikos von Retrieval-Fehlschlägen zurück zum Anbieter verlagert wird.
Search kostet 0,75 $ pro 1.000 erfolgreiche Anfragen. Für Fetch gilt derselbe Satz. DeepSeek definiert eine erfolgreiche Search-Anfrage als eine HTTP-200-Antwort mit einem nicht leeren Ergebnisarray. Eine Fetch-Anfrage wird erst abrechenbar, wenn sie Seiteninhalt zurückgibt.
Fehlgeschlagene Aufrufe, Timeouts und Suchen ohne Ergebnisse werden nicht berechnet. Die Anzahl der Ergebnisse verändert den Preis pro Anfrage nicht, sodass die Anforderung von 50 Ergebnissen dieselben Suchkosten verursacht wie die Anforderung eines einzigen. Modellverarbeitung und andere API-Nutzung bleiben separate Ausgaben.
Ein Workflow, der eine Suche durchführt und fünf Seiten abruft, würde somit sechs potenziell abrechenbare Retrieval-Aufrufe erzeugen. Zu den veröffentlichten Preisen würden 1.000 solcher Workflows 6.000 erfolgreiche Aufrufe und Retrieval-Kosten von 4,50 $ verursachen. Die Tokenverarbeitung käme als weitere Kostenposition hinzu.
Diese Unterscheidung verhindert eine irreführende Interpretation der Schlagzeilenzahl. Der beworbene Wert bedeutet nicht, dass eine gesamte Rechercheaufgabe 0,00075 $ kostet. Ein Agent kann Anfragen neu formulieren, mehrere Quellen prüfen, Zitierungen folgen und mehrere Seiten abrufen, bevor er eine Antwort formuliert.
Ein Deep-Research-Workflow kann Dutzende Aufrufe erzeugen. Ein autonomer Agent kann zudem Suchanfragen wiederholen, wenn Quellen im Widerspruch stehen oder eine erste Anfrage keine brauchbaren Ergebnisse liefert. Günstige Stückpreise sind wichtig, doch die Orchestrierung bestimmt die endgültige Rechnung.
Die Regel von DeepSeek bietet Entwicklern dennoch ein nützliches Maß an Planbarkeit. Suchkosten ändern sich nicht mit der Zahl der Ergebnisse, und erfolglose Retrieval-Versuche verbrauchen keine kostenpflichtigen Einheiten. Teams können Kosten anhand erfolgreicher Tool-Aufrufe schätzen, statt einen zusätzlichen Strom von Retrieval-Tokens modellieren zu müssen.
Die Veröffentlichung betrifft auch die Coding- und Agentenintegrationen von DeepSeek. Laut Dokumentation nutzen serverseitige Tool-Aufrufe von DeepSeek Harness, Claude Code und Codex bereits die Dienste Search und Fetch. Diese Aufrufe bleiben kostenlos, bis die Abrechnung am 1. November 2026 um Mitternacht Pekinger Zeit beginnt.
Dieses Datum ist operativ wichtig. Ein Entwickler muss eine Endpunktanfrage möglicherweise nicht direkt auslösen, dennoch kann ein Agent bei der Bearbeitung einer Aufgabe Suchen starten. Nutzungs-Dashboards und Budgets müssen daher autonome Tool-Aufrufe zählen, nicht nur von Personen ausdrücklich initiierte Aktionen.
Der Responses API guide von DeepSeek zeigt, wie serverseitige Suche an einer Modellantwort beteiligt sein kann. In diesem Setup führt die Plattform das Retrieval aus, fügt die Ergebnisse dem Modellkontext hinzu und setzt die Generierung fort. Dieser Komfort macht den Suchverbrauch innerhalb einer langen Agentensitzung jedoch auch weniger sichtbar.
Zum Vergleich führt die aktuelle OpenAI API pricing Websuche mit 10 $ pro 1.000 Aufrufe auf; Suchinhaltstokens werden zu den Sätzen des ausgewählten Modells berechnet. Die Dienste sind nicht identisch, daher belegt der numerische Abstand keine gleichwertige Leistung.
Integrierte Suche kann Ranking, Quellenverarbeitung, Zitierungen, Sicherheitskontrollen, regionale Funktionen oder modellspezifische Optimierungen umfassen. Unabhängige APIs können mehr Kontrolle über die Retrieval-Schleife bieten. Käufer müssen vollständige Aufgaben statt einer einzelnen Zeile auf einer Preisseite vergleichen.
Das Angebot von DeepSeek erzeugt dennoch Druck im unteren Marktsegment. Ein Entwickler, der mit Tausenden Aufrufen experimentiert, kann gehostetes Retrieval nun als geringe variable Ausgabe behandeln. Das schwächt die Annahme, dass jedes Agententeam einen eigenen Scraping- und Such-Stack betreiben muss, um Kosten zu kontrollieren.
Die Änderung begünstigt auch modulare Architekturen. Search kann einem Modell dienen, während Fetch Inhalte für ein anderes bereitstellt. Ein Team kann seine Modellwahl beibehalten und DeepSeek als Retrieval-Komponente testen, wobei Kontobedingungen und Datenverarbeitung weiterhin geprüft werden müssen.
Günstige KI-Suche setzt integrierte und spezialisierte Anbieter unter Druck
DeepSeek prüft, ob Suche eine Premium-KI-Funktion bleiben oder zu kostengünstiger Infrastruktur werden sollte.
KI-Anwendungen nutzen Web-Retrieval für mehrere unterschiedliche Aufgaben. Ein Support-Agent prüft aktuelle Dokumentation. Ein Rechercheassistent findet Belege für eine Behauptung. Ein Coding-Agent liest Release Notes, Issue-Tracker und Bibliotheksreferenzen, die nach seinem Trainingsstichtag erschienen sind.
Diese Aufgaben verlangen mehr als eine vertraute Suchergebnisseite. Die Anwendung benötigt maschinenlesbare Ausgabe, stabile Antwortfelder, vorhersehbare Latenz und Text, der in einen Modellkontext eingehen kann. Außerdem benötigt sie ein Abrechnungssystem, das sinnvolles Wiederholungsverhalten nicht bestraft.
Spezialisierte Anbieter konkurrieren über Indexabdeckung, Rankingqualität, Extraktionserfolg, Aktualität und Workflow-Funktionen. Einige bieten vollständigen Seitentext, Antwortsynthese, Domain-Filter oder Recherche-Endpunkte. Andere betonen Datenresidenz und vertragliche Kontrollen.
Modellanbieter wählen einen anderen Weg. Sie können die Suche in eine Antwort einbetten und das Modell entscheiden lassen, wann sie verwendet wird. Das reduziert den Integrationsaufwand, kann das Retrieval-Verhalten jedoch schwieriger beobachtbar oder zwischen Plattformen übertragbar machen.
DeepSeek kombiniert Teile beider Ansätze. Seine reinen Endpunkte ähneln spezialisierter Infrastruktur, während seine serverseitigen Tools Retrieval mit DeepSeek-Modellen und kompatiblen Agenten-Clients verbinden. Das eröffnet dem Unternehmen zwei Wege in den Stack eines Entwicklers.
Der niedrige Satz ist besonders überzeugend für hochfrequente Aufgaben mit begrenztem Einzelwert. Denken wir an ein internes Monitoring-System, das stündlich die Dokumentation von Anbietern prüft. Die Suchqualität muss akzeptabel sein, doch jede einzelne Anfrage rechtfertigt keinen teuren Rechercheprozess.
Bei risikoreichen Aufgaben verändert sich die Rechnung. Ein juristischer, medizinischer, finanzieller oder sicherheitsbezogener Workflow kann verlässliche Quellenabdeckung weit höher bewerten als den Preis pro Anfrage. Das Übersehen eines maßgeblichen Dokuments kann mehr kosten als Tausende Suchanfragen.
Auch die Latenz ist relevant. Ein Chat-Assistent kann nicht nach jeder kurzen Frage auf eine langsame Kette aus Suchen und Abrufen warten. Eine Rechercheaufgabe kann mehr Zeit tolerieren, benötigt aber weiterhin erfolgreiche Extraktion über viele Domains hinweg.
Entwickler, die die Veröffentlichung im Hacker News thread diskutierten, hoben beide Seiten dieses Zielkonflikts hervor. Einige hielten gehostetes Retrieval für einfacher und verlässlicher als die Pflege eigener Scraper. Andere stellten Abdeckung, Datenschutz, Ratenlimits und Extraktionsqualität infrage.
Diese Kommentare sind anekdotisch und keine Benchmark-Ergebnisse. Sie zeigen, welche Fragen Käufer stellen, belegen jedoch nicht, dass ein Anbieter besser abschneidet. Der Dienst ist zu neu, als dass breite Produktionserfahrungen den Vergleich bereits entscheiden könnten.
Selbstgehostete Suche bleibt ein weiterer Gegner. Open-Source-Metasuchsysteme können öffentliche Suchmaschinen ohne eine anbieterbasierte Gebühr pro Anfrage aggregieren. Direkte Extraktionstools können zudem viele gewöhnliche Seiten in sauberen Text umwandeln.
Die „kostenlose“ Selbstverwaltung umfasst jedoch weiterhin Server, Proxys, Updates, Observability und den Umgang mit Blockierungen. Teams müssen entscheiden, ob dieser Betriebsaufwand die Vermeidung einer Hosting-Gebühr wert ist. Die Antwort hängt von Umfang, Personal und Zuverlässigkeitsanforderungen ab.
Der Preis von DeepSeek schwächt das wirtschaftliche Argument für den Betrieb dieser Infrastruktur. Das Kontrollargument beseitigt er nicht. Ein lokal betriebenes System kann Anfragen innerhalb einer Organisation halten und benutzerdefiniertes Ranking oder Zulassungslisten anwenden.
Die praktische Antwort lautet: messen. Teams sollten ein festes Evaluierungsset erstellen, das ihre tatsächlichen Domänen und Fragen abbildet. Anschließend können sie Relevanz, Quellenvielfalt, Vollständigkeit der Extraktion, Latenz und die Gesamtzahl der Aufrufe pro abgeschlossener Aufgabe vergleichen.
Eine durchsuchbare Sammlung interner technischer Materialien kann die Live-Recherche ergänzen. Teams benötigen häufig sowohl aktuelle öffentliche Quellen als auch privaten Kontext. Eine strukturierte Engineering-Wissensdatenbank kann interne Belege verfügbar halten, ohne jede Frage an das öffentliche Web zu senden.
Diese kombinierte Architektur reduziert auch unnötige Suchvorgänge. Der Agent kann zunächst lokale Materialien konsultieren, fehlende Informationen identifizieren und externe Recherche für Informationen reservieren, die eine aktuelle Überprüfung benötigen.
Die Qualität der DeepSeek Search API bleibt die entscheidende unbekannte Größe
Die Preise sind verifiziert, doch die Belege zur Beurteilung der Suchqualität sind weiterhin unvollständig.
DeepSeek erklärt, dass Search auf seiner eigenen Suchmaschine läuft. Das Antwortschema enthält Zusammenfassungen, Ranking-Scores, Autoritätsstufen und optional Seiteninhalte. Diese Felder sind nützlich, aber ein Schema kann nicht beweisen, dass die zugrunde liegenden Ergebnisse relevant oder vollständig sind.
Die Suchqualität variiert je nach Sprache, Geografie, Thema und Abfragetyp. Eine Suchmaschine kann bei chinesischen technischen Quellen gut abschneiden, während sie lokale nordamerikanische Berichterstattung übersieht. Sie kann offizielle Dokumentation zuverlässig finden, aber bei Nischenforen oder kürzlich aktualisierten Seiten Schwierigkeiten haben.
Auch die Abrufqualität hat eigene Fehlerquellen. Moderne Websites können JavaScript erfordern, automatisierte Clients ablehnen, Inhalte hinter einer Authentifizierung platzieren oder wichtige Informationen in Dokumenten bereitstellen. DeepSeek weist darauf hin, dass der Abruf weiterhin von der Verfügbarkeit der Website und ihren Zugriffsrichtlinien abhängt.
Eine erfolgreiche HTTP-Antwort garantiert ebenfalls keine verwertbaren Belege. Extrahiertes Markdown kann eine Tabelle auslassen, Navigation mit Artikeltext verwechseln oder Beziehungen zwischen Bildunterschriften und Bildern verlieren. Agenten können dann selbstbewusste Antworten auf Grundlage unvollständiger Materialien erzeugen.
Die Definition einer „erfolgreichen Anfrage“ für die Abrechnung ist enger als der erfolgreiche Abschluss einer Aufgabe. Die Suche wird abrechenbar, wenn sie mindestens ein Ergebnis zurückgibt, selbst wenn dieses Ergebnis irrelevant ist. Der Abruf wird abrechenbar, wenn er Inhalt zurückgibt, selbst wenn diesem Inhalt die benötigte Tatsache fehlt.
Teams sollten daher semantischen Erfolg getrennt vom abrechenbaren Erfolg überwachen. Nützliche Kennzahlen umfassen, ob die richtige Quelle erscheint, ob die Extraktion die Zielpassage enthält und ob die endgültige Antwort Belege für ihre Behauptungen zitiert.
Quellenvielfalt ist ein weiterer Test. Eine Suchmaschine, die wiederholt Kopien desselben Berichts zurückgibt, kann den Eindruck einer Bestätigung aus mehreren Quellen erzeugen. Eine Deduplizierung allein anhand der URL erkennt keine syndizierten oder umgeschriebenen Inhalte.
Entwickler müssen auch den Autoritäts-Score prüfen. DeepSeek definiert die Skala, doch sein öffentlicher Leitfaden erläutert nicht die vollständige Bewertungsmethode. Ein hoher Score sollte das Ranking leiten, aber kein unabhängiges Urteil über die Quelle ersetzen.
Politische und regionale Berichterstattung verdient sorgfältige Tests. Suchmaschinen treffen Entscheidungen über Indexierung, Ranking, Sicherheit und rechtliche Compliance. Diese Entscheidungen können beeinflussen, was ein Agent sieht, bevor ein Sprachmodell überhaupt mit dem Schlussfolgern beginnt.
Datenschutz stellt ein separates Anliegen dar. Anfragen können Produktpläne, Sicherheitsprobleme, Kundennamen, Übernahmeziele oder unveröffentlichte Forschung offenlegen. Abruf-URLs können verraten, welche Dokumente und Systeme eine Organisation untersucht.
Die öffentliche Datenschutzrichtlinie von DeepSeek sollte vor einem sensiblen Einsatz zusammen mit der API-Vereinbarung geprüft werden. Der Leitfaden zu Search und Fetch erläutert Funktionalität und Abrechnung, enthält jedoch kein eigenes Versprechen einer Datenaufbewahrung von null für diese Endpunkte.
Eine Beschaffungsprüfung sollte klären, welche Anfragedaten protokolliert werden, wo sie verarbeitet werden, wie lange sie aufbewahrt werden und ob sie zur Verbesserung des Dienstes genutzt werden können. Vertragliche Zusagen sind wichtiger als Annahmen, die aus dem niedrigen Preis abgeleitet werden.
Sicherheitsteams sollten auch indirekte Prompt-Injection untersuchen. Eine abgerufene Seite kann Text enthalten, der einen Agenten manipulieren, Geheimnisse anfordern oder sein Verhalten umleiten soll. Die Umwandlung einer Seite in Markdown macht ihre Anweisungen nicht vertrauenswürdig.
Anwendungen müssen abgerufene Inhalte als nicht vertrauenswürdige Daten behandeln. Tool-Berechtigungen sollten von Seitentext getrennt bleiben, und der Agent sollte Anweisungen nicht allein deshalb ausführen, weil sie in einer Quelle erscheinen. Sensible Aktionen erfordern explizite Richtlinienprüfungen außerhalb des vom Modell erzeugten Plans.
Caching kann sowohl Kosten als auch Exposition verringern. Häufig angeforderte öffentliche Seiten müssen nicht wiederholt abgerufen werden, wenn die Aktualitätsanforderungen eine Wiederverwendung erlauben. Ein Cache liefert außerdem einen Nachweis darüber, welche Inhalte eine frühere Antwort genau beeinflusst haben.
Caching führt jedoch zu Fragen bezüglich der Versionierung. Teams müssen Abrufzeit, Quell-URL und Content-Hash dokumentieren, wenn sie reproduzierbare Ergebnisse benötigen. Andernfalls kann ein späterer Abruf eine geänderte Seite liefern, die die ursprüngliche Behauptung nicht mehr stützt.
DeepSeek hat die Kosten leicht verständlich gemacht. Den technischen Aufwand, der nötig ist, um Recherche präzise, sicher und prüfbar zu gestalten, hat es nicht beseitigt.
Wie DeepSeek Search und Fetch das Agent-Design verändern
Die Veröffentlichung macht Recherche günstig genug für häufigeren Einsatz, aber gute Agenten sollten gezielter suchen, nicht wahllos.
Ein starker Workflow beginnt mit der Entscheidung, ob aktuelle Informationen erforderlich sind. Stabile Definitionen und interne Verfahren können bereits in einem vertrauenswürdigen Wissensspeicher vorhanden sein. Aktuelle Preise, Releases, Richtlinien und Nachrichten erfordern in der Regel externe Überprüfung.
Der Agent kann die Frage des Nutzers dann in einen kleinen Suchplan überführen. Eine Anfrage sollte auf die Primärquelle zielen. Eine weitere kann nach unabhängiger Berichterstattung oder Kritik suchen. Zusätzliche Suchen sollten spezifische Lücken schließen, statt breite Formulierungen zu wiederholen.
Die Operatoren von DeepSeek unterstützen dieses Muster. Eine Anfrage kann auf offizielle Domains zielen, ein Veröffentlichungsfenster festlegen oder Sprachen begrenzen. Diese Steuerelemente helfen einem Agenten, mit einem evidenzbasierten Zweck zu suchen, statt eine große, unfokussierte Ergebnismenge zusammenzutragen.
Die Ergebnisanzahl schafft ebenfalls eine Optimierungsmöglichkeit. Da sich die veröffentlichte Anfragerate zwischen einem und 50 Ergebnissen nicht ändert, kann ein System ausreichend Kandidaten für ein Reranking anfordern. Es sollte dennoch vermeiden, den Modellkontext mit jedem zurückgegebenen Element zu füllen.
Eine separate Ranking-Stufe kann Quellen nach Relevanz, Autorität, Aktualität und Vielfalt auswählen. Fetch sollte dann nur die Seiten abrufen, die voraussichtlich die Antwort beeinflussen. Das reduziert Extraktionsaufrufe und begrenzt nicht vertrauenswürdigen Text, der in das Modell gelangt.
Der Workflow sollte Zitate während der gesamten Verarbeitung bewahren. Zusammenfassungen sind praktisch, doch eine endgültige Antwort benötigt URLs und Passagen, die jede wichtige Behauptung stützen. Wenn Belege einander widersprechen, sollte das System die Uneinigkeit berichten, statt sie zu einer unbelegten Schlussfolgerung zu vermischen.
Abruffehler benötigen begrenzte Wiederholungsversuche. Es ist sinnvoll, eine rate-limitierte oder mit Timeout abgebrochene Anfrage nach einer Verzögerung erneut zu versuchen. Eine Sicherheitsablehnung oder einen Fehler wegen nicht unterstützter Inhalte ohne Änderung der Anfrage zu wiederholen, verschwendet Zeit und kann eine Schleife erzeugen.
Produktionssysteme benötigen zudem Budgets auf mehreren Ebenen. Ein Sitzungslimit verhindert, dass eine einzelne Nutzeranfrage Hunderte von Suchvorgängen auslöst. Ein tägliches Kontolimit begrenzt unerwarteten Traffic. Pro-Domain-Kontrollen verringern die Belastung einzelner Websites.
Die neue Ökonomie könnte übermäßige Recherche fördern, weil jeder Aufruf nahezu kostenlos erscheint. Das wäre ein Fehler. Mehr Suchergebnisse können Latenz, doppelte Belege, Kontextgröße und Möglichkeiten für Prompt-Injection erhöhen.
Agent-Designer sollten die Kosten pro akzeptierter Antwort messen, nicht die Kosten pro API-Aufruf. Diese Kennzahl umfasst Recherche, Modell-Tokens, Wiederholungsversuche, Validierung und menschliche Prüfung. Sie zeigt außerdem, ob die Antwort das Problem des Nutzers tatsächlich gelöst hat.
Ein nützliches Evaluierungsset kann vier Kategorien enthalten. Aktualitätsfragen testen jüngste Änderungen. Fragen zu bekannten Elementen testen, ob die Suchmaschine eine bestimmte maßgebliche Seite findet. Vergleichsfragen testen die Quellenvielfalt. Schwierige Seiten testen das Extraktionsverhalten.
Jeder Test sollte den Rang der erwarteten Quelle, die Vollständigkeit der Extraktion, die Latenz und die Anzahl kostenpflichtiger Anfragen dokumentieren. Evaluatoren können die Zitierunterstützung bewerten und festhalten, wann eine Antwort einen weiteren Anbieter oder eine manuelle Prüfung erfordert.
Die Rohendpunkte machen auch Fallback-Routing praktikabel. Eine Anwendung kann DeepSeek für gewöhnliche Suchen versuchen und dann eine andere Quelle verwenden, wenn Abdeckung oder Extraktion fehlschlagen. Das schützt die Qualität und bewahrt zugleich niedrigere Durchschnittskosten.
Diese Strategie erfordert Normalisierung. Anbieter liefern unterschiedliche Felder, Scores, Zusammenfassungen und Datumsformate zurück. Ein gemeinsames internes Schema kann verhindern, dass der Rest der Anwendung von der Antwortform eines einzelnen Anbieters abhängt.
Die API von DeepSeek ist daher leicht zu testen, aber nicht automatisch leicht zu ersetzen. Entwickler sollten Authentifizierung, Fehlerbehandlung und anbieterspezifische Ranking-Felder in einem Adapter isolieren. Der Agent kann dann „search“ anfordern, ohne zu wissen, welcher Dienst sie ausführt.
Diese Architektur macht Preiswettbewerb zu einem Vorteil für Käufer. Anbieter müssen Traffic durch messbare Leistung verdienen, während Teams die Fähigkeit behalten, Workloads zu verlagern, wenn sich Richtlinien oder Qualität ändern.
Drei Signale werden bestimmen, ob der niedrige Preis relevant ist
Der nächste Test besteht darin, ob DeepSeek die Neugier von Entwicklern in eine nachhaltige Nutzung in der Produktion umwandeln kann, ohne Qualität oder Vertrauen zu schwächen.
Das erste Signal ist unabhängiges Retrieval-Benchmarking. Nützliche Tests müssen Sprachen, aktuelle Ereignisse, technische Dokumentation, lokale Informationen und adversariale Seiten abdecken. Sie sollten Abfragesets und Bewertungsmethoden veröffentlichen, nicht nur einen einzelnen Durchschnittswert.
Wenn DeepSeek maßgebliche Quellen zuverlässig findet und vollständige Inhalte extrahiert, gewinnt der niedrige Preis strategisches Gewicht. Wenn Ergebnisse wiederholte Suchen oder häufige Fallback-Anbieter erfordern, wird der angekündigte Vorteil auf Aufgabenebene schrumpfen.
Das zweite Signal ist der Umgang mit Unternehmensdaten. Käufer benötigen klare Antworten zu Aufbewahrung von Anfragen, Verarbeitungsorten, Trainingsnutzung, Sicherheitskontrollen und vertraglicher Löschung. Eine dokumentierte Option ohne Datenaufbewahrung würde die Position von DeepSeek bei sensiblen Workloads stärken.
Schweigen oder Unklarheit hätte den gegenteiligen Effekt. Viele Organisationen werden für durchsetzbare Kontrollen mehr bezahlen, weil Suchbegriffe vertrauliche Absichten offenlegen können. Günstige Recherche kann einen inakzeptablen Datenpfad nicht ausgleichen.
Das dritte Signal ist die Reaktion der Wettbewerber. Suchspezialisten und Modellplattformen können Preise senken, Recherche bündeln, kostenlose Kontingente verbessern oder hochwertigere Recherche hervorheben. Sie können sich auch durch regionale Verarbeitung, Zitate, Browserausführung oder Unternehmensvereinbarungen differenzieren.
Eine breite Preisreaktion würde bestätigen, dass DeepSeek die Erwartungen an grundlegende Recherche neu gesetzt hat. Eine begrenzte Reaktion würde darauf hindeuten, dass Wettbewerber glauben, Käufer schätzten Qualität, Integration und Governance höher als die Anfragengebühr.
Entwickler sollten auch die Nutzung beobachten, nachdem die Abrechnung am 1. November beginnt. Eine anhaltende Akzeptanz würde zeigen, dass Nutzer den Dienst über seine anfängliche kostenlose Phase hinaus schätzen. Ein starker Rückgang würde darauf hindeuten, dass Neugier statt Produktionsnachfrage die frühe Aufmerksamkeit angetrieben hat.
Der veröffentlichte Tarif verschafft DeepSeek einen praktischen Einstiegspunkt. Search und Fetch sind einfach genug, um sie in wenigen Stunden zu testen, und erfolglose Anfragen verursachen keine Abrufgebühren. Das senkt die Kosten für eine realistische Evaluierung.
Damit ist die Kaufentscheidung jedoch nicht getroffen. Teams sollten repräsentative Aufgaben vergleichen, die relevanten Vereinbarungen prüfen und den gesamten Weg von der Anfrage bis zur zitierten Antwort nachverfolgen. Außerdem sollten sie Fehlerbedingungen testen, bevor sie Kunden- oder Unternehmensdaten über den Dienst leiten.
DeepSeek Search und Fetch stellt eine Behauptung auf, die schwer zu ignorieren ist: Live-Webzugriff muss nicht länger ein teures Premium-Feature sein, das an ein Modell gekoppelt ist. Die offene Frage lautet, ob DeepSeek zu diesem Preis zuverlässige und steuerbare Abrufe liefern kann.
Führen Sie denselben Evaluierungssatz bei Ihrem aktuellen Anbieter und bei DeepSeek aus. Messen Sie relevante Quellen, vollständige Extraktionen, Latenz, abrechenbare Aufrufe und die Genauigkeit von Zitaten. Wiederholen Sie den Test anschließend, nachdem sensible Anfragen entfernt wurden, bis die Datenbedingungen Ihren Anforderungen entsprechen. Wenn DeepSeek bei vollständigen Aufgaben statt nur bei isolierten Aufrufen gewinnt, wird der Tarif von 0,75 $ relevant sein. Wenn es nur auf dem Preisblatt gewinnt, kann die günstigste Suchanfrage dennoch die teurere Antwort hervorbringen.
