TinyFish 免费搜索免除了 API 账单，却未免除阅读网页的成本

TinyFish 免费搜索消除了 AI 代理的一项显性收费，但并未让网页研究变成免费服务。该公司如今在公开速率限制范围内，为其 Search 和 Fetch 服务提供免使用费访问。不过，每个检索到的页面仍可能消耗模型 token、占用上下文空间、拉长工作流，并引入无关信息。

这种区别至关重要，因为代理做的不只是收集链接。它会搜索、选择结果、阅读页面、评估内容，并且往往重复这一过程。检索服务商只控制其中一部分链路。即使首次 API 调用无需付费，模型推理、重复上下文和失败尝试仍可能成本高昂。

这一公告也给 Exa、Firecrawl、Tavily、Parallel 及其他向软件代理提供网页访问服务的公司带来压力。TinyFish 正将基础检索打造为其更广泛自动化平台的入口。竞争对手如今必须通过更高的质量、可靠性、控制能力或更高的运行限额来捍卫付费检索。

因此，核心问题并不是 TinyFish 是否让搜索免费。它确实做到了，但有明确的限制。更难的问题是：其结果能否帮助代理以更少的计算量和更少的重试完成工作。

TinyFish 免费搜索改变了工作流中被计费的环节

TinyFish 取消了直接检索费用，但代理其余的运行成本依然存在。

TinyFish 于 2026 年 5 月 4 日宣布免费提供 Search 和 Fetch 访问。Search 返回结构化网页结果，Fetch 则将选定页面转换为 Markdown、HTML 或 JSON。这两项服务均可通过公司的 API、软件开发工具包、命令行界面及 Model Context Protocol 集成使用。

公司的免费搜索公告称，开发者无需信用卡即可开始使用。即使账户没有充值钱包余额，Search 和 Fetch 仍可使用。这比与推广额度绑定的临时试用更具实质意义。

不过，免费访问受速率限制约束。当前的使用限额允许每分钟进行数十次搜索、每小时进行数百次搜索。Fetch 每分钟支持超过一百个 URL，但还受独立的每日上限限制。这些额度对于实验和中等规模的生产工作负载而言看起来相当充足。

TinyFish 仍会对平台的其他部分计量收费。其 Agent 产品处理多步骤浏览器任务，而 Browser 提供托管的交互式会话。这些服务会消耗钱包资金，因为它们需要运行时间更长的基础设施和更多有状态执行能力。

这种划分揭示了其商业策略。TinyFish 将信息发现和页面提取视为获客渠道。当工作流从阅读公开页面推进到点击控件、维持会话、填写表单或执行更长任务时，公司便获得收入。

这一模式类似于将某一层服务商品化、以提升另一层需求的基础设施企业。一次免费的检索调用可以吸引开发者进入平台。成功的原型随后可能带来对托管浏览器、自动化步骤、企业级控制和更大容量的需求。

对开发者而言，直接好处是实验过程更简单。团队无需先估算每次查询和每个页面的独立费用，就能将代理接入最新网页信息。但同一团队仍需监控有多少文本进入其语言模型。

这项剩余成本可能不如 API 账单直观。搜索结果、页面内容、系统指令、聊天历史和工具输出都在争夺空间。当代理将这些材料发送给模型时，模型服务商会根据自身使用条款处理它们。

因此，一次免费 Fetch 可能产生昂贵的模型请求，也可能只产生低成本请求。差异取决于返回内容的多少、内容的洁净程度，以及工作流重复发送这些内容的频率。

TinyFish 的举措改变的是采购方式，而非计算本身。由于直接费用消失，检索更容易获得批准。工程团队仍必须衡量完整任务，从首次查询直到最终经过验证的答案。

AI 代理真正的网页成本始于检索之后

代理要为其处理的信息付费，而不只是为交付信息的端点付费。

设想一个比较多款产品的研究代理。它首先搜索相关页面，然后获取规格、文档、评测和近期公告。代理可能会先总结每个来源，再协调彼此矛盾的说法。

每一步都可能向工作上下文中加入文本。上下文窗口是模型在单次请求中可考量的输入和生成材料总量。更大的窗口提升容量，但不会让不必要的文本变得无害。

导航菜单、Cookie 提示、相关文章列表、广告标签和重复页面元素都会消耗 token。token 是模型处理文本时使用的小型文本单位。token 数量因模型和语言而异，因此基于字符的估算仍只是近似值。

10 月 18 日的成本分析通过一个新闻页面说明了这一问题。在 TinyFish 的底层评估中，服务商针对同一篇文章返回的文本量差异巨大。

TinyFish 为该页面返回的内容不足 5,000 个字符。Firecrawl 返回的内容超过 170,000 个字符。Parallel 仅返回简短摘录，因此其更小的输出无法与完整提取结果直接比较。

按粗略换算，这些输出从约 150 个 token 到超过 42,000 个 token 不等。在加入指令、对话历史或输出之前，最大的结果就可能占据 128,000-token 上下文窗口约三分之一的空间。

这个例子并不能证明典型表现。它只覆盖了一项由供应商主导的小型测试中选取的单个页面。但它说明了，检索量和有用信息是两种不同的衡量指标。

更大的响应并不必然更完整。它可能同时包含文章和大量页面元素。更小的响应也不必然更好，因为它可能遗漏代理生成准确答案所需的证据。

运营目标是在尽量减少噪声的前提下获得有用覆盖。覆盖度关注系统是否检索到了必要材料。信号则关注返回材料中有多少真正有助于完成任务。

在代理循环中，这一区别更为重要。传统搜索界面让人们浏览结果并决定打开什么页面。代理则可能在无人干预的情况下进行搜索、获取、反思、再次搜索，并修改其答案。

此前材料可能会被纳入后续模型请求。一些系统会以较低的处理费率缓存重复输入，但缓存文本仍会占据上下文，也可能让模型偏离更新或更相关的证据。

嘈杂的提取至少会带来四种潜在成本。第一，模型必须处理更多输入。第二，有用内容更难识别。第三，工作流会更早触及上下文限制。第四，由于未能提取答案，代理可能进行额外搜索。

这些影响会叠加。单个质量较差的页面或许还能应对，但反复出现的差页面可能迫使系统进行总结、截断或额外调用模型。检索端点仍然免费，而工作流却变得更长。

延迟也应纳入同一计算。搜索或许能快速返回，但完整研究任务还包括页面渲染、模型推理、工具选择和重试。用户感受到的是总耗时，而不是最快的独立组件。

可靠性同样会改变经济性。如果代理反复遇到拦截、不完整提取或过时结果，它可能需要寻找替代来源。当工程师必须围绕某项工具构建大量兜底逻辑时，名义上低成本的工具也会变得昂贵。

因此，正确的成本单位是完成的任务。团队应衡量得出有依据答案所需的模型 token、工具调用次数、耗时秒数和重试次数，还应记录答案是否依然正确。

这种任务级视角能避免常见的采购失误。供应商可以降低一个成本项，却将工作转移到技术栈的另一部分。免费检索确有实际价值，但前提是它降低了总工作量，而非只是将成本重新安置。

对于研究密集型知识工作，同样的原则也适用于采集之后。干净的来源仍需要在后续进行组织、比较和检索。结构化的AI 知识库可以保存有用证据，避免在新对话中反复导入整页内容。

干净的 Fetch 结果才是 TinyFish 更有力的论点

TinyFish 最具影响力的主张并非免费访问，而是能以更少模型处理量提供更干净的输出。

Search 用于识别潜在来源。Fetch 决定模型实际阅读什么。如果获取层能够在保留证据的同时移除无关页面元素，它就能同时减少 token 使用并提升专注度。

TinyFish 表示，其 Fetch 服务通过真实浏览器渲染页面，并返回清理后的内容。这一方法旨在应对 JavaScript 密集型网站、动态界面，以及通过基础 HTTP 请求几乎无法暴露有用信息的页面。

公司于 2026 年 6 月 2 日评估了这一能力。其Fetch 评估测试了 45 个 URL，覆盖文档、定价页面、代码仓库、文章和新闻网站。

TinyFish 称，其中 42 个 URL 获得可用结果，占比 93%。按照该测试标准，Tavily 达到 36 个，Exa 达到 33 个，Firecrawl 达到 28 个，Parallel 达到 26 个。

在可用结果中，TinyFish 报告的信号比例中位数超过 90%。当 Exa 成功访问页面时，其表现紧随其后。较大的差异出现在覆盖范围，尤其是在 15 个新闻 URL 上。

该评估将可用结果定义为：至少 1,000 个字符，且经判断的信号比例高于 30%。按这些规则，TinyFish 记录了三次失败，包括两个返回内容过少的页面，以及一个噪声过多的页面。

这些细节使测试比单一的标题百分比更具参考价值，但也暴露出若干重要局限。

TinyFish 自行进行了该评估，并与比较中的每一家服务商存在竞争关系。样本仅包含 45 个 URL。内容质量由 Anthropic 模型评判，而 30% 的信号阈值则反映了方法选择。

服务商也可能迅速变化。获取系统需要应对出版商改版、访问限制和反爬技术。6 月测得的结果并不能保证 10 月仍有完全相同的表现。

新闻页面推动了 TinyFish 报告优势中的很大一部分。这对监控和研究代理而言很重要，但未必能预测其在电商目录、需认证的应用程序、政府数据库或细分行业门户上的表现。

该评估还混合了不同的检索架构。基于索引的服务可能快速返回干净的存储副本，但会遗漏其索引中不存在的页面。实时浏览器能够访问更新材料，但会带来渲染复杂性和潜在延迟。

两种方案并非在所有工作负载中都各有胜负。索引系统可能更适合反复访问覆盖充分的公开信息。当时效性、动态内容或复杂页面结构变得重要时，实时渲染的价值就会更高。

TinyFish 的测试发现，只要成功访问页面，Exa 也能提供同样干净的内容。这一结果削弱了“某一家提供商始终能产出更优文本”这种简单说法。它表明，可用性和架构对性能的影响，与清洗质量同样重要。

Parallel 的简短输出带来了另一种权衡。精简摘录能限制 token 消耗，但也可能隐藏证据。如果智能体只收到片段，且无法识别页面已被截断，就无法进行审慎比较。

Firecrawl 在重点新闻示例中的大量输出则展示了相反的风险。完整渲染能够保留证据，但也会捕获海量页面框架元素。模型获得了文章，却必须先在页面中找到文章。

因此，开发者应测试具有代表性的网址，而不是接受单一基准排名。采购基准应纳入定义实际应用的域名、语言、页面类型和时效性要求。

测试还应将检索失败与提取失败区分开来。一家提供商可能找到正确网址，却返回无法使用的文本。另一家可能擅长提取已提供的网址，却在搜索时将质量较差的来源排在前面。

回答质量提供了最终检验。只有当智能体保留关键细节、理解限定条件并引用正确来源时，更干净的文本才有价值。激进的清洗可以节省 token，却可能删除会改变含义的上下文。

TinyFish 公开的 基准测试集合包括搜索、抓取和浏览器智能体测量结果。这些结果提供了有价值的起点，但买方应将供应商基准视为可复现的主张，而非普遍结论。

TinyFish 论点中最有力的版本是可衡量且范围明确的。如果其 Fetch 输出能够持续以更少噪声保留所需事实，免费检索就不只是营销宣传。它同时降低了直接费用和下游处理负担。

对于每种工作负载而言，这仍是一个实证问题。该公告让运行这些测试的成本变得很低，这或许是其最重要的实际影响。

付费搜索提供商如今必须为整体结果辩护

TinyFish 的免费搜索将竞争从单次请求定价转向准确性、覆盖范围、延迟和运营可信度。

Exa、Firecrawl、Tavily 和 Parallel 提供的并非完全相同的产品。它们以不同方式组合搜索、提取、研究、爬取或自动化能力。比较单个端点，可能掩盖提供商交付的更广泛价值。

不过，TinyFish 的决定带来了一个令人不安的参照点。买方会问：当 TinyFish 免费提供基础搜索或抓取请求时，为什么其他地方仍要收费。

竞争对手可以通过更优的结果回答这个问题。更高的来源相关性可以减少搜索次数。更好的提取可以降低 token 使用量。更快的响应可以缩短面向用户的任务时间，而更强的可观测性可以减少工程投入。

一致性同样具有价值。企业团队可能更看重可预测的排序、稳定的 schema、合同支持、访问控制和有文档记录的数据保留政策。仅凭免费访问无法满足这些要求。

规模也是如此。TinyFish 为其免费服务公布了限制。超过这些限制的应用，需要讨论企业级容量或选择其他提供商。即使每次请求都有直接费用，能够提供直观的大规模访问能力的提供商依然可能具有吸引力。

不同产品对工作量的计算方式也不同。一次搜索请求可以返回多个结果，而一项研究任务可能执行多次搜索和模型调用。页面提取并不等同于浏览器交互或完成一项调查。

这正是简单价格比较经常产生误导的原因。它们将不同单位并列，暗示最便宜的单位会带来最便宜的工作。自动化步骤、搜索请求、抓取页面和完成的报告，代表的工作量各不相同。

TinyFish 自身的产品线也承认这种区别。Search 和 Fetch 免费，而有状态浏览器操作和多步骤智能体仍按量计费。该公司并未声称网页执行没有成本。

相反，它是在选择计费点。TinyFish 吸收基础检索成本，并在工作需要更深层编排时收费。这给竞争对手带来压力，要求其解释自身的边界。

这一举措还加大了对内部检索系统的压力。一些团队维护自定义爬虫、浏览器池、解析器规则、代理服务和备用提供商。直接基础设施支出只是这一决策的一部分。

网站变化时，工程师必须作出响应。他们必须监控提取失败、被阻断的会话和意外的 schema 变化。如果托管免费服务足以处理适量工作负载，维护内部检索能力就更难合理化。

供应商依赖构成了反面论点。免费服务可能改变其限制、政策或产品战略。托管系统还会获得客户提交了哪些网址和查询的信息。

这些因素对保密研究尤其重要。研究收购目标、安全问题、诉讼或未公开产品计划的团队，应在通过任何外部提供商路由查询前审查数据处理方式。

网站所有者则是另一个尚未解决的利益相关方。AI 检索系统可能生成自动化流量，同时减少直接访问。出版商日益关注授权、署名、爬虫控制以及对用于模型驱动回答的内容进行补偿。

TinyFish 表示，其基础设施包括浏览器渲染和处理受阻访问的系统。买方应考虑，成功访问是否在技术上可行、合同上获准，以及是否适合预期用途。

能够渲染的页面并不自动意味着不存在版权、隐私或服务条款方面的问题。检索提供商可以减少技术阻力，却不能消除客户自身的合规义务。

当智能体从阅读转向行动时，这种紧张关系会变得更尖锐。抓取公开页面与登录账户、提交表单或完成购买，承担的风险不同。

TinyFish 的商业战略依赖于这种递进关系。免费检索为付费执行提供入口。越多开发者采用其初始服务，TinyFish 就越有机会销售后续阶段的能力。

竞争对手可以通过降低检索费用、捆绑服务或强调差异化质量来应对。它们也可以通过专业索引、结构化数据集、企业治理或更深入的研究能力参与竞争。

可能的结果并不是每项搜索服务都会变得相同且免费。基础检索若无法证明能改善已完成的任务，将更难销售。提供商将围绕请求之外的能力展开竞争。

对买方而言，这是有利的变化。团队可以要求与实际工作负载挂钩的基准。他们可以比较总模型使用量和完成率，而不是把请求数量当作价值的主要衡量标准。

“免费”标签仍未解决质量、隐私和持久性问题

最大的风险不在价格字段之外：基准独立性、数据处理、速率限制和长期可靠性。

TinyFish 的公告清楚说明了哪些服务免费。其更广泛的效率论述需要更谨慎地看待，因为大部分支持证据来自 TinyFish 自身。

这项包含 45 个网址的 Fetch 研究对若干弱点保持透明。TinyFish 承认其商业利益、小样本规模、主观阈值以及自动评判器的局限性。

透明度提升了可信度，但并不构成独立验证。外部研究人员应在更大、更多样化的样本上复现实验结果。他们应测试重复运行、国际网站、长文档和布局特殊的页面。

搜索质量需要单独审查。一项服务在收到网址后可以干净地抓取页面，却可能在发现阶段返回较弱的来源。搜索评估应衡量相关性、时效性、来源权威性、重复度和一致性。

原始分析引用的一项第三方基准保持回答模型不变，仅改变搜索提供商。在被比较的配置中，TinyFish 显示的总模型和检索成本最低。

不过，在该快照中，它记录的显示 Search Index 分数也最低。其 DeepSearchQA 结果仍具竞争力，但这一组合使简单的胜利说法变得复杂。

该基准使用的是共享提取层，而非 TinyFish Fetch。因此，它评估的是该测试框架中 TinyFish Search 的效果，而不是该公司完整的搜索与抓取技术栈。

其计时数据还将估算的模型处理时间与实测搜索时长相结合。该数字不应被表述为原始 API 延迟。买方比较不同测试的结果时，这些方法论差异至关重要。

负责任的结论应当有限。TinyFish 有证据表明，其免费搜索可以支持注重成本的智能体工作流。现有公开数据并未证明它是适用于每个质量目标的最佳提供商。

隐私仍是另一个悬而未决的问题。搜索查询可能泄露商业意图、客户问题和内部优先事项。抓取的网址可能暴露一个团队正在调查哪些公司、人员或漏洞。

组织应审查数据保留、训练、日志记录、访问控制和删除政策。企业买方还应询问，是否能够隔离流量、审计访问，以及控制处理发生的位置。

持久性之所以重要，是因为免费基础设施可能迅速吸引工作负载。需求高峰可能影响性能，而慷慨的访问政策也可能招致滥用。TinyFish 可以通过限流、修订限制或更严格的控制来应对。

该公司公布的限制提供了可预测的起点，但并非永久保证。生产环境设计应预期政策变化和临时故障。

备用方案仍然有价值。当一家提供商错过页面、返回过多噪声或达到配额时，智能体可以在不同提供商之间路由。这种弹性增加了工程复杂性，但能避免单一供应商成为单点故障。

团队还应将来源元数据与提取文本一并存储。一条有用的记录包括网址、检索时间、内容哈希和提取方法。没有溯源信息，页面变化后就很难审计回答。

干净的提取也可能引入自身错误。解析器可能删除披露信息、表格标签、脚注或相邻的限定语。这些遗漏可能导致自信的摘要歪曲来源含义。

高风险工作流需要来源级验证。对于涉及金融、健康、法律、安全或合同义务的主张，智能体应保留引文和直接证据。

人工审核不必覆盖每项低风险任务。它应随错误后果而增加。检索越便宜，在治理跟上之前扩展自动化的诱惑就越大。

TinyFish 的免费搜索降低了将智能体连接到实时网络的门槛。它并未回答该智能体是否选择了可靠来源、是否正确解读了内容，或是否有权使用它。

这些未解决的问题说明，“免费”标签很重要，但并不完整。即使检索账单消失，成本、质量和信任仍然彼此关联。

什么将证明 TinyFish 免费搜索是否真的能省钱

有三个信号将决定 TinyFish 是改变了智能体经济学，还是仅仅改变了账单出现的位置。

第一个信号是独立的任务级基准测试。研究人员应在相同的模型、提示词、来源集合和答案评分方法下比较各家服务商。结果应报告已完成任务的准确率、总 token 数、耗时、重试次数和失败率。

如果免费检索在不降低答案质量的同时，也减少了总体模型使用量，这些证据将强化 TinyFish 的论点。反之，若更低的检索成本导致更多搜索、更长的推理过程或更差的答案，则会削弱这一论点。

第二个信号是实验之外的生产环境采用情况。开发者可以轻松试用免费 API，但持续使用才能揭示该服务在不断变化的网站环境中是否依然可靠。案例研究应包含流量规模、错误率、回退频率和维护工作量。

有意义的采用将表明，团队信任 TinyFish 能够处理持续性的工作负载，而不只是用于演示。频繁更换服务商或部署大量回退逻辑，则意味着免费访问并未充分消除运营风险。

第三个信号是竞争对手的反应。Exa、Firecrawl、Tavily 和 Parallel 可以调整额度、套餐或产品定位，也可以围绕来源质量、提取准确率或研究任务完成率发布更有力的独立测量结果。

广泛的降价将证实 TinyFish 改变了市场基准。以质量为核心的回应则说明，竞争对手认为买家仍会为更好的结果付费。

开发者不必等到这些信号出现后才测试这项服务。他们应从一组具有代表性的真实任务开始，随后记录每一次搜索、抓取、token 使用、重试和完成的答案。

一次有价值的试用应涵盖容易处理的页面，以及那些通常会导致检索失败的棘手页面。它还应测试突发新闻、文档、动态网站、长页面，以及受常见访问控制保护的来源。

评估应衡量证据保留程度，而不只是整洁的格式。只有在保留最终答案所需事实的前提下，紧凑的回复才有价值。

随后，团队应将完整工作流与现有系统进行比较。如果 TinyFish 免费搜索在保持准确性的同时降低了总体计算量、延迟和维护成本，那么节省就是真实的。

如果它只是免除了检索费用，却增加了模型使用量或失败次数，那么“免费”这一标签只描述了其中一个组成部分。这仍然是有用的信息，但并不是完整的成本分析。

对智能体构建者而言，下一个问题很实际：每单位上下文究竟能产出多少有用、可验证的工作？在选择服务商之前，应在自己的页面上测量这一比例。TinyFish 让实验更容易启动；它的长期意义将取决于免费检索是否能持续帮助智能体完成工作。