LiteLLMとLangGraphでLinkup・Tavily・Parallel・Exa・Firecrawlの5つのWeb検索APIを共通インターフェースで呼び分けてみる

Python 3.13
litellm 1.83.14
langgraph 1.1.10
langchain-litellm 0.6.4
langchain-core 1.3.2
linkup-sdk 0.13.0
tavily-python 0.7.24
parallel-web 0.5.1
exa-py 2.12.1
firecrawl-py 4.24.0

$ uv pip install litellm langgraph langchain-litellm langchain-core
$ uv pip install linkup-sdk tavily-python parallel-web exa-py firecrawl-py
$ export OPENAI_API_KEY="sk-..."
$ export LINKUP_API_KEY="..."
$ export TAVILY_API_KEY="..."
$ export PARALLEL_API_KEY="..."
$ export EXA_API_KEY="..."
$ export FIRECRAWL_API_KEY="..."

""" LangGraph から共通インターフェースで呼ぶ"""

from __future__ import annotations

from langchain_core.tools import tool

def _format_results(items: list[dict]) -> str:
    """検索結果をLLM向けに整形する共通フォーマッタ。"""
    if not items:
        return "検索結果が得られませんでした。"
    lines = []
    for i, item in enumerate(items, 1):
        lines.append(f"[{i}] {item['title']}")
        lines.append(f"    URL: {item['url']}")
        if item.get("snippet"):
            lines.append(f"    {item['snippet'][:300]}")
    return "\n".join(lines)

from linkup import LinkupClient

_linkup = LinkupClient()  # LINKUP_API_KEY を環境変数から読み込む

@tool
def linkup_search(query: str) -> str:
    """Linkup でWeb検索を実行し、上位の結果を返します。

    ニュースや一般的な情報を素早く調べたいときに使います。
    """
    response = _linkup.search(
        query=query,
        depth="standard",   # コスト重視。深掘りしたいときは "deep"
        output_type="searchResults",
    )
    items = [
        {"title": r.name, "url": r.url, "snippet": r.content}
        for r in response.results
    ]
    return _format_results(items)

from tavily import TavilyClient

_tavily = TavilyClient()  # TAVILY_API_KEY を環境変数から読み込む

@tool
def tavily_search(query: str) -> str:
    """Tavily でWeb検索を実行し、LLM向けに整形された結果を返します。

    一般的な質問応答やコーディング系のリサーチに広く使えます。
    """
    response = _tavily.search(
        query=query,
        search_depth="basic",   # コスト重視。深掘りしたいときは "advanced"
        max_results=5,
    )
    items = [
        {"title": r["title"], "url": r["url"], "snippet": r["content"]}
        for r in response["results"]
    ]
    return _format_results(items)

from parallel import Parallel

_parallel = Parallel()  # PARALLEL_API_KEY を環境変数から読み込む

@tool
def parallel_search(query: str) -> str:
    """Parallel でWeb調査を実行し、引用付きの抜粋を返します。

    複数の観点から深掘りが必要な調査タスクに向いています。
    """
    response = _parallel.search(
        objective=f"次の質問に答えるための情報を収集する: {query}",
        search_queries=[query],
    )
    items = [
        {
            "title": r.title,
            "url": r.url,
            "snippet": " / ".join(r.excerpts) if r.excerpts else "",
        }
        for r in response.results
    ]
    return _format_results(items)

from exa_py import Exa

_exa = Exa()  # EXA_API_KEY を環境変数から読み込む

@tool
def exa_search(query: str) -> str:
    """Exa でセマンティックWeb検索を実行し、本文要約を返します。

    概念的に近いページを探したいときや、類似ドキュメントを集めたいときに使います。
    """
    response = _exa.search_and_contents(
        query,
        num_results=5,
        type="auto",                       # neural / keyword をクエリに応じて自動選択
        text={"maxCharacters": 800},
    )
    items = [
        {"title": r.title, "url": r.url, "snippet": r.text or ""}
        for r in response.results
    ]
    return _format_results(items)

from firecrawl import Firecrawl

_firecrawl = Firecrawl()  # FIRECRAWL_API_KEY を環境変数から読み込む

@tool
def firecrawl_search(query: str) -> str:
    """Firecrawl でWeb検索を実行し、ページ本文をMarkdown化して返します。

    検索結果の本文をそのままLLMに読ませたいときに使います。
    """
    response = _firecrawl.search(
        query=query,
        limit=5,
        scrape_options={"formats": ["markdown"]},
    )
    items = []
    for doc in response.web or []:
        # scrape_options 指定時は Document 型でメタデータが metadata に格納される
        meta = getattr(doc, "metadata", None)
        title = (meta.title if meta else None) or getattr(doc, "title", "") or ""
        url = (meta.url if meta else None) or getattr(doc, "url", "") or ""
        snippet = (
            getattr(doc, "markdown", None)
            or (meta.description if meta else None)
            or ""
        )
        items.append({"title": title, "url": url, "snippet": snippet[:800]})
    return _format_results(items)

"""LiteLLM + LangGraph + (Linkup | Tavily | Parallel | Exa | Firecrawl) のReActエージェント。

実行時引数で検索バックエンドを切り替えられる。
"""

from __future__ import annotations

import sys

from langchain_core.messages import HumanMessage
from langchain_litellm import ChatLiteLLM
from langgraph.prebuilt import create_react_agent

from search_tools import (
    exa_search,
    firecrawl_search,
    linkup_search,
    parallel_search,
    tavily_search,
)

TOOL_MAP = {
    "linkup": linkup_search,
    "tavily": tavily_search,
    "parallel": parallel_search,
    "exa": exa_search,
    "firecrawl": firecrawl_search,
}

SYSTEM_PROMPT = """\
あなたはWebリサーチエージェントです。
ユーザーの質問に答えるために、与えられた検索ツールを必ず1回以上呼び出してください。
検索結果のURLを引用しつつ、3〜5行で簡潔に回答してください。
"""

def build_agent(backend: str):
    if backend not in TOOL_MAP:
        raise ValueError(f"unknown backend: {backend}")
    llm = ChatLiteLLM(model="openai/gpt-5-mini")
    return create_react_agent(
        llm,
        tools=[TOOL_MAP[backend]],
        prompt=SYSTEM_PROMPT,
    )

def main():
    backend = sys.argv[1] if len(sys.argv) > 1 else "linkup"
    question = (
        sys.argv[2]
        if len(sys.argv) > 2
        else "2026年に発表されたAIエージェント向けWeb検索APIの動向を教えて"
    )
    agent = build_agent(backend)
    result = agent.invoke({"messages": [HumanMessage(content=question)]})
    print(f"=== backend={backend} ===")
    print(result["messages"][-1].content)

if __name__ == "__main__":
    main()

$ python agent_runner.py linkup "Claude Code 1.0の主な機能は？"
=== backend=linkup ===
Claude Code 1.0 は端末内で動く「エージェント型」開発ツールで、自然言語でコードベースを理解・編集し、ファイル操作やコマンド実行、テスト実行・修正、Gitワークフローの自動化などを行います（CI監視や自動コミット機能も含む）。詳細は公式説明とリポジトリを参照してください： https://www.anthropic.com/product/claude-code 、https://github.com/anthropic/claude-code

$ python agent_runner.py parallel "Claude Code 1.0の主な機能は？"
=== backend=parallel ===
Claude Code 1.0は、コードベースを読み取り・編集し、コマンド実行やテスト・CI連携までこなす「エージェント型」コーディングツールです（公式概要）: https://code.claude.com/docs/en/overview
ターミナル／IDE／デスクトップ／ブラウザで動作し、リアルタイム対話・ファイル編集・スキル（hooks／メモリ／サブエージェント）・自動フォーマットなど開発支援機能を備えます: https://qiita.com/...
PRレビューやヘッドレスCI実行などワークフロー自動化に強く、フックや権限でチーム運用に組み込みやすいのも特徴です: https://qiita.com/...

$ python agent_runner.py exa "Claude Code 1.0の主な機能は？"
=== backend=exa ===
Claude Code 1.0は「agentic coding」ツールで、プロジェクトを読み取ってファイル編集・コマンド実行・開発ツールと統合して自動的に開発作業を行えます。主な機能はコードベースの解析、ファイル編集とパッチ適用、ターミナルコマンド実行、IDE/デスクトップとの連携（組み込みツール群によるワークフロー自動化）です。詳しい概要や仕組みは公式ドキュメントを参照してください。
https://code.claude.com/docs/ja/overview
https://code.claude.com/docs/ja/how-claude-code-works

$ python agent_runner.py tavily "Claude Code 1.0の主な機能は？"
=== backend=tavily ===
Claude Code 1.0は「ターミナル特化のAIコーディングアシスタント」で、リポジトリ全体の理解をもとに機能実装、バグ修正、テスト実行、コードレビューや開発タスクの自動化を支援します（GitHub連携やカスタム／スラッシュコマンドも利用可能）: https://code.claude.com/docs/ja/overview
導入・使い方や実例まとめはコミュニティ記事が参考になります（概要や操作感の紹介）: https://sogyotecho.jp/claude-code/ 、https://zenn.dev/kg_motors_mibot/articles/f46c6927c409fc

$ python agent_runner.py firecrawl "Claude Code 1.0の主な機能は？"
=== backend=firecrawl ===
Claude Code 1.0はターミナル上で動くエージェント型コーディングツールで、コードベースを理解して自然言語で指示してファイル編集、テスト実行、リファクタリング、コード生成や説明、そしてGitワークフロー（コミット／PR作成など）を自動化します（公式概要）: https://code.claude.com/docs/en/overview
またオープンソースのリポジトリで導入手順や機能詳細（CLI操作・実行権限の扱い等）を確認できます: https://github.com/anthropics/claude-code

"""5つの検索バックエンドの単独応答時間を計測するベンチマーク。"""

from __future__ import annotations

import sys
import time

from search_tools import (
    exa_search,
    firecrawl_search,
    linkup_search,
    parallel_search,
    tavily_search,
)

DEFAULT_QUERY = "Claude Code 1.0の主な機能は？"

BACKENDS = [
    ("linkup", linkup_search),
    ("tavily", tavily_search),
    ("parallel", parallel_search),
    ("exa", exa_search),
    ("firecrawl", firecrawl_search),
]

def main() -> None:
    query = sys.argv[1] if len(sys.argv) > 1 else DEFAULT_QUERY
    print(f"query: {query}")
    print("検索API単独の応答時間:")
    for name, tool in BACKENDS:
        t0 = time.perf_counter()
        result = tool.invoke({"query": query})
        elapsed = time.perf_counter() - t0
        print(f"  {name:10s}: {elapsed:6.2f}s ({len(result):>5} chars)")

if __name__ == "__main__":
    main()

検索API単独の応答時間:
  linkup    :   2.85s (7686 chars)
  tavily    :   1.68s (1375 chars)
  parallel  :   3.59s (3453 chars)
  exa       :   0.86s (2052 chars)
  firecrawl :   6.85s (1891 chars)

# Before:
# from fake_search import search

# After: 任意のバックエンドに切替可能
from search_tools import linkup_search as search   # or tavily_search / parallel_search / exa_search / firecrawl_search

def researcher_node(state):
    subtopic = state["subtopic"]
    # search.invoke({"query": subtopic}) のシグネチャはそのまま
    search_result = search.invoke({"query": subtopic})
    ...