DeepSeek відкрила Search і Fetch API: що це дає розробникам

17 жовтня 2026 року DeepSeek разом з оновленням моделі V4.1-Flash-1017 відкрила для всіх власний пошук і завантаження сторінок через API. Для розробників AI-застосунків це зачіпає нудний, але важливий шар: у своїх проєктах я будував пошук як набір @Tool-методів, і значна частина роботи йшла не на модель, а на пошукову й обробну обв'язку навколо неї. Нижче — що саме з'явилося, скільки це коштує, які в API обмеження й чого він за вас не вирішить. Це розбір документації та офіційних заяв, мої власні заміри я опублікую окремо: заміри Search і Fetch API DeepSeek.

⚡ Коротко: що відкрила DeepSeek 17 жовтня

• ✅ Search API шукає сторінки й повертає структуровані результати, а Fetch API завантажує одну сторінку й повертає її текст у Markdown. Обидва — звичайні JSON API з тією самою авторизацією, що й решта API DeepSeek.
• 💸 Ціна: $0,75 за 1000 успішних запитів до кожного з двох API. Порожні відповіді, помилки й таймаути не тарифікуються.
• ⏱️ Ліміт: 5 запитів на секунду на акаунт окремо для Search і Fetch, а для Fetch є ще й ліміт на кожен домен.
• 🧠 Модель: deepseek-flash тепер обслуговується версією V4.1-Flash-1017. Спосіб виклику й ціни моделі не змінилися.
• ⚠️ Що API не прибирає: ранжування під ваш продукт, кеш, дедуплікацію, контроль джерел і захист від prompt injection. Вони лишаються вашою справою.

📚 Зміст статті

• Що саме вийшло: Search, Fetch і V4.1-Flash-1017
• Як це працює: запити, відповіді й оператори пошуку
• Ціна, ліміти й помилки
• Як було раніше і що змінюється
• Приклад у Spring Boot та Spring AI
• Що API не вирішує
• Безпека: prompt injection, приватність і SSRF
• Порівняння підходів: власний конвеєр, Search + Fetch, гібрид
• Часті питання (FAQ)
• Висновки
• Джерела

Що в цій статті перевірено, а що ні. Усі факти про API (ендпоінти, поля, ціни, ліміти, помилки) взято з офіційної документації DeepSeek станом на 18 жовтня 2026 року. Бенчмарки моделі — заяви самої компанії. Власних вимірювань швидкості, якості результатів і вартості в реальному RAG у цій статті немає, вони будуть у окремій статті із замірами.

🧩 Що саме вийшло: Search, Fetch і V4.1-Flash-1017

Згідно з журналом змін DeepSeek, 17 жовтня компанія відкрила пошук, який працює на її власній пошуковій системі. DeepSeek описує її як AI-native пошук загального призначення з індексом із сотень мільярдів сторінок, підтримкою багатьох мов і результатами в реальному часі, а також заявляє, що система відсікає SEO-спам, GEO-маніпуляції та неякісний AI-контент. Це твердження самої компанії, незалежно воно не перевірялося.

Search API

Шукає сторінки за запитом і повертає структуровані результати.

Fetch API

Завантажує одну сторінку й повертає її вміст як Markdown. Відповідь залежить від доступності цільового сайту та його правил доступу.

V4.1-Flash-1017

Паралельно DeepSeek оновила модель V4.1 Flash до версії 1017. Згідно з документацією, спосіб виклику й ціни не змінилися: потрібна модель deepseek-flash. Компанія також заявляє, що знизила час виконання завдань і довжину відповідей, а зокрема оптимізувала модель для власного DeepSeek Harness, Tencent CodeBuddy, WorkBuddy та інших платформ. Для Harness потрібна версія 0.2.1-rc.1 або новіша.

Це заміри компанії, а не незалежне порівняння. Terminal-Bench 4.0 тестувався у фреймворку Claude Code, а DeepSWE — у Mini-SWE-V2, як зазначає DeepSeek. За повідомленнями преси ([Startup Fortune]), ваги нової версії також опубліковані на Hugging Face і ModelScope. Перевірте ліцензію на сторінці моделі.

🔌 Як це працює: запити, відповіді й оператори пошуку

Усі виклики йдуть на https://api.deepseek.com з заголовками Authorization: Bearer <ключ> і Content-Type: application/json.

Запит до Search

curl https://api.deepseek.com/v1/tools/search \
  -H "Authorization: Bearer <DeepSeek API Key>" \
  -H "Content-Type: application/json" \
  -d '{
    "query": "DeepSeek V4 release",
    "count": 5,
    "need_content": true
  }'

Оператори пошуку

Що повертає Search

Відповідь містить масив results. Для RAG найкорисніші поля: summary (довге резюме на 600–800 символів, розраховане на модель), snippet (короткий опис для інтерфейсу), content (текст, якщо просили), date (дата публікації або null), rerank_score (оцінка 0–3, значення від 1,5 вважаються якісними) та authority (рівень авторитетності від 0 до 4, -1 якщо невідомо).

Fetch

curl https://api.deepseek.com/v1/tools/fetch \
  -H "Authorization: Bearer <DeepSeek API Key>" \
  -H "Content-Type: application/json" \
  -d '{ "url": "https://example.com/article" }'

У запиті одне поле url: HTTP або HTTPS-адреса довжиною до 8192 символів, з хостом і без імені користувача та пароля. У відповіді — title і content у Markdown.

💸 Ціна, ліміти й помилки

Коди помилок

Документація радить повторювати лише 408, 429 і 5xx, а 402 вирішувати поповненням рахунку. Інші 4xx без змін запиту повторювати не слід.

Чи варто будувати власний ретрай (повторні спроби) для 429 і 5xx — залежить від навантаження. [Напишу про реальні результати в окремій статті із замірами.]

🛠️ Як було раніше і що змінюється

Коли я будував пошуковий шар для AI-агентів, я ішов шляхом окремого @Tool для кожного джерела: Tavily для новин, Wikipedia для визначень, ArXiv для наукових статей. Цей підхід і його ціну для вибору інструмента я описував у статті «Search API для AI агентів: що обирають розробники і де помиляються». Поверх такого @Tool зазвичай накопичується обв'язка: пошук, завантаження HTML, очищення сторінки, обробка помилок і передача тексту в модель.

Тепер частину цього шару можна віддати DeepSeek:

• Пошук і ранжування. Search повертає результати вже з rerank_score та authority.
• Завантаження і витяг тексту. Fetch віддає сторінку у вигляді Markdown, тож парсити HTML самому не потрібно.
• Один постачальник замість двох. Пошук, завантаження сторінки й сама модель обслуговуються одним акаунтом з однією схемою авторизації.

Дві ролі «їхньої інфраструктури»

• Варіант A: ваш @Tool викликає Search і Fetch. Ви лишаєте за собою цикл викликів інструментів, кеш, обмеження й логування, а замість Tavily або власного парсера всередині інструмента стоїть API DeepSeek. Це типовий сценарій для Spring AI.
• Варіант B: агентні інструменти DeepSeek Harness, Claude Code, Codex. Документація зазначає, що серверні виклики інструментів з них уже використовують Search і Fetch.

Важливе уточнення: Search і Fetch у документації описано як окремі JSON API. Вбудованого автоматичного веб-пошуку в звичайному запиті до chat/completions я там не бачив, тому у власному застосунку цикл інструментів, як і раніше, пишете ви.

☕ Приклад у Spring Boot та Spring AI

Нижче скелет двох інструментів для Spring AI: пошук і завантаження сторінки. Він складений за документацією, але я його не компілював і не запускав, тож перед використанням перевірте під свою версію Spring AI.

@Component
public class DeepSeekWebTools {

    private final RestClient client;

    public DeepSeekWebTools(@Value("${deepseek.api-key}") String apiKey) {
        this.client = RestClient.builder()
                .baseUrl("https://api.deepseek.com")
                .defaultHeader("Authorization", "Bearer " + apiKey)
                .build();
    }

    @Tool(description = "Шукає актуальну інформацію в інтернеті. "
            + "Використовуй, коли питання стосується свіжих подій або фактів, яких немає в базі знань.")
    @SuppressWarnings("unchecked")
    public String webSearch(@ToolParam(description = "Пошуковий запит до 128 символів") String query) {
        Map<String, Object> body = Map.of("query", query, "count", 5, "need_content", false);

        Map<String, Object> response = client.post()
                .uri("/v1/tools/search")
                .contentType(MediaType.APPLICATION_JSON)
                .body(body)
                .retrieve()
                .body(new ParameterizedTypeReference<>() {});

        List<Map<String, Object>> results = (List<Map<String, Object>>) response.get("results");
        return results.stream()
                .map(r -> "- " + r.get("title") + " (" + r.get("url") + "): " + r.get("summary"))
                .collect(Collectors.joining("\n"));
    }

    @Tool(description = "Завантажує одну веб-сторінку за URL і повертає її текст у Markdown.")
    public String fetchPage(@ToolParam(description = "Повний http або https URL") String url) {
        Map<String, Object> response = client.post()
                .uri("/v1/tools/fetch")
                .contentType(MediaType.APPLICATION_JSON)
                .body(Map.of("url", url))
                .retrieve()
                .body(new ParameterizedTypeReference<>() {});

        String content = String.valueOf(response.get("content"));
        // Обмежуємо обсяг, щоб не заповнити контекст моделі однією сторінкою
        return content.length() > 8000 ? content.substring(0, 8000) : content;
    }
}

Підключення до моделі виглядає приблизно так (перевірте метод tools у вашій версії Spring AI):

String answer = chatClient.prompt()
        .user("Що нового з'явилося в DeepSeek API цього тижня?")
        .tools(deepSeekWebTools)
        .call()
        .content();

Модель deepseek-flash підключається через OpenAI-сумісний інтерфейс із базовою адресою https://api.deepseek.com, а також через Anthropic-сумісний інтерфейс (https://api.deepseek.com/anthropic), як зазначено в швидкому старті.

Про типові помилки tool calling у Spring AI (зокрема в 2.0.0-M3) і чому @Tool може «мовчати», я писав у статті «Яку модель Ollama обрати для агента з tool calling».

⚖️ Що API не вирішує

• Ранжування під ваш продукт. Search дає загальну оцінку релевантності, але правила «які джерела для мене надійні» залишаються вашими (наприклад, список дозволених доменів через оператор site:).
• Дедуплікація й кеш. Ті самі запити й сторінки платні щоразу. Кеш на вашому боці знижує вартість.
• Контроль якості. Навіть якщо система відсікає спам, перевіряйте важливі факти в кількох джерелах.
• Закриті й заблоковані сторінки. Fetch не відкриє те, що закрите політикою сайту (404) або відхилене політикою безпеки (403).
• Ліміти. 5 запитів/с на акаунт для кожного API можуть стати вузьким місцем для агента, який паралельно запускає багато пошуків. Заплануйте чергу й повторні спроби.
• Юридичні питання. Умови використання сайтів, авторське право на витягнутий текст і персональні дані: це ваша відповідальність, а не API.

🛡️ Безпека: prompt injection, приватність і SSRF

Prompt injection через завантажені сторінки

Текст, який повертає Fetch, — це довільний вміст з інтернету, який ви передаєте моделі. Така сторінка може містити інструкції, спрямовані на агента. Це не теорія: у дослідженні «Indirect Prompt Injection in the Wild» проаналізували 1,2 млрд URL з 24,8 млн хостів і знайшли 15,3 тис. підтверджених випадків на 11,7 тис. сторінках. Про механіку такої атаки я детально писав у статті «Indirect Prompt Injection: атака в документі вашого AI».

Практичні заходи (це мої рекомендації, а не вимоги API):

• Розглядайте результат Search і Fetch як дані, а не як інструкції. У системному промпті прямо вкажіть, що вміст сторінок не може змінювати завдання.
• Не давайте агентові, який читає інтернет, чутливих прав (відправка листів, доступ до внутрішніх систем) без підтвердження людиною.
• Обмежуйте довжину вмісту, який передаєте в модель, і логуйте URL, з яких він узятий.

Приватність запитів

Пошукові запити й URL передаються стороннім серверам DeepSeek. Не вставляйте в запити персональні дані, секрети й конфіденційний текст, а перед використанням у комерційному продукті перевірте політику обробки даних. Параметр localization приймає IP-адресу, тому передавайте її лише за потреби.

Де тут SSRF

Fetch виконується на боці DeepSeek, тому класичний SSRF проти вашої внутрішньої мережі через цей API вас не стосується: сервіс не бачить ваших закритих адрес. SSRF повертається, якщо ви пишете власний fetcher або запускаєте headless-браузер на своїй інфраструктурі. Про це я докладно писав у статті про обмеження Headless Chrome: «Обмеження Headless Chrome», розділ про SSRF.

🔍 Порівняння підходів: власний конвеєр, Search + Fetch, гібрид

Коли вистачить Search + Fetch. MVP, прототипи, агенти для дослідження й запитів про свіжі події. Коли потрібен власний шар. Суворі вимоги до джерел, великі обсяги, чутливі дані або потреба в нестандартному ранжуванні.

Веб-пошук чи векторна база? Якщо відповідь лежить у ваших власних документах, потрібен векторний пошук з ембедингами. Як вибрати модель ембедингів, я розбирав у статті «Embedding-моделі для RAG у 2026». Якщо ж потрібні свіжі факти поза вашою базою, підключайте веб-пошук. Часто потрібні обидва.

Про ціну. У моєму огляді Search API станом на травень 2026 ціни коливалися від $1 до $10 за 1000 запитів залежно від провайдера (див. порівняння Tavily, Brave, Exa, SerpAPI, Serper). $0,75 за 1000 успішних запитів DeepSeek виглядає дешево, але порівнювати треба однакові сценарії: «пошук», «пошук з вмістом» і «пошук плюс завантаження сторінки» — це різна кількість платних викликів. Тому я не роблю висновку «дешевше» без власних вимірювань.

❓ Часті питання (FAQ)

Скільки коштують Search і Fetch API DeepSeek?

$0,75 за 1000 успішних запитів до кожного API. Помилки, порожні результати й таймаути не тарифікуються. Через DeepSeek Harness, Claude Code та Codex виклики зараз безкоштовні до 1 листопада 2026 року.

Який ліміт запитів?

5 запитів на секунду на акаунт для Search і окремо для Fetch. Fetch також має ліміт на домен. Перевищення дає HTTP 429.

Чи робить модель веб-пошук автоматично?

У документації Search і Fetch описані як окремі JSON API. Автоматичного веб-пошуку в звичайному запиті до chat/completions я там не бачив. У власному застосунку ви підключаєте їх як інструменти.

Як викликати оновлену модель?

Назва моделі deepseek-flash. Вона обслуговується версією V4.1-Flash-1017. Старі назви deepseek-v4-flash і deepseek-v4-flash-vision-exp ще приймаються, але ці моделі виведено з експлуатації, і запити обробляє нова версія за ціною Flash.

✅ Висновки

• 🔹 DeepSeek відкрила Search і Fetch API: пошук і завантаження сторінок у Markdown за $0,75 за 1000 успішних запитів, з лімітом 5 запитів/с кожен.
• 🔹 Це замінює шар пошуку й витягу тексту всередині вашого @Tool, але не цикл інструментів, кеш, перевірку джерел і безпеку.
• 🔹 Головні ризики: prompt injection зі сторінок, приватність запитів і залежність від зовнішнього API.
• 🔹 Безкоштовний період для Harness, Claude Code і Codex закінчується 1 листопада, тож плануйте бюджет заздалегідь.
• 🔹 Бенчмарки V4.1-Flash-1017 — заяви DeepSeek; перевіряйте модель на власних завданнях.
• 🔹 Мої заміри швидкості, якості й вартості API будуть в окремій статті.

📖 Читайте також

• Заміри Search і Fetch API DeepSeek: швидкість, якість і вартість
• Search API для AI агентів: що обирають розробники і де помиляються
• Indirect Prompt Injection: атака в документі вашого AI
• Embedding-моделі для RAG у 2026: як обрати

📎 Джерела

• DeepSeek API Docs: Search & Fetch
• DeepSeek API Docs: Change Log (17 жовтня 2026)
• DeepSeek API Docs: Your First API Call
• Investing.com: DeepSeek releases AI model update, opens search APIs to all users
• Startup Fortune: DeepSeek Opens Its Search and Fetch APIs at $0.75 per 1,000 Calls
• arXiv: Indirect Prompt Injection in the Wild

Важливо: ціни, ліміти та умови API змінюються. Перед використанням перевіряйте актуальну документацію DeepSeek. Матеріал актуальний на 18 жовтня 2026 року.