最近我在折腾一个基于 LangChain 的 AI 助手时，遇到了一个老生常谈的问题：怎么让大模型获取最新的实时信息？
虽然 ChatGPT 已经很强大了，但它的知识库永远是滞后的。当你问它”昨天发布的 iPhone 16 也是 60Hz 屏幕吗？”（假设场景），它大概率会一本正经地告诉你它不知道。为了解决这个问题，我们需要给 AI 装上”眼睛”，也就是联网搜索的能力。
我之前一直用 SerpApi，功能确实强大，覆盖了各大搜索引擎。但是，当我开始构建需要频繁调用搜索的 Agent 时，SerpApi 的响应速度（有时候需要 3-5 秒）和价格让我开始寻找替代品。
于是，我发现了 Serper (serper.dev)。
官方 Slogan 非常狂：”The World’s Fastest and Cheapest Google Search API”（世界上最快最便宜的 Google 搜索 API）。
用了两周下来，我发现它确实有点东西。今天就来和大家聊聊这个工具，特别是对于正在开发 AI 应用的朋友，这可能是一个性价比极高的选择。
什么是 Serper？
简单来说，Serper 是一个专门提供 Google 搜索结果的 API 服务。
不同于那些通过模拟浏览器爬取页面的重型爬虫，Serper 似乎做了一些底层的优化，专注于返回结构化的 JSON 数据。它的核心卖点非常明确：
- 快：官方宣称响应时间在 1 秒以内，实际体验也确实比 SerpApi 快不少。
- 便宜：提供了非常慷慨的 Free Tier（前 2500 次搜索免费），这对于个人开发者和测试阶段的项目来说太友好了。
- 专为 LLM 优化：它不仅被 LangChain 官方集成，而且返回的数据结构非常干净，不需要复杂的清洗就能直接塞给 GPT。
为什么选择 Serper？
在 AI Agent 的开发中，速度往往比广度更重要。
想象一下，用户问了一个问题，Agent 需要先去 Google 搜一下，然后阅读网页，最后生成答案。如果搜索这一步就卡了 5 秒，用户体验会非常糟糕。Serper 的极速响应（通常几百毫秒到 1 秒多）能显著减少 Agent 的”思考时间”。
此外，它的数据结构非常适合 RAG（检索增强生成）场景。它不仅返回标题和链接，还会自动提取出 Knowledge Graph（知识图谱）、Featured Snippets（精选摘要）以及 People Also Ask（相关提问），这些都是高质量的上下文信息。
深度体验：它能做什么？
Serper 目前主要支持以下几种搜索模式：
- Search (Web): 标准的网页搜索，类似你在 Google 搜索框输入关键词。
- Images: 图片搜索。
- News: 新闻搜索，获取最新资讯必备。
- Places: 地点搜索，基于 Google Maps 数据。
- Videos: 视频搜索。
对于绝大多数 AI 聊天机器人场景，标准的 Web Search 和 News Search 就足够覆盖 90% 的需求了。
动手实践：给 LangChain 装上”搜索引擎”
光说不练假把式。下面分享一下我是如何在一个 Python 项目中集成 Serper 的。
1. 获取 API Key
首先去 serper.dev 注册一个账号。注册过程非常快，不需要绑卡（好评！），注册完直接能在 Dashboard 看到 API Key。
2. 最简单的调用方式 (cURL)
在写代码前，我们可以先用终端测试一下：
curl -X POST https://google.serper.dev/search \
-H 'X-API-KEY: 你的API_KEY' \
-H 'Content-Type: application/json' \
-d '{"q": "最近的 AI 技术新闻"}'
你会收到一大串 JSON，里面包含了 organic 搜索结果、相关问题等。
3. 在 Python/LangChain 中使用
这才是重头戏。如果你在使用 LangChain，集成 Serper 简直易如反掌，因为官方已经内置了 Wrapper。
首先安装依赖：
pip install google-search-results langchain-community
# 其实 serper 不需要装 google-search-results，它是 http 请求，但 langchain 需要相关包
然后，设置环境变量并初始化工具：
import os
from langchain_community.utilities import GoogleSerperAPIWrapper
from langchain_community.tools import Tool
from langchain_openai import ChatOpenAI
from langchain.agents import initialize_agent, AgentType
# 设置 API Key
os.environ["SERPER_API_KEY"] = "你的_SERPER_API_KEY"
os.environ["OPENAI_API_KEY"] = "你的_OPENAI_API_KEY"
# 初始化 Serper 包装器
search = GoogleSerperAPIWrapper()
# 我们可以直接测试一下搜索
# result = search.run("Elon Musk 最新动态")
# print(result)
# 将其封装为 Tool 给 Agent 使用
tools = [
Tool(
name="Current Search",
func=search.run,
description="用于回答关于时事、当前事件或你需要获取最新信息的问题。输入应该是搜索查询语句。"
)
]
# 初始化 LLM 和 Agent
llm = ChatOpenAI(temperature=0, model="gpt-3.5-turbo")
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)
# 提问！
agent.run("现在的苹果公司股价是多少？")
当你运行这段代码时，你会看到 Agent 自动触发了 “Current Search” 工具，调用 Serper API，获取了最新的股价信息，然后整理成自然语言回答了你。整个过程非常丝滑。
遇到的小坑
虽然 Serper 很好用，但在使用过程中我也遇到过一些小问题：
- 中文搜索优化：默认情况下，它会根据你的 IP 或通用设置返回结果。如果你专门针对中文内容，建议在 Payload 中加上
gl: "cn"(地理位置) 或hl: "zh-cn"(语言) 参数，虽然 Wrapper 封装得比较死，但如果是自己封装 HTTP 请求时要注意这点。 - Rate Limit：虽然它是号称最快，但在极高并发下偶尔也会有波动。对于生产环境，建议做好重试机制。
- 结果截断：Serper 返回的 snippet（摘要）通常比较短。如果你需要深入阅读网页内容来回答复杂问题，仅靠 Serper 的 snippet 可能不够，你可能还需要配合一个 Web Scraper（比如用 Firecrawl 或 Jina Reader）来抓取详情页。
总结与思考
在试用了 Serper 一段时间后，我把我的个人项目从 SerpApi 迁移过来了。
核心价值点：
- 快：对于实时交互的 AI 应用，速度就是体验。
- 省：2500 次免费额度对于个人开发者简直是做慈善，后续的定价也比竞品低不少。
- 简：JSON 结构清晰，对 LLM 友好。
当然，如果你的需求是爬取百度、Bing 或者需要极其特殊的搜索参数，SerpApi 依然是老大哥。但如果你的目标仅仅是“让基于 GPT 的应用能联网搜索 Google”，那么 Serper 绝对是目前的最佳选择之一。
我越来越觉得，未来的 AI 开发，拼的不仅仅是模型能力，更是工具链的组合能力。像 Serper 这样专注于把”搜索”这一件事做到极致的 API，正是构建强大的 AI Agent 不可或缺的积木。
如果你也在做 AI 相关的开发，不妨去申请个 Key 试玩一下，给你的 AI 装上一双看世界的眼睛。
参考资料：