AI-агент без доступа к свежему вебу — это лектор, которому дали конспект пятилетней давности. Модель сильная, контекст пустой, факты устарели. Подключить обычный поисковый API можно, но он отдаёт десяток ссылок и фрагментов — агенту нужно ещё понять, что из этого правда, а что SEO-мусор.
Parallel построен ровно под этот контур. Это не «поисковик для людей с API», а поисковый слой, заточенный под то, что результат съест агент, а не человек. Каждый ответ проходит перекрёстную проверку по нескольким источникам и снабжается ссылкой на происхождение — откуда взялась именно эта фраза. Агент получает не «вот, гуглите сами», а доказуемую информацию с указанием источника по каждому факту.
На открытых бенчмарках BrowseComp и WISER-Atomic сервис обходит Tavily, Exa, Perplexity и GPT-5 по точности поиска. На базовом уровне цен — в 7–27 раз дешевле ближайших конкурентов. Параллельно: это не только поиск, а ещё глубокий ресёрч, сбор датасетов, обогащение данных и мониторинг веба в одном API.
Что это
Parallel — Web Search & Research API. Web Search API — обычный поиск по вебу, но с ответом, подготовленным под контекст модели: не сырые ссылки, а отобранные фрагменты, уже сжатые под формулировку запроса. Research API — слой глубокого исследования: сервис сам планирует цепочку подзапросов, ходит по десяткам источников и возвращает структурированный отчёт, а не подборку сниппетов.
Ключевая деталь — происхождение каждого фрагмента. Parallel указывает, на какой URL, в какой момент и из какого абзаца страницы взят каждый фрагмент ответа. В обычном поиске вы получаете «вот вам десять ссылок, разбирайтесь». В Parallel — «вот факт, а вот прямой URL и точный абзац, который его подтверждает». Для агента разница критическая: без указания источника модель может галлюцинировать с «уверенным лицом», а человек потом не сможет проверить, откуда взялась цифра.
Плательщик — per-query, не per-token. Это важно: вы платите за запрос к API, а не за то, сколько токенов нагенерировал LLM-слой сервиса. Бюджет вычислений масштабируется отдельно, в зависимости от сложности задачи: быстрый поиск стоит $5 за тысячу, глубокий ресёрч — до $2 400 за тысячу. Цена привязана к уровню модели и числу источников, а не к длине ответа.
Зачем нужно
Подавляющее большинство AI-агентов, которым нужен веб, ходят через один из двух путей: либо самодельный парсинг Google/Bing с кучей кода-костыля, либо «поисковый» API, который на деле отдаёт SEO-оптимизированные тексты и обрывки сниппетов. Parallel закрывает ровно этот разрыв: результат уже отфильтрован от мусора, верифицирован и готов к загрузке в контекст модели.
Второй сценарий — глубокий ресёрч. Вместо того чтобы гонять агента по 20 итерациям «поищи — прочитай — сделай вывод — поищи ещё», вы делегируете это сервису. Task API сам планирует цепочку запросов, ходит по источникам и возвращает готовый отчёт. Агент получает ответ, а не должен сам работать поисковым планировщиком.
Третий — узкий, но ценный: сбор структурированных данных. Dataset Builder принимает критерий на естественном языке и отдаёт таблицу. Обогащение данных (Enrichment API) и мониторинг веба (Monitor API) закрывают смежные задачи — обновление записей и отслеживание событий. Раньше для каждой из этих задач нужен был отдельный инструмент или самописный скрипт.
Как устроено
Parallel состоит из шести API. Каждый закрывает отдельную задачу агентного контура с вебом: от быстрого поиска до непрерывного мониторинга. Ниже — по порядку, от самого простого к самому «тяжёлому».
Search API — веб-поиск
Высокоточный поиск с верификацией. Каждый ответ проверяется по перекрёстным источникам — сервис не отдаёт фрагмент, если он не подтверждается вторым источником по той же теме. Линейка моделей — Lite, Base, Core. Выбор уровня задаёт компромисс между скоростью, точностью и ценой: Lite рассчитан на массовые быстрые вызовы, Core — на production-агентов, где ошибка дороже запроса.
Task API — глубокий ресёрч
То, что в ChatGPT делается через Deep Research, здесь доступно как API. Отправляете запрос в свободной форме — Parallel раскладывает его на подзапросы, обходит нужное число источников и собирает итоговый отчёт. Бюджет вычислений задаётся уровнем: Ultra (минимум), Ultra2x, Ultra4x, Ultra8x (максимум). Рост уровня означает больше источников и шагов — и пропорционально растущую цену. На большинстве задач рабочая точка — Ultra или Ultra2x: таблица ниже показывает, что Ultra8x добавляет лишь 13 п.п. точности при восьмикратном росте цены.
Dataset Builder — сбор датасетов
На входе — описание задачи обычным текстом, на выходе — готовая таблица со строками и колонками. Запрос может звучать так: «Европейские SaaS-стартапы до 50 человек, ниша HR-tech». Сервис сам ищет источники, фильтрует и нормализует в строки и колонки. Результат — не подборка ссылок, а готовый датасет, который можно сразу грузить в Notion, Supabase или Excel.
Enrichment API — обогащение данных
На вход принимает сущности любого типа — компании, продукты, персоны — и подтягивает для каждой актуальные данные из веба. Для компании подтягиваются свежий релиз, наличие сертификатов, стек технологий; для продукта — текущая версия, ценник, список интеграций. Механика — pull, а не push: вы сами решаете, когда обновить запись, сервис в этот момент собирает актуальные данные.
Monitor API — мониторинг веба
Слежение за вебом по заданному триггеру. Вы описываете событие — например, «новые публикации об AI-агентных фреймворках» — и Parallel присылает структурированные уведомления, как только в вебе появляется релевантный контент. Практически — это webhook вместо polling: вы не опрашиваете веб каждые пять минут, сервис сам сообщает, когда произошло событие.
Chat API — исследовательский чат
Режим диалога с синтезом источников. Модельный ряд тот же, что у Search (Lite / Base / Core), но добавлен выбор режима: Speed для быстрых ответов и Research для глубокого синтеза. Полезен, когда ресёрч нужен в формате чата, а не как программный вызов — но проверка источников и указание их происхождения работают так же, как в Search.
Когда использовать
Типичные задачи, где Parallel выигрывает у комбинации «обычный поиск + самописная логика»:
- Смена поискового провайдера в агенте — если текущий Tavily или Exa обходится дорого или часто отдаёт мусор, Search API (Lite/Base/Core) подключается с минимальным переписыванием кода: структура ответа близкая, а цена и точность — лучше.
- Ресёрч по конкурентам — вместо десятка ручных поисков и сводной таблицы в Excel, один вызов Task API уровня Ultra: «Собери по топ-10 конкурентов в B2B SaaS-нише цены, интеграции, наличие SOC-2». Ответ — готовый отчёт, не список ссылок.
- Сбор целевого списка компаний — через Dataset Builder: задаёте фильтр языком, получаете строки и колонки. Подходит для подготовки лидовых баз без ручной нормализации.
- Слежка за нишей — Monitor API регистрирует события по заданному триггеру: новые статьи по агентным фреймворкам, изменения на сайтах конкурентов, упоминания бренда. Без cron-скриптов и парсинга.
- Дополнение записей в CRM — Enrichment API принимает список компаний из Notion или Supabase и тянет свежие поля: последний релиз, стек, сертификаты. Ручной сбор устаревает за недели — здесь данные обновляются по запросу.
Кому подходит: командам, которые строят AI-агентов (нужна точность и проверяемость), исследовательским группам (ресёрч без часов ручной работы), продуктовым командам (слежка за рынком), отделам продаж (обогащение и сбор лидов в автоматическом режиме).
Пример
Базовый вызов Search API через REST:
curl https://api.parallel.ai/v1/search \
-H "Authorization: Bearer *" \
-H "Content-Type: application/json" \
-d '{"query": "latest AI agent frameworks", "model": "base"}'Ключ выдаётся после регистрации на parallel.ai. Эндпоинт /v1/search принимает запрос и уровень модели, возвращает верифицированные фрагменты с указанием источника.
Для подключения к агентам, поддерживающим MCP (Model Context Protocol — открытый стандарт, по которому модель вызывает внешние инструменты), у Parallel есть официальный MCP-сервер:
npx @parallel-ai/mcp-server --api-key YOUR_API_KEYСовместимость — OpenClaw, Claude, GPT-5 (через Responses API) и любые агенты, говорящие на MCP. После подключения Parallel виден агенту как встроенный инструмент: не нужно писать HTTP-обёртку вокруг REST-вызовов.
Стоимость
Оплата — за запрос, не за токены. Чем сложнее задача, тем больше вычислительный бюджет — цена привязана к уровню модели, а не к объёму сгенерированного текста. У Search и Chat уровни одни и те же: Lite, Base, Core.
Тарифы Search и Chat (за 1000 запросов, точность на бенчмарке WISER-Atomic):
| Модель | Стоимость (1000 запросов) | Точность (WISER-Atomic) | Когда использовать |
|---|---|---|---|
| Lite | $5 | 64% | Быстрые запросы, высокий объём |
| Base | $10 | 75% | Баланс точности и стоимости |
| Core | $25 | 77% | Production-агенты |
Сравните с конкурентами: Tavily берёт $190 за тысячу, Exa — $138. Разрыв с Parallel на базовом уровне — от 7 до 27 раз. На 100K поисков в месяц Base обойдётся в $1 000, а Tavily — в $19 000. Разница — зарплата ещё одного инженера.
Тарифы Deep Research (Task API, за 1000 запросов, точность на бенчмарке BrowseComp):
| Модель | Стоимость (1000 запросов) | Точность (BrowseComp) |
|---|---|---|
| Ultra | $300 | 45% |
| Ultra2x | $600 | 51% |
| Ultra4x | $1 200 | 56% |
| Ultra8x | $2 400 | 58% |
Внимание: разрыв между Ultra и Ultra8x — 13 процентных пунктов при росте цены в восемь раз. Для большинства задач хватает Ultra или Ultra2x; Ultra4x и Ultra8x оправданы только там, где цена ошибки значительно выше цены запроса.
Сравнение с конкурентами
Среди четырёх Parallel выделяется тем, что собрал пять задач под один API: поиск, ресёрч, сбор датасетов, обогащение и мониторинг. У конкурентов закрыто 2–3 из пяти — недостающие блоки приходится дописывать.
| Параметр | Parallel | Tavily | Exa | Perplexity |
|---|---|---|---|---|
| Точность (BrowseComp) | 58% | 23% | 29% | 22% |
| Стоимость (базовый) | $5–25 CPM | $190 CPM | $138 CPM | $126 CPM |
| Deep Research | Task API | нет | Research Pro | Sonar |
| Dataset / Enrichment | да | нет | нет | нет |
| Monitor API | да | нет | нет | нет |
| Указание источника | да | частично | частично | да |
| MCP | да | да | да | да |
| SOC-2 Type 2 | да | нет | нет | нет |
Финальный тезис: если агенту нужен не «любой поиск», а поиск, где каждый факт можно проверить по источнику, Parallel — один из немногих вариантов, где указание происхождения встроено в API, а не прикручено сверху. А в диалоге можно двигаться. Если захотите обсудить — @vorobeoff
Ограничения
Ограничения
Цена Ultra8x
— $2 400 за 1000 запросов, дороже всех в нише; у Ultra — $300, а прирост точности всего +13 п.п.
Enterprise-условия
— SOC-2 Type 2 пройден, но тарифы для крупных клиентов обсуждаются индивидуально
Молодая экосистема — сервис вышел недавно, сторонних интеграций и community-плагинов пока меньше, чем у Tavily.
Основные каналы (MCP, REST, Python/TypeScript SDK) работают, но рынок плагинов ещё формируется
Антипаттерны
Антипаттерны
Гнать Ultra8x по умолчанию
— на большинстве задач прирост точности не окупает восьмикратную цену — сначала проверьте Ultra или Ultra2x
Использовать Search для ресёрча
— если нужен не фрагмент, а отчёт по теме — это задача Task API, а не серия вызовов Search API
Игнорировать указание источника
— ссылка на источник — не украшение, а способ проверки; убрав её из ответа агенту, вы теряете смысл верификации
Чеклист
Чеклист
Определить уровень модели
— Lite/Base/Core для Search, Ultra/Ultra2x для Task — под бюджет и требования к точности
Получить API-ключ
— регистрация на parallel.ai, ключ хранить в переменной окружения, не в коде
Выбрать способ подключения
— REST для прямого вызова, MCP-сервер для агентов с поддержкой стандарта, SDK для Python/TypeScript
Проверить указание источника
— каждый факт в ответе должен иметь ссылку на источник — если её нет, результат не подтверждён
Сверить стоимость с альтернативами
— Parallel дешевле на базовом уровне, но Ultra8x — самый дорогой вариант в нише; выбирайте по задаче
Ссылки
Ссылки
- Сайт: parallel.ai
- Документация: docs.parallel.ai
- Сайт: parallel.ai/blog
- Репозиторий: @parallel-ai/mcp-server (npm)