Le problème
Les LLM hallucinent des tarifs obsolètes, des API dépréciées et des numéros de version erronés car leurs données d'entraînement datent de plusieurs mois. Sans ancrage de recherche en direct, chaque affirmation factuelle nécessite une vérification manuelle.
La solution Scavio
Injectez les résultats de recherche en direct dans la fenêtre de contexte du LLM avant la génération. Scavio renvoie des données SERP structurées incluant les AI Overviews, le Knowledge Graph et les résultats organiques que le modèle peut citer directement. 3-5 recherches d'ancrage par tâche coûtent $0.015-0.025.
Avant
Le LLM affirme avec confiance que l'API Stripe est en v2023-10-16 et facture 2.9% + 30 cents. Les deux sont faux en 2026. L'utilisateur fait confiance au résultat et livre un code défectueux.
Après
Une recherche avant génération confirme que l'API Stripe est en v2026-04-01 à 2.7% + 30 cents. Le LLM cite la source. L'utilisateur livre le bon code du premier coup.
À qui cela s'adresse
Ingénieurs en IA construisant des chatbots, des copilotes et des agents qui ont besoin de réponses factuellement exactes ancrées dans des données actuelles.
Avantages clés
- Éliminez les tarifs et numéros de version hallucinés
- Les résultats structurés réduisent le gaspillage de jetons par rapport au HTML brut
- Extraction des AI Overviews pour un ancrage factuel rapide
- 3-5 recherches par tâche pour un total de $0.015-0.025
- Fonctionne avec n'importe quel LLM via une simple injection de contexte
Exemple Python
import requests, os
API_KEY = os.environ["SCAVIO_API_KEY"]
def ground_with_search(query: str) -> str:
"""Fetch live search data to ground LLM responses."""
resp = requests.post(
"https://api.scavio.dev/api/v1/search",
headers={"x-api-key": API_KEY, "Content-Type": "application/json"},
json={"query": query, "country_code": "us"},
timeout=10,
)
data = resp.json()
context_parts = []
if data.get("ai_overview"):
context_parts.append(f"AI Overview: {data['ai_overview'].get('text', '')}")
if data.get("knowledge_graph"):
kg = data["knowledge_graph"]
context_parts.append(f"Knowledge Graph: {kg.get('title', '')} - {kg.get('description', '')}")
for r in data.get("organic_results", [])[:5]:
context_parts.append(f"[{r.get('position')}] {r.get('title', '')}: {r.get('snippet', '')}")
return "\n".join(context_parts)
# Inject into LLM prompt
grounding = ground_with_search("stripe api pricing 2026")
prompt = f"Based on this current data:\n{grounding}\n\nAnswer: What is Stripe's current API version and pricing?"
print(prompt)Exemple JavaScript
const H = {'x-api-key': process.env.SCAVIO_API_KEY, 'Content-Type': 'application/json'};
async function groundWithSearch(query) {
const r = await fetch('https://api.scavio.dev/api/v1/search', {method:'POST', headers:H, body:JSON.stringify({query, country_code:'us'})});
const d = await r.json();
const parts = [];
if (d.ai_overview) parts.push('AI Overview: ' + d.ai_overview.text);
for (const r of (d.organic_results||[]).slice(0,5)) parts.push('[' + r.position + '] ' + r.title + ': ' + r.snippet);
return parts.join('\n');
}
const grounding = await groundWithSearch('stripe api pricing 2026');
console.log('Grounding context:\n' + grounding);Plateformes utilisées
Recherche web avec graphe de connaissances, PAA et aperçus IA