AI Gateway da Vercel ganha ferramentas DeepSeek Search e Fetch

O pacote ganha duas ferramentas novas

A Vercel atualizou o AI↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → Gateway, camada que centraliza chamadas a modelos de IA, para incluir duas ferramentas do DeepSeek: deepseek_search e deepseek_fetch, conforme o changelog publicado no site da Vercel. A primeira devolve uma lista de páginas relevantes, cada uma com título, URL e resumo. A segunda pega uma dessas URLs e entrega o conteúdo da página já convertido para Markdown, pronto para o modelo processar.

Não é novidade que modelos de linguagem precisam de acesso à web para responder perguntas atuais ou buscar dados fora do treinamento. O que muda aqui é o empacotamento: em vez de integrar uma API de busca separada (Exa, Tavily, SerpAPI) e depois escrever um parser pra extrair texto de cada página, as duas etapas chegam prontas dentro do AI SDK, atrás da mesma chave do AI Gateway.

Como fica o código

Para usar, é preciso atualizar o pacote ai para uma versão recente: 6.0.321 ou superior na série 6, ou 7.0.160 ou superior na série 7. O comando é pnpm add ai@latest, e a chave de acesso vem da variável de ambiente AI_GATEWAY_API_KEY (não é preciso abrir conta separada no DeepSeek).

O exemplo da documentação combina os dois helpers dentro de tools, usando o modelo deepseek/deepseek-v4.1-flash-1017:

import { gateway, streamText } from 'ai';

const result = streamText({
  model: 'deepseek/deepseek-v4.1-flash-1017',
  prompt: 'Find the latest Vercel AI Gateway announcement, fetch it, and summarize it.',
  tools: {
    deepseek_search: gateway.tools.deepseekSearch({ count: 3 }),
    deepseek_fetch: gateway.tools.deepseekFetch(),
  },
});

for await (const text of result.textStream) {
  process.stdout.write(text);
}

O modelo decide sozinho quando chamar deepseek_search, olha os resultados, escolhe uma URL e chama deepseek_fetch para ler o conteúdo completo antes de responder. É o padrão de agente de busca que muita gente já monta na mão com LangChain ou com chamadas manuais de função, só que aqui embutido no SDK que a própria Vercel mantém.

O ponto que interessa: funciona com qualquer modelo

A parte mais relevante pra quem já tem um pipeline de agentes rodando: as ferramentas do DeepSeek não exigem usar um modelo do DeepSeek. A Vercel deixa claro que deepseek_search e deepseek_fetch funcionam com qualquer modelo que suporte tool calling, pela mesma chave do AI Gateway, e continuam disponíveis mesmo se o time trocar de provedor de modelo depois.

Isso separa duas decisões que normalmente andam juntas: qual modelo gera a resposta e qual serviço faz a busca na web. Dá pra rodar um modelo de outro provedor via Gateway e ainda assim usar a busca do DeepSeek como ferramenta, ou trocar de modelo sem reescrever a lógica de busca.

Fallback entre provedores de busca, mas sem garantia

O changelog também mostra um exemplo com fallback: se deepseek_search falhar, o modelo tenta exa_search, depois parallel_search. A instrução fica no system prompt:

import { gateway, streamText } from 'ai';

const result = streamText({
  model: 'zai/glm-5.3-flash',
  system: 'Try deepseek_search, then exa_search, then parallel_search on errors. After search succeeds, use deepseek_fetch on a result URL.',
  prompt: 'Find the latest Vercel AI Gateway announcement, fetch it, and summarize it.',
  toolChoice: 'required',
  tools: {
    deepseek_search: gateway.tools.deepseekSearch({ count: 3 }),
    deepseek_fetch: gateway.tools.deepseekFetch(),
    exa_search: gateway.tools.exaSearch({ numResults: 3 }),
    parallel_search: gateway.tools.parallelSearch({ maxResults: 3 }),
  },
});

Vale reparar num detalhe que a própria documentação avisa: esse fallback é "model-directed", ou seja, a ordem de tentativas e o número de retentativas dependem do modelo seguir a instrução do system prompt, não de uma lógica determinística no código. Pra quem precisa de garantia sobre a busca, isso pesa: um modelo pode ignorar a instrução, tentar na ordem errada, ou desistir antes do esperado. Quem precisa de fallback confiável de verdade ainda vai ter que escrever essa lógica fora do loop do modelo, tratando cada chamada de tool manualmente no código.

Preço: por requisição, não por token

Cada chamada bem-sucedida de deepseek_search ou deepseek_fetch custa US$ 0,75 por mil requisições faturáveis. Requisições que falham, dão timeout ou voltam vazias não são cobradas. Esse valor é separado do custo de tokens do modelo, que continua sendo cobrado normalmente pelo provedor escolhido.

Isso muda a forma de calcular custo de um agente que faz busca: antes, o gasto extra de integrar um provedor de busca dependia do plano daquele serviço (Exa, Tavily, SerpAPI, cada um com sua própria tabela). Agora, pra quem já paga pelo AI Gateway, dá pra estimar o custo de busca junto com o resto do agente numa única fatura, sem abrir conta em mais um serviço.

Onde isso ajuda e onde não resolve

Para quem está prototipando um agente que precisa checar informação atual (preço, notícia, status de um projeto open source↳Open source71 conteúdosComo o Open Source Está Liberando o Poder da Automação para TodosDev (Back & Front) · out 2025Código aberto: programadores criam software da NASA sem saberDev (Back & Front) · abr 2021N8N: O que é a ferramenta open source que está revolucionando a automação em TI?Dev (Back & Front) · dez 2025Ver tudo em Dev (Back & Front) →), a dupla deepseek_search mais deepseek_fetch tira a necessidade de montar um scraper próprio ou integrar uma segunda API só pra isso. O conteúdo já vem em Markdown, formato que a maioria dos modelos lida bem, sem precisar limpar HTML na mão.

Mas vale olhar os limites antes de colocar isso em produção:

• Qualidade do índice de busca: a Vercel não detalha de onde vem o índice usado pelo DeepSeek Search, nem como ele se compara a serviços mais estabelecidos nesse nicho, como Exa ou Perplexity.
• Fallback não determinístico: como mostrado acima, depender do modelo para decidir a ordem de retry não é o mesmo que ter um circuito de fallback no código.
• Custo por requisição em escala: US$ 0,75 por mil chamadas parece barato isoladamente, mas um agente que faz várias buscas e vários fetches por tarefa multiplica rápido, principalmente em fluxos com loops de refinamento.
• Acoplamento ao AI Gateway: usar esses helpers via gateway.tools prende a implementação à Vercel; migrar pra outro orquestrador de agentes depois exige reescrever essa parte.

Para quem já está no AI SDK e só queria uma forma rápida de dar acesso à web pro agente sem adicionar mais um fornecedor à conta, o pacote resolve direto. Para quem precisa de controle fino sobre a fonte dos dados, latência previsível ou fallback garantido, vale testar, mas sem trocar a arquitetura de busca que já funciona só porque ficou mais fácil de ligar.

Fonte: Vercel Changelog