Firecrawl /agent 是一个魔法般的 API，它可以在最广泛的网站范围内进行搜索、导航并收集数据，在难以触及的角落中找到数据，并以其他任何 API 都无法做到的方式发掘信息。它可以在几分钟内完成原本需要人类耗费数小时的工作——从端到端的数据采集，全程无需脚本或人工操作。
无论你只需要一个数据点，还是需要大规模的完整数据集，Firecrawl /agent 都能为你获取这些数据。
把 /agent 想象成：无论数据藏在哪里，它都能替你做深度调研！ 研究预览版 ：Agent 目前处于早期访问阶段。可能会有不完善之处，但它会随着时间显著变好。分享反馈 → Agent 构建于 /extract 的全部优势之上，并在此基础上更进一步：
无需提供 URL ：只需通过 prompt 参数描述你的需求，URL 是可选的。深度网页搜索 ：自主搜索并深入浏览站点以找到所需数据可靠且准确 ：适用于多种类型的查询和使用场景更快 ：并行处理多个数据源以更快返回结果
在 Playground 中体验 在交互式 Playground 中测试该 Agent，无需编写代码。
唯一必需的参数是 prompt。只需描述你想要提取的数据。要获得结构化输出，请提供一个 JSON schema。SDK 支持使用 Pydantic (Python) 和 Zod (Node) 来定义类型安全的 schema：
from firecrawl import Firecrawl from pydantic import BaseModel, Field from typing import List, Optional app = Firecrawl( api_key = "fc-YOUR_API_KEY" ) class Founder ( BaseModel ): name: str = Field( description = "Full name of the founder" ) role: Optional[ str ] = Field( None , description = "Role or position" ) background: Optional[ str ] = Field( None , description = "专业背景" ) class FoundersSchema ( BaseModel ): founders: List[Founder] = Field( description = "List of founders" ) result = app.agent( prompt = "Find the founders of Firecrawl" , schema = FoundersSchema, model = "spark-1-mini" , max_credits = 100 ) print (result.data)
{ "success" : true , "status" : "completed" , "data" : { "founders" : [ { "name" : "Eric Ciarla" , "role" : "Co-founder" , "background" : "Previously at Mendable" }, { "name" : "Nicolas Camara" , "role" : "Co-founder" , "background" : "Previously at Mendable" }, { "name" : "Caleb Peffer" , "role" : "Co-founder" , "background" : "Previously at Mendable" } ] }, "expiresAt" : "2024-12-15T00:00:00.000Z" , "creditsUsed" : 15 }
你可以选择提供 URL，让 agent 专注于特定页面：
from firecrawl import Firecrawl app = Firecrawl( api_key = "fc-YOUR_API_KEY" ) result = app.agent( urls = [ "https://docs.firecrawl.dev" , "https://firecrawl.dev/pricing" ], prompt = "比较这些页面的功能和定价信息" ) print (result.data)
Agent 任务以异步方式运行。提交任务后，你会收到一个 Job ID，用于检查任务状态：
默认方式 ：agent() 会阻塞等待，并返回最终结果先启动再轮询 ：使用 start_agent (Python) 或 startAgent (Node) 立即获取 Job ID，然后通过 get_agent_status / getAgentStatus 进行轮询
任务结果在完成后可通过 API 获取，保留 24 小时。在此之后，你仍然可以在
activity logs 中查看你的 Agent 历史记录和结果。
from firecrawl import Firecrawl app = Firecrawl( api_key = "fc-YOUR_API_KEY" ) # 启动一个 Agent 任务 agent_job = app.start_agent( prompt = "Find the founders of Firecrawl" ) # Check the status status = app.get_agent_status(agent_job.id) print (status) # Example output: # status='completed' # success=True # data={ ... } # expires_at=datetime.datetime(...) # credits_used=15
状态 描述 processing代理仍在处理你的请求 completed提取已成功完成 failed提取过程中发生错误
{ "success" : true , "status" : "processing" , "expiresAt" : "2024-12-15T00:00:00.000Z" }
{ "success" : true , "status" : "completed" , "data" : { "founders" : [ { "name" : "Eric Ciarla" , "role" : "Co-founder" }, { "name" : "Nicolas Camara" , "role" : "Co-founder" }, { "name" : "Caleb Peffer" , "role" : "Co-founder" } ] }, "expiresAt" : "2024-12-15T00:00:00.000Z" , "creditsUsed" : 15 }
你可以直接在 Agent playground 中分享代理运行记录。共享链接是公开的，任何拥有链接的人都可以查看运行输出和活动；你也可以随时撤销访问权限以停用该链接。共享页面不会被搜索引擎收录。
Firecrawl Agent 提供两种模型。Spark 1 Mini 成本低 60% ，并且是默认选项——适用于大多数使用场景。当你在复杂任务上需要最高准确率时，再升级到 Spark 1 Pro。
Model Cost Accuracy Best For spark-1-mini成本低 60% 标准 大多数任务 (默认) spark-1-pro标准 更高 复杂调研、关键数据抽取
从 Spark 1 Mini 开始使用 (默认) ——在成本降低 60% 的前提下，它就能很好地完成大部分抽取任务。仅在进行复杂的多领域调研或对准确性要求极高时，再切换到 Pro。
spark-1-mini 是我们的高效模型，非常适合简单直接的数据提取任务。在以下情况下使用 Mini：
提取简单数据点 (联系方式、价格信息等)
处理结构清晰的网站
需要优先考虑成本效率
运行大批量提取任务时
spark-1-pro 是我们的旗舰模型，专为在复杂数据提取任务中实现最高准确率而设计。在以下场景使用 Pro：
进行复杂的竞品分析
提取需要深入推理的数据
你的用例对准确性要求极高
处理模糊或难以获取的数据
通过传入 model 参数来选择要使用的模型：
from firecrawl import Firecrawl app = Firecrawl( api_key = "fc-YOUR_API_KEY" ) # 使用 Spark 1 Mini(默认,可省略) result = app.agent( prompt = "Find the pricing of Firecrawl" , model = "spark-1-mini" ) # Using Spark 1 Pro for complex tasks result = app.agent( prompt = "Compare all enterprise features and pricing across Firecrawl, Apify, and ScrapingBee" , model = "spark-1-pro" ) print (result.data)
参数 类型 必填 描述 promptstring 是 用自然语言描述你想要提取的数据 (最多 10,000 个字符) modelstring 否 要使用的模型：spark-1-mini (默认) 或 spark-1-pro urlsarray 否 可选的 URL 列表，用于聚焦提取 schemaobject 否 用于结构化输出的可选 JSON schema maxCreditsnumber 否 此代理任务中可花费的最大额度数。如果未设置，默认值为 2,500 。Dashboard 最高支持 2,500 ；如需更高上限，请通过 API 设置 maxCredits (高于 2,500 的值始终按付费请求处理) 。如果达到上限，任务会失败，并且不会返回任何数据 ，但已执行工作的已消耗额度仍会计费。
特性 Agent (新) Extract 是否需要提供 URL 否 是 速度 更快 标准 成本 更低 标准 可靠性 更高 标准 查询灵活性 高 中等
调研 : “找出前 5 家 AI 初创公司及其融资金额”竞品分析 : “比较 Slack 和 Microsoft Teams 的定价方案”数据收集 : “从公司网站中提取联系方式”内容摘要 : “总结关于网页抓取的最新博客文章”
在 Agent Playground 中上传 CSV Agent Playground 支持通过上传 CSV 进行批量处理。你的 CSV 可以包含一列或多列输入数据。例如：一列公司名称，或者多列数据，如公司名称、产品和网站 URL。每一行都代表一个需要由 Agent 处理的条目。上传你的 CSV，编写一个提示词，描述你希望 Agent 针对每一行获取哪些数据，定义输出字段，然后运行。Agent 会并行处理每一行并填充结果。
请参阅 Agent API Reference 以了解更多详情。
有反馈或需要帮助？请发送邮件至 help@firecrawl.com 。
Firecrawl Agent 使用 动态计费 模式，费用会随你的数据提取请求复杂度而变化。你根据 Agent 实际完成的工作量付费，无论是提取简单的数据点，还是从多个来源获取复杂的结构化信息，都能享受公平的定价。
在 Research Preview 阶段，Agent 的计费是动态的、基于 credit 的 ：
简单抽取任务 (例如从单个页面提取联系方式) 通常消耗更少的 credits，成本更低复杂研究任务 (例如对多个域名进行竞品分析) 会消耗更多 credits，但更能体现整体投入的工作量用量透明 会清楚展示每个请求具体消耗了多少 creditsCredit 换算 会自动将 Agent 的 credit 使用量换算为 credits，便于计费
Credit 使用量会因 prompt 的复杂度、处理的数据量以及期望输出的结构而有所不同。大致来说，大多数 Agent 运行会消耗数百个 credits ，更简单的单页任务可能会用得更少，而复杂的多域名研究可能会用得更多。
如果你使用 Spark-1 Fast 并行运行多个 agent，费用会更加可预测：每个 cell 消耗 10 个积分。
所有用户 每天都会获得5 次免费运行 ，可以通过 playground 或 API 使用，用于在无需付费的情况下体验 Agent 的功能。额外用量会根据 credit 消耗计费，并换算为 credits。
代理可能会比较昂贵，但有一些方法可以降低成本：
从免费运行开始 ：利用你每天 5 次免费请求来了解定价设置 maxCredits 参数 ：通过设置你愿意花费的最大额度数来限制支出。Dashboard 将此上限设为 2,500 额度；若要设置更高的上限，请直接通过 API 使用 maxCredits 参数 (注意：高于 2,500 的值始终按付费请求计费)优化提示词 ：更具体的提示词通常会消耗更少的额度监控用量 ：通过 Dashboard 追踪你的使用情况设定预期 ：跨多个站点/领域的复杂研究会比简单的单页提取消耗更多额度
现在访问 firecrawl.dev/app/agent 试用代理，看看在你的具体用例下额度的使用如何随规模变化。
随着我们从 Research Preview 过渡到正式开放，定价可能会发生变化。现有用户将在任何价格更新前提前收到通知。
