Agente

Reúna dados em qualquer lugar da web.

Escolhendo a ferramenta certa. Agent é a escolha certa quando você não sabe quais são as URLs ou precisa de navegação autônoma pela web.

• Para uma única URL conhecida, o modo JSON no /scrape é mais barato e síncrono.
• Comparação completa: Escolhendo o Extrator de Dados.

Firecrawl /agent é uma API mágica que pesquisa, navega e coleta dados da mais ampla variedade de sites, encontrando dados em locais de difícil acesso e descobrindo dados de maneiras que nenhuma outra API consegue. Ele realiza em poucos minutos o que levaria muitas horas para um humano — coleta de dados de ponta a ponta, sem scripts ou trabalho manual. Seja para obter um único dado ou conjuntos de dados completos em escala, o Firecrawl /agent trabalha para obter seus dados.

Pense no /agent como uma pesquisa profunda por dados, onde quer que eles estejam!

Research Preview: Agent está em acesso antecipado. Espere algumas imperfeições. Ele ficará significativamente melhor com o tempo. Compartilhe feedback →

Agent aproveita tudo o que há de melhor no /extract e leva isso além:

• Nenhuma URL necessária: Basta descrever o que você precisa via parâmetro prompt. URLs são opcionais
• Pesquisa aprofundada na web: Pesquisa e navega autonomamente em profundidade em sites para encontrar seus dados
• Confiável e preciso: Funciona com uma grande variedade de consultas e casos de uso
• Mais rápido: Processa múltiplas fontes em paralelo para resultados mais rápidos

Experimente no Playground

Experimente o agente no playground interativo — sem precisar de código.

​

Usando /agent

O único parâmetro obrigatório é prompt. Basta descrever quais dados deseja extrair. Para obter uma saída estruturada, forneça um schema JSON. Os SDKs oferecem suporte a Pydantic (Python) e Zod (Node) para definições de schema com segurança de tipos:

Python

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="Nome completo do fundador")
    role: Optional[str] = Field(None, description="Cargo ou posição")
    background: Optional[str] = Field(None, description="Formação profissional")

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)

​

Resposta

JSON

{
  "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
}

​

Fornecendo URLs (Opcional)

Opcionalmente, você pode fornecer URLs para que o agente se concentre em páginas específicas:

Python

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="Compare os recursos e informações de preços dessas páginas"
)

print(result.data)

​

Status e conclusão de jobs

Jobs de agente são executados de forma assíncrona. Ao enviar um job, você recebe um Job ID que pode usar para verificar o status:

• Método padrão: agent() aguarda e retorna os resultados finais
• Iniciar e depois consultar: use start_agent (Python) ou startAgent (Node) para obter um Job ID imediatamente e depois verificar o status com get_agent_status / getAgentStatus

Os resultados do job ficam disponíveis via API por 24 horas após a conclusão. Após esse período, você ainda pode ver o histórico do seu agente e os resultados nos logs de atividade.

Python

from firecrawl import Firecrawl

app = Firecrawl(api_key="fc-YOUR_API_KEY")

# Iniciar uma tarefa de agente
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

​

Estados possíveis

Status	Descrição
processing	O agente ainda está trabalhando na sua requisição
completed	Extração concluída com sucesso
failed	Ocorreu um erro durante a extração
cancelled	O job foi cancelado pelo usuário

O cancelamento é cooperativo. Quando você chama o endpoint de cancelamento, a solicitação é registrada imediatamente, mas qualquer etapa já em andamento (uma etapa de raciocínio do LLM, uma chamada de ferramenta ou uma ação no navegador) continua até um ponto de interrupção seguro antes de o job passar para cancelled. Os créditos podem continuar sendo consumidos durante esse breve intervalo, então o creditsUsed final pode ser maior do que o valor informado no momento em que você clicou em cancelar.

​

Exemplo pendente

JSON

{
  "success": true,
  "status": "processing",
  "expiresAt": "2024-12-15T00:00:00.000Z"
}

​

Exemplo concluído

JSON

{
  "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
}

​

Compartilhar execuções de agentes

Você pode compartilhar execuções de agentes diretamente no Agent Playground. Os links compartilhados são públicos — qualquer pessoa com o link pode ver a saída e a atividade da execução — e você pode revogar o acesso a qualquer momento para desativar o link. As páginas compartilhadas não são indexadas por mecanismos de busca.

​

Seleção de modelos

O Firecrawl Agent oferece dois modelos. O Spark 1 Mini é 60% mais barato e é o padrão — perfeito para a maioria dos casos de uso. Atualize para o Spark 1 Pro quando precisar de máxima precisão em tarefas complexas.

Model	Cost	Accuracy	Best For
spark-1-mini	60% mais barato	Padrão	A maioria das tarefas (padrão)
spark-1-pro	Padrão	Mais alta	Pesquisa complexa, extrações críticas

Comece com o Spark 1 Mini (padrão) — ele lida bem com a maioria das tarefas de extração com um custo 60% menor. Altere para o Pro apenas para pesquisas complexas em múltiplos domínios ou quando a precisão for crítica.

​

Spark 1 Mini (Padrão)

spark-1-mini é nosso modelo eficiente, ideal para tarefas simples de extração de dados.

Use o Mini quando:

• Extraindo dados simples (informações de contato, preços, etc.)
• Trabalhando com sites bem estruturados
• Custo-benefício é uma prioridade
• Executando trabalhos de extração em grande escala

​

Spark 1 Pro

spark-1-pro é o nosso principal modelo, projetado para máxima precisão em tarefas complexas de extração.

Use o Pro quando:

• Realizar análises competitivas complexas
• Extrair dados que exigem raciocínio profundo
• A precisão for crítica para o seu caso de uso
• Lidar com dados ambíguos ou difíceis de encontrar

​

Especificando um modelo

Informe o parâmetro model para selecionar qual modelo usar:

Python

from firecrawl import Firecrawl

app = Firecrawl(api_key="fc-YOUR_API_KEY")

# Usando Spark 1 Mini (padrão - pode ser omitido)
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)

​

Parâmetros

Parâmetro	Tipo	Obrigatório	Descrição
prompt	string	Sim	Descrição em linguagem natural dos dados que você quer extrair (máx. 10.000 caracteres)
model	string	Não	Modelo a ser utilizado: spark-1-mini (padrão) ou spark-1-pro
urls	array	Não	Lista opcional de URLs para direcionar a extração
schema	object	Não	schema JSON opcional para saída estruturada
maxCredits	number	Não	Número máximo de créditos a serem usados nesta tarefa de agente. O padrão é 2.500 se não for definido. O painel suporta valores de até 2.500; para limites mais altos, defina maxCredits via API (valores acima de 2.500 são sempre tratados como requisições pagas). Se o limite for atingido, o job falha e nenhum dado é retornado. Execuções com falha não são cobradas: créditos usados para raciocínio de IA nunca são cobrados em caso de falha, quaisquer créditos usados para chamadas de ferramentas durante a execução (scraping, busca, mapeamento etc.) são reembolsados, e a resposta informa creditsUsed: 0.

​

Agent vs Extract: O que melhorou

Recurso	Agent (Novo)	Extract
URLs obrigatórias	Não	Sim
Velocidade	Mais rápida	Padrão
Custo	Mais baixo	Padrão
Confiabilidade	Maior	Padrão
Flexibilidade das consultas	Alta	Moderada

​

Exemplos de Casos de Uso

• Pesquisa: “Encontre as 5 principais startups de IA e seus valores de financiamento”
• Análise de concorrência: “Compare os planos de preços do Slack e do Microsoft Teams”
• Coleta de dados: “Extraia informações de contato de sites de empresas”
• Resumo de conteúdo: “Resuma as postagens de blog mais recentes sobre web scraping”

​

Upload de CSV no Agent Playground

O Agent Playground oferece suporte a upload de CSV para processamento em lote. Seu CSV pode conter uma ou mais colunas de dados de entrada. Por exemplo, uma única coluna com nomes de empresas, ou múltiplas colunas como nome da empresa, produto e URL do site. Cada linha representa um item para o agente processar.

Envie seu arquivo CSV e, em seguida, adicione colunas de saída usando o botão ”+” no cabeçalho da grade. Cada coluna tem seu próprio prompt — clique no cabeçalho de uma coluna para descrever o que o agente deve encontrar para esse campo (por exemplo, “Nome do CEO ou fundador”, “Total captado em investimentos”). Clique em Run, e o agente processa cada linha em paralelo, preenchendo os resultados.

​

Referência da API

Confira a referência da Agent API para mais detalhes.

Tem alguma sugestão ou precisa de ajuda? Envie um e-mail para [e-mail].

​

Preços

O Firecrawl Agent usa cobrança dinâmica, que acompanha a complexidade da sua solicitação de extração de dados. Você paga com base no trabalho efetivamente realizado pelo Agent, garantindo preços justos tanto ao extrair dados simples quanto informações estruturadas complexas de múltiplas fontes.

​

Como funciona o preço do Agent

Os preços do Agent são dinâmicos e baseados em créditos durante o Research Preview:

• Extrações simples (como informações de contato de uma única página) normalmente consomem menos créditos e custam menos
• Tarefas de pesquisa complexas (como análise de concorrência em vários domínios) consomem mais créditos, mas refletem o esforço total envolvido
• Uso transparente mostra exatamente quantos créditos cada requisição consumiu
• Conversão de créditos converte automaticamente o uso de créditos do Agent em créditos para facilitar a cobrança

O uso de créditos varia de acordo com a complexidade do seu prompt, a quantidade de dados processados e a estrutura do resultado solicitado. Como orientação geral, a maioria das execuções do Agent consome algumas centenas de créditos, embora tarefas simples em uma única página possam usar menos e pesquisas complexas em vários domínios possam usar mais.

​

Preços para Agentes em Paralelo

Se você estiver executando vários agentes em paralelo com o Spark-1 Fast, o custo se torna muito mais previsível: 10 créditos por célula.

​

Começando

Todos os usuários recebem 5 execuções gratuitas por dia, que podem ser usadas tanto no playground quanto na API, para explorar os recursos do Agent sem nenhum custo.

O uso adicional é cobrado com base no consumo de créditos e convertido em créditos.

​

Gerenciando custos

agente pode ser caro, mas há algumas maneiras de reduzir o custo:

• Comece com execuções gratuitas: Use suas 5 requisições gratuitas diárias para entender os preços
• Defina o parâmetro maxCredits: Limite seus gastos definindo um número máximo de créditos que você está disposto a usar. O painel limita isso a 2.500 créditos; para definir um limite maior, use o parâmetro maxCredits diretamente via API (observação: valores acima de 2.500 são sempre cobrados como requisições pagas)
• Otimize os prompts: Prompts mais específicos geralmente usam menos créditos
• Divida tarefas grandes em execuções menores: Uma única execução do agente tem um limite de resultado com base na capacidade de geração do modelo subjacente (~150-200 linhas de dados estruturados). Para jobs grandes de extração, divida por categoria, região ou lote de URLs (3-5 URLs por execução) e mescle os resultados. Isso também mantém cada execução bem abaixo do limite de maxCredits.
• Monitore o uso: Acompanhe seu consumo pelo painel
• Ajuste expectativas: Pesquisas complexas em múltiplos domínios vão consumir mais créditos do que extrações simples de uma única página

Teste o agente agora em firecrawl.dev/app/agent para ver como o uso de créditos escala com seus casos de uso específicos.

Os preços estão sujeitos a alteração à medida que avançamos de Research Preview para disponibilidade geral. Usuários atuais receberão aviso antecipado sobre quaisquer atualizações de preços.

Você é um agente de IA que precisa de uma API key da Firecrawl? Veja firecrawl.dev/agent-onboarding/SKILL.md para instruções de onboarding automatizado.