代理

从网络上的任意位置获取数据。

选择合适的工具。 当你不知道 URL，或需要在网页上进行自主导航时，代理就是正确的选择。

• 对于单个已知 URL，/scrape 的 JSON 模式成本更低，而且是同步的。
• 完整对比见：选择数据提取器。

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！

Research Preview：代理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 →

代理构建于 /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。

​

使用 /agent

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：

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="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)

​

响应

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
}

​

提供 URL (可选)

你可以选择提供 URL，让 agent 专注于特定页面：

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="比较这些页面的功能和定价信息"
)

print(result.data)

​

任务状态与完成

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。

Python

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

​

可能的状态

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
cancelled	用户取消了该任务

取消是协作式的。 当你调用取消端点时，请求会立即登记，但任何已经在进行中的步骤 (如 LLM 推理步骤、工具调用或浏览器操作) 都会先运行到可安全停止的节点，然后任务才会转为 cancelled。在这段短暂时间内，额度仍可能继续累积，因此最终的 creditsUsed 可能高于你点击取消时显示的数值。

​

等待中示例

JSON

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

​

已完成示例

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
}

​

分享代理运行记录

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。

​

模型选择

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 (默认)

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

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

​

指定模型

通过传入 model 参数来选择要使用的模型：

Python

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

参数	类型	必填	描述
prompt	string	是	用自然语言描述你想要提取的数据 (最多 10,000 个字符)
model	string	否	要使用的模型：spark-1-mini (默认) 或 spark-1-pro
urls	array	否	可选的 URL 列表，用于聚焦提取
schema	object	否	用于结构化输出的可选 JSON schema
maxCredits	number	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。失败的运行不会计费：用于 AI 推理的额度在失败时绝不会收费，运行期间任何用于工具调用的额度 (scraping、search、mapping 等) 都会退还，并且响应会返回 creditsUsed: 0。

​

Agent 与 Extract：有哪些改进

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

​

示例用例

• 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，然后使用表头中的 ”+” 按钮添加输出列。每一列都有自己的 prompt——点击列表头，描述 Agent 应为该字段查找什么内容 (例如，“CEO 或创始人姓名”、“融资总额”) 。点击 Run，Agent 会并行处理每一行并填充结果。

​

API 参考

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 [e-mail]。

​

价格

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。

​

Agent 计费方式

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 credits
• Credit 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。

​

并行 Agent 计费

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。

​

入门

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。

​

成本管理

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 prompt：更具体的 prompt 通常会消耗更少的额度
• 将大型任务拆分为更小的运行：单次代理运行的输出上限取决于底层模型的生成能力 (约 150-200 行结构化数据) 。对于大型提取任务，可按类别、地区或 URL 批次 (每次运行 3-5 个 URL) 进行拆分，再合并结果。这也能让每次运行都保持在 maxCredits 限制之下。
• 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。

你是需要 Firecrawl API 密钥的 AI 代理吗？请参阅 firecrawl.dev/agent-onboarding/SKILL.md 了解自动化引导说明。