Agente

Reúna dados em qualquer lugar da web.

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!

Prévia de pesquisa: 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

​

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 FirecrawlApp
from pydantic import BaseModel, Field
from typing import List, Optional

app = FirecrawlApp(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="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"
)

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 FirecrawlApp

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

result = app.agent(
    urls=["https://docs.firecrawl.dev", "https://firecrawl.dev/pricing"],
    prompt="Compare the features and pricing information from these pages"
)

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 FirecrawlApp

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

# Iniciar uma tarefa de agente
agent_job = app.start_agent(
    prompt="Find the founders of Firecrawl"
)

# Verificar o status
status = app.get_agent_status(agent_job.id)

print(status)
# Exemplo de saída:
# status='completed'
# success=True
# data={ ... }
# expires_at=datetime.datetime(...)
# credits_used=15

​

Estados possíveis

Status	Descrição
processing	O agente ainda está trabalhando na sua solicitação
completed	Extração concluída com sucesso
failed	Ocorreu um erro durante a extração

​

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
}

​

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 FirecrawlApp

app = FirecrawlApp(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"
)

# Usando Spark 1 Pro para tarefas complexas
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	Esquema JSON opcional para saída estruturada

​

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”

​

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.

​

Começando

Todos os usuários recebem 5 execuções gratuitas por dia 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

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

• Comece com execuções gratuitas: Use suas 5 solicitações 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
• Otimize os prompts: Prompts mais específicos geralmente usam menos créditos
• 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 Agent 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.