Agent

Web 上のあらゆる場所に存在するデータを収集します。

適切なツールの選び方。 URL がわからない場合や、Web 全体を自律的に移動しながらデータを収集する必要がある場合は、Agent が適しています。

• 単一の既知のURLに対しては、/scrape のJSONモード の方が低コストで、同期的に実行できます。
• 詳しい比較: Data Extractor の選び方。

Firecrawl の /agent は、検索・ナビゲーション・データ収集を自動で行い、最も幅広い種類の Web サイトからでも、通常はアクセスしづらい場所のデータを見つけ出し、他のどの API にもできない方法でデータを発見する魔法のような API です。人間なら何時間もかかるエンドツーエンドのデータ収集を、スクリプトや手作業なしで数分で完了させます。 単一のデータポイントが欲しい場合でも、大規模なデータセット全体が必要な場合でも、Firecrawl の /agent がデータ取得を代わりに行います。

/agent は、あらゆる場所にあるデータに対する「ディープリサーチ」と考えてください！

Research Preview: Agent はアーリーアクセス段階です。動作が荒削りな部分がありますが、今後大きく改善されていきます。

報奨金：5,000クレジット — /agentに関する有益なフィードバックに対して

対象となるには、Firecrawl Feedback Assistantとの内容の濃いインタビュー (よく考えられた具体的なユースケースなど) を完了してください。所要時間は数分で、いつでも中断でき、人間にもエージェントにも対応しています (リンクをエージェント用harnessに貼り付けるだけです！) 。/agentを使ったことがない方のご意見も歓迎します。

インタビューを開始

報奨の対象となるにはメールアドレスを入力してください。インタビューは毎週末に品質を確認します。

Agent は /extract の優れた点をすべて引き継ぎつつ、さらに強化しています:

• URL 不要: 必要な内容を prompt パラメータで記述するだけでよく、URL は任意です
• ディープ Web 検索: サイト内を自律的に検索・巡回し、必要なデータを深部まで探索
• 高い信頼性と正確性: 幅広い種類のクエリやユースケースで安定して動作
• 高速: 複数ソースを並列処理して結果を素早く取得

Playground で試す

コードは不要で、インタラクティブな Playground 上でエージェントを試せます。

​

/agent の使用

必須パラメータは prompt のみです。どのようなデータを抽出したいかを記述してください。構造化された出力を得るには、JSON スキーマを指定してください。各 SDK は、型安全なスキーマ定義のために Pydantic (Python) と Zod (Node) をサポートしています：

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="Professional background")

class FoundersSchema(BaseModel):
    founders: List[Founder] = Field(description="List of founders")

result = app.agent(
    prompt="Find the founders of Firecrawl",
    schema=FoundersSchema,
    model="spark-2",
    max_credits=100
)

print(result.data)

​

レスポンス

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
}

​

URL を指定する場合 (任意)

エージェントの対象を特定のページに絞り込むために、任意で URL を指定できます。

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="これらのページの機能と価格情報を比較してください"
)

print(result.data)

​

ジョブのステータスと完了

Agent ジョブは非同期で実行されます。ジョブの実行を開始すると、ステータス確認に使える Job ID が返されます：

• デフォルトの方法: agent() が完了まで待機し、最終結果を返します
• 開始してポーリング: start_agent (Python) または startAgent (Node) で即座に Job ID を取得し、その後 get_agent_status / getAgentStatus でポーリングします

ジョブ結果は完了後 24 時間のあいだ API 経由で取得できます。この期間を過ぎても、activity logs から Agent の履歴と結果を参照できます。

Python

from firecrawl import Firecrawl

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

# エージェントジョブを開始する
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

​

考えられるステータス

ステータス	説明
processing	エージェントがリクエストを処理中です
completed	抽出が正常に完了しました
failed	抽出中にエラーが発生したか、ジョブがキャンセルされました (キャンセルされたジョブは、キャンセルのエラーメッセージとともに failed を報告します)

キャンセルは協調的に処理されます。 cancel エンドポイントを呼び出すと、リクエストはただちに受け付けられますが、すでに進行中のステップ (LLM の推論ステップ、ツール呼び出し、またはブラウザ操作) は、ジョブが停止する前に、正常に停止できる区切りまで実行されます。その短い間もクレジットが引き続き加算される可能性があるため、最終的な creditsUsed は、キャンセルをクリックした時点で表示されていた値より大きくなる場合があります。キャンセルされたジョブは、ポーリング時にステータス failed を報告し、agent.cancelled webhook イベントを発行します。

​

保留状態の例

JSON

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

​

完成例

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
}

​

実行トレースとスナップショット

各実行では、ツール呼び出し、推論の要約、進行状況のアップデート、ブラウザセッション、出力アーティファクトの変更を含む、時系列順の正規実行トレースが記録されます。実行のデバッグや、ライブ進行状況UIの構築に利用できます。

Python

from firecrawl import Firecrawl

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

# 実行のトレース: 時系列順のイベント（tool calls、推論、生成物）
trace = app.get_agent_trace("JOB_ID")

for event in trace.events or []:
    print(event.type)

# 実行中の場合は、現在アクティブなブラウザセッションも含める
live = app.get_agent_trace("JOB_ID", live_view=True)
for session in live.active_browser_sessions or []:
    print(session.live_view_url)

artifact.updated トレースイベントは、snapshotId を通じてエージェントの作業中の出力を参照します。スナップショットの完全な内容は、snapshotsエンドポイントで取得できます。

Python

from firecrawl import Firecrawl

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

# artifact.updated トレースイベントは snapshotId でスナップショットの内容を参照します
snapshot = app.get_agent_snapshot("JOB_ID", "SNAPSHOT_ID")

print(snapshot.snapshot)

トレースとスナップショットは、すべての新規実行で使用されるSpark 2で記録されます。廃止前にSpark 1モデルで開始されたジョブには、これらはありません。完全なイベントスキーマについては、trace および snapshot のAPIリファレンスを参照してください。

​

エージェントの実行を共有する

Agent playground から、エージェントの実行を直接共有できます。共有リンクは公開されるため、リンクを知っている人なら誰でも実行結果とアクティビティを閲覧できます。また、アクセスを取り消してリンクをいつでも無効にできます。共有ページは検索エンジンにインデックスされません。

​

モデルの選択

Firecrawl Agent は Spark 2 で動作します。Spark 2 は、同等の精度を保ちながら、従来の Spark 1 モデルよりも低コストで高速です。これがデフォルトのモデルであり、model パラメータを設定したかどうかにかかわらず、すべての実行で spark-2 が使用されます。

Spark 1 モデルは非推奨です。 Spark 1 のモデル名は後方互換性のため引き続き使用できますが、これらを指定したリクエストは spark-2 にルーティングされます。

​

Spark 2

spark-2 は、従来は Mini と Pro の選択が必要だった幅広いタスクに対応するため、精度とコストのトレードオフを考える必要はありません。

ハイライト:

• 実行あたりのコストを最小限に抑える
• 最速の実行時間
• 旧 Spark 1 フラッグシップに匹敵する精度
• 推論予算を備えた唯一のモデル: effort (low、medium、または high) を渡して、どの程度深く考えるかを制御できます

​

モデルの指定

model パラメータは任意です。すべてのリクエストで spark-2 が実行されます。

Python

from firecrawl import Firecrawl

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

# Spark 2がデフォルト — すべての実行はこのモデルで処理されます
result = app.agent(
    prompt="Find the pricing of Firecrawl",
    model="spark-2"
)

# 非推奨: Spark 1のモデル名も引き続き利用できますが、"spark-2"にルーティングされます。

print(result.data)

​

パラメータ

パラメータ	Type	Required	Description
prompt	string	Yes	抽出したいデータを自然言語で記述した文字列 (最大 10,000 文字)
model	string	No	すべての実行で使用されるモデル spark-2 がデフォルトです。Spark 1 モデルは非推奨であり、spark-2 にルーティングされます
effort	string	No	推論予算: low、medium、または high。すべての実行は spark-2 で行われるため、effort は model の有無にかかわらず送信できます
urls	array	No	抽出対象を絞り込むための任意の URL リスト
schema	object	No	構造化された出力のための任意の JSON スキーマ
strictConstrainToURLs	boolean	No	true の場合、エージェントは urls 配列で指定された URL のみを訪問します
webhook	object	No	エージェントのライフサイクルイベント (agent.started、agent.action、agent.completed、agent.failed、agent.cancelled) を受信する webhook。webhook ペイロードを参照してください
maxCredits	number	No	このエージェントタスクで使用するクレジットの最大数。設定しない場合、デフォルトは 2,500 です。ダッシュボードでは 2,500 までの値をサポートしています。これを超える上限を設定するには、API 経由で maxCredits を指定してください (2,500 を超える値は常に有料リクエストとして扱われます)。上限に達するとジョブは失敗し、データは一切返されません。失敗した実行には課金されません。AI の推論に使用されたクレジットは失敗時には請求されず、実行中のツール呼び出し (scraping、search、mapping など) に使用されたクレジットは返還され、レスポンスには creditsUsed: 0 が記録されます。

​

Agent と Extract：何が改善されたか

項目	Agent (新)	Extract
URL の指定	不要	必要
速度	高速	標準
コスト	低コスト	標準
信頼性	高い	標準
クエリの柔軟性	高い	中程度

​

利用例

• リサーチ: 「有望なAIスタートアップ上位5社とその資金調達額を調べる」
• 競合分析: 「SlackとMicrosoft Teamsの料金プランを比較する」
• データ収集: 「企業のWebサイトから連絡先情報を抽出する」
• コンテンツ要約: 「Webスクレイピングに関する最新のブログ記事を要約する」

​

Agent Playground での CSV アップロード

Agent Playground は一括処理のための CSV アップロードに対応しています。CSV には 1 列以上の入力データを含めることができます。例えば、企業名だけの 1 列の CSV でもよいですし、企業名、プロダクト、Web サイトの URL など複数列を含めることもできます。各行は、エージェントが処理する 1 つのアイテムを表します。

CSV をアップロードし、グリッドヘッダーの「+」ボタンを使って出力列を追加します。各列にはそれぞれ専用のプロンプトがあり、列ヘッダーをクリックして、その項目でエージェントに何を見つけさせるかを記述します (例: 「CEO または創業者の名前」「累計調達額」) 。Run をクリックすると、エージェントは各行を並列に処理し、結果を入力します。

​

Ask を使ったトラブルシューティング

エージェントのジョブが失敗したり、想定外の結果が返ってきたりする場合は、エージェントによるデバッグに Ask API を使用してください。問題を説明すると、そのまま適用できる修正用パラメータ付きの検証済みの回答を取得できます。

curl -X POST https://api.firecrawl.dev/v2/support/ask \
  -H "Authorization: Bearer fc-YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "question": "my agent returned incomplete results"
  }'

詳細や連携例については、Ask ドキュメントをご覧ください。

​

APIリファレンス

詳しくは、Agent API Reference を参照してください。

フィードバックやサポートが必要な場合は、[e-mail] までメールでご連絡ください。

​

料金

Firecrawl Agent は、データ抽出リクエストの複雑さに応じてスケールする ダイナミックな課金モデル を採用しています。実際に Agent が行った処理内容に基づいて支払う仕組みのため、単純なデータポイントの抽出でも、複数のソースからの複雑な構造化情報の抽出でも、公平な料金になります。

​

Agentの料金の仕組み

Research Preview期間中、Agentの料金は動的でクレジットベースです：

• シンプルな抽出 (1ページからの連絡先情報など) は、通常必要なクレジット数が少なく、コストも低くなります
• 複雑なリサーチタスク (複数ドメインにわたる競合分析など) は、より多くのクレジットを使用しますが、必要な総工数を反映します
• 透明な利用状況により、各リクエストで消費されたクレジット数を正確に確認できます
• クレジット変換により、Agentのクレジット使用量が自動的にクレジットへ変換され、請求処理が容易になります

クレジット使用量は、プロンプトの複雑さ、処理されるデータ量、および要求された出力構造に応じて変動します。目安として、ほとんどのAgent実行では数百クレジットが消費されますが、よりシンプルな単一ページのタスクでは少なく、複数ドメインにまたがる複雑なリサーチでは多くなる場合があります。

​

Parallel Agents の料金

Spark-1 Fast で複数のエージェントを並列実行する場合、料金はセルあたり 10 クレジットとなり、より料金の見通しが立てやすくなります。

​

はじめに

すべてのユーザーは、Agent の機能を無料で試せるように、プレイグラウンドまたは API のいずれからでも利用できる1 日あたり 5 回の無料実行が付与されます。

それ以上の利用分は、クレジット消費量に応じて課金され、その分がクレジットに換算されます。

​

コスト管理

エージェント は高コストになることがありますが、コストを下げる方法がいくつかあります:

• 無料実行から始める: 毎日 5 回の無料リクエストを使って料金感をつかむ
• maxCredits パラメータを設定する: 消費してもよいクレジットの最大数を設定して支出を制限します。ダッシュボードでは上限は 2,500 クレジットです。より高い上限を設定するには、API 経由で maxCredits パラメータを直接使用してください (注: 2,500 を超える値は常に有料リクエストとして課金されます)
• プロンプトを最適化する: より具体的なプロンプトほど、使用するクレジットが少なくなることが多い
• 大きなタスクを小さな実行に分割する: 1 回の エージェント 実行には、基盤となるモデルの生成能力に基づく出力上限があります (構造化データで約 150〜200 行)。大規模な抽出ジョブでは、カテゴリ、地域、または URL バッチ (1 回の実行あたり 3〜5 URL) ごとに分割し、結果を結合してください。これにより、各実行を maxCredits の上限より十分低く保つこともできます。
• 利用状況を監視する: ダッシュボードを通じて消費量を追跡する
• 期待値を設定する: 複数ドメインにわたる複雑なリサーチは、単純な単一ページの抽出よりも多くのクレジットを使用します

Try Agent now at firecrawl.dev/app/agent で今すぐ エージェント を試して、あなたの具体的なユースケースでクレジット使用量がどのようにスケールするかを確認してください。

料金は Research Preview から一般提供へ移行する際に変更される可能性があります。現在のユーザーには、料金変更がある場合は事前に通知されます。

Firecrawl API キーが必要な AI エージェント ですか? 自動オンボーディング手順については firecrawl.dev/agent-onboarding/SKILL.md を参照してください。