The new Firecrawl /search

Мы обучили модель выделять из каждой страницы только те отрывки, которые лучше всего отвечают на запрос, возвращая их через /search; это даёт такой же или лучший контекст при 10‑кратном снижении потребления токенов и показывает результат 94,7 % на benchmark SimpleQA.

Рынок инструментов для работы LLM с внешними данными растёт быстро; потенциально глобальный, охватывающий все компании, создающие ИИ‑продукты, с возможностью масштабирования за счёт API‑модели.

• Зависимость от качества и свежести обучающих данных модели; устаревание может снизить релевантность результатов.
• Вычислительная стоимость собственной модели может сделать маржу низкой при высоких объёмах запросов.
• Риск копирования конкурентами благодаря открытым исследованиям и доступности подобных техник.

“Привет, Product Hunt 👋 Это Эрик, Калеб и Ник из Firecrawl. AI-агенты полагаются на поисковые инструменты, чтобы находить ответы в сети, но эти ответы часто зарыты в шуме. Навигация, шаблонный код и отступления окружают важный фрагмент, поэтому агент обрабатывает гораздо больше контента, чем ему нужно. Это делает поиск медленнее, дороже и увеличивает вероятность получения неправильного ответа. Firecrawl /search теперь пропускает каждый результат через новую пользовательскую модель релевантности. Она оценивает каждый абзац, список и таблицу по вашему запросу, а затем возвращает фрагменты, которые лучше всего на него отвечают. Мы оценили улучшенный /search на SimpleQA — фактическом бенчмарке OpenAI для коротких вопросов, требующих факта. AI-агенты, использующие Firecrawl /search, достигают state-of-the-art точности 94,7 %, что является самым высоким результатом среди всех протестированных нами поисковых провайдеров. Возвращая релевантные фрагменты вместо целых страниц, каждый ответ использует в 10 раз меньше токенов. Это оставляет больше свободного места в окне контекста вашего агента и делает результаты дешевле и быстрее для рассуждения. AI-агенты с веб-поиском сохраняют компактный контекст на длинных цепочках поисков. Конвейеры RAG получают фрагменты с ссылками на источники, готовые для подсказки, без отдельного чанкинга или переранжирования. Рабочие процессы исследования и обогащения могут извлекать именно тот факт, цифру или цитату, которые им нужны. Обновление уже активно в API, SDK, CLI и MCP, а форма API не изменилась, поэтому существующие вызовы /search автоматически начинают возвращать лучшие результаты! Если вы создаёте продукты с агентным поиском, нам будет интересно узнать, как это улучшает ваши результаты.”