Firecrawl 组合用法：从输入到交付的完整链路
把网站抓取并转为 Markdown 的开源爬取服务——这是 Firecrawl 最主要的用途，也是本文讨论的前提。
单独用一个工具往往只解决一段问题，这篇讲怎么把它和上下游工具串起来。
推荐组合：Firecrawl + Relevance AI
Relevance AI 的定位是：面向业务团队的 AI 智能体搭建平台。两者分工可以是：Firecrawl 负责「网页内容抓取」这一步，Relevance AI 负责把前后步骤串成自动化流程。
工作流步骤
- 明确交付物和验收标准，例如：没有臆造发布日期。
- 准备输入：一组需要定期关注的网页，先去掉敏感信息。
- 在 Firecrawl 中执行核心步骤（提示词见下文）
- 把结果交给 Relevance AI 做下一步处理，或从 Relevance AI 取得所需材料。
- 人工检查关键事实与格式，记录发现的问题。
- 把这次用到的提示词和设置保存为模板，下次复用。
网页内容抓取
输入：一组需要定期关注的网页。
把这些网页转成 Markdown，去掉导航和广告，只保留正文、发布日期和作者；发布日期缺失时标注「未知」。
交付前确认：没有臆造发布日期。
交接时最容易出问题的地方
- 格式不兼容：两边导入导出的格式提前测试一次。
- 信息丢失：每次交接附上来源和版本号。
- 责任不清：约定哪一步由谁做最终确认。
- 权限分散：两边的账号和分享范围分别检查。
如果暂时不想引入第二个工具，也可以先用 Apify 等同类产品替代其中一环，跑通流程后再决定。
更多可以试的用法
带来源的快速调研
输入：一个需要事实支撑的问题。
请回答【问题】，每个关键结论后标注来源链接；如果不同来源说法不一，请分别列出；最后给出你认为最可靠的来源及原因。
检查点：关键结论都有可点击来源。
内部文档入库
输入：一批 PDF、Word 和网页。
把这些文档解析为干净的文本：保留标题层级和表格，去掉页眉页脚，按章节切分，每段附上原文件名和页码。
检查点：切分后的段落能回溯到页码。
检索效果对比
准备材料：同一批问题和两种检索配置。
用同一批测试问题分别跑关键词检索、向量检索和混合检索，记录前 5 条结果中正确段落的命中情况。
交付前确认：对比用同一批问题。
常见问题：答案引用了错误段落
调整切分大小、加入重排序，并检查文档解析是否丢失标题。
常见问题：中文检索效果差
选择对中文支持好的嵌入模型，并为专有名词建立同义词。
常见问题：回答过于笼统
要求逐条引用原文，并限定只回答文档中有依据的内容。
概念补充：重排序（Rerank）
对初步检索结果再次打分排序，提升相关性。
概念补充：引用溯源
回答附带原文出处，便于核对。
适合人群：记者编辑
记者编辑可以用 Firecrawl 处理采访整理、资料核查等工作。需要注意：事实必须多源核实，不得用 AI 生成虚构引语，遵守所在机构的 AI 使用规范。
适合人群：客服人员
客服人员可以用 Firecrawl 处理回复草稿、工单分类等工作。需要注意：不得以 AI 名义做出政策外承诺，涉及隐私的问题按流程处理。
使用提醒
涉及个人信息、商业机密或受监管数据时，先确认 Firecrawl 的数据处理条款，再决定能否使用。
本文基于 Firecrawl 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。