Зазвичай, щоб витягти структуровані дані зі сторінки, доводиться писати одноразовий скрапер, який ламається щойно сайт змінюється. Цей екстрактор натомість приймає URL і схему.
sonnet4 дніFirecrawlPlaywrightOpenAIPostgres
Claude
65ROI
72Scale
$2.2k93Saved
ROI for
README.md
Чому цей субагент
Зазвичай, щоб витягти структуровані дані зі сторінки, доводиться писати одноразовий скрапер, який ламається щойно сайт змінюється. Цей екстрактор натомість приймає URL і схему.
Ви описуєте потрібні поля, а він рендерить сторінку, зіставляє елементи та повертає чисті валідовані записи. Змінюєте сайт — змінюєте схему; жодного нового скрапера писати не треба, а будь-яке поле, якого на сторінці немає, позначається, а не вигадується.
Як він працює
Used at step 01 to kick off the pipeline.
Write
Used at step 01 to kick off the pipeline.
WebFetch
Used at step 01 to kick off the pipeline.
WebSearch
Used at step 01 to kick off the pipeline.
Беріть визначену схему та зіставляйте елементи сторінки з її полями.
pending
Витягуйте дані, примусово приводьте типи та перевіряйте кожен рядок відповідно до схеми.
pending
Повертайте чисті структуровані записи та позначайте поля, яких не було на сторінці.
pending
Приклад результату
json
// Sample output
// (generated when the pipeline finishes)
Given a URL and a target schema, extract matching records as JSON conforming to the schema; set missing fields null and never invent values.
Unlock the rest
The full agent definition, install snippet, and starter task are gated for community members.
Members get the full `.md` agent file, the npm / pnpm install one-liners, a starter prompt that we've tuned against real runs, and the open-source repo when this automation ships there. One email, magic link, done.