跟做：Firecrawl 单页转 Markdown 再丢进沙箱总结

把整页 HTML 丢进模型，token 往往先被导航、脚本和样式吃掉一截，真正要总结的正文反而被冲淡。2026-11-11（北京时间）我用 SandBase 目录里的 Firecrawl 单页接口，抓了官方文档页 Firecrawl Scrape，拿到 454,158 字符 的 Markdown，再写进兼容 E2B 的沙箱跑了一段抽取脚本。这次单页调用的结算成本是 USD 0.000000 ：目录原价每次 USD 0.0075 ，被记成 100% 的 free_quota 折扣；沙箱的创建、运行和停止，按当天定价页和产品 FAQ，目前不碰余额。若一上来就整站 crawl，模型卡写明是首 call 即计费，而且按页算------那是另一条账。

下面按当天公开定价页、模型卡，以及这一次真实请求来跟做。数字都以当天页面和结算记录为准，不把抄来的表当成永久价目。

1. 为什么先转 Markdown，而不是把 HTML 直接塞进模型

我做过几次「把网页丢给模型做摘要」的失败实验，卡住的地方几乎一样：

原始 HTML 里有导航、页脚、样式和脚本。模型要先在噪音里找正文，上下文窗口被占掉，摘要还容易把侧栏链接当成要点。
自己写解析器，每个站点一套选择器，文档站一改主题就失效。
页面是前端渲染的，curl 直接拉到的常常是空壳，还得自己挂无头浏览器。

所以这条路径被拆成两步更清楚：先把已知的公开页面收成带元数据的 Markdown，再在隔离环境里做抽取或总结。 前一步解决「正文从哪来、源地址和状态码是什么」；后一步解决「这段文本怎么清洗、标题怎么列、要不要再交给模型」。两步不要混在一次随便拼出来的提示词里。

2. 先看目录，再决定调哪条 Firecrawl 端点

SandBase 的 Firecrawl 目录当天能看到五条能力：单页 Scrape、URL Discovery（map）、Web Search、整站 Crawl、Batch Scrape。我这次只要已经知道的一页公开文档 ，所以走同步的 firecrawl/scrape。不必另开 Firecrawl 开发者账号，一把 SandBase API Key 就能调。搜目录、读 schema 和价格，定价页写明不计费；调用成不成功，再看 Activities 或任务成本。

当天（2026-11-11，北京时间）我核对过的口径如下。金额按目录或模型卡原文写 USD，不用美元符号。

端点	模式	当天标价	是否计入每天 100 次免费	计费方式
`firecrawl/scrape`	同步	目录、模型卡与 OG 卡均为每次 USD 0.0075	计入。模型卡 `free_quota_eligible` 为 true，`free_quota_daily_limit` 为 100；目录页也写了「First 100 calls per day free」	成功按次；失败不计费，目录页写明目标不存在也不计费
`firecrawl/map`	同步	每次 USD 0.0075	计入，口径与 scrape 相同	按次
`firecrawl/search`	同步	目录页与模型卡 `base_price` 为每次 USD 0.015 ；当天官方 OG 卡写成 Per run USD 0.01	不计。模型卡 `free_quota_eligible` 为 false，FAQ 也未写进这 100 次	两处标价不一致，本文不擅自抹平；对账以结算记录为准
`firecrawl/crawl`	异步	页头 / FAQ 写 From USD 0.0075 / call；定价正文对 `limit` 为 2 的示例写「约 USD 0.0075」；OG 卡写成 Per run USD 0.0075	不计。模型卡 `free_quota_eligible` 为 false。计费文档把 crawl 类端点列为首 call 即计费	模型卡公式是 `max(1, max(completed, 返回条数)) × 0.0075`，也就是按页、至少 1 页。公式与「约 0.0075」对不上，不抹平
`firecrawl/batch/scrape`	异步	页头写 From USD 0.0075 / call；OG 卡写成 Per run USD 0.0075	不计（`free_quota_eligible` 为 false）	模型卡公式是 `max(1, URL 条数) × 0.0075`。单条 URL 时与 0.0075 对齐，多 URL 按条数计

合格 Data API 的免费额度是按组织共享 的，每天 100 次，UTC 00:00 重置，组织下全部 Key 一起算；不是每个端点各 100 次。超出后按次计费，不会因为额度用尽被拒绝，未用完也不结转。LLM 和媒体模型不计入这 100 次。计费文档还写了一条总原则：部分高价或公式价端点（例如部分 batch、crawl）从第一次调用就开始计费，是否合格要看 pricing.free_quota（模型卡上是 free_quota_eligible）。

选型一句话：已经有公开 HTTPS 地址、只要这一页的 Markdown，用 scrape；要先列出站点上还有哪些链接，用 map；关键词还没指向具体页，才用 search（且当天它更贵，也不在免费额度里）；只有明确要整站或一批已知 URL 时，再上 crawl 或 batch，并且按公式把页数乘进去。

3. 跟做一：单页 scrape，看真实返回字段

目标页我选了 Firecrawl 自己的英文文档 Scrape，避免把国内社交应用当案例。这是一页公开文档，不要求登录。

当天模型卡里的输入 schema 只接受三个字段：

url（必填）：要抓的 HTTPS 地址
proxy（必填）：枚举里只有 basic，默认也是 basic
formats（可选）：枚举里只列出了 markdown

目录 README 另外写过：若在 formats 里请求，还可能返回 data.html / data.links / data.screenshot。这和当天 schema 枚举不一致。我没有按官方 Firecrawl 文档去传 html、json、branding 这些供应商侧选项，只传了 schema 明确允许的值。Markdown 在 README 里是默认输出，即使省略 formats 按文档也会给 Markdown；我这次显式写了 "formats": ["markdown"]。

请求很短：

bash 复制代码

export SANDBASE_API_KEY='你的密钥'

curl -sS -X POST "https://api.sandbase.ai/v1/api/firecrawl/scrape" \
  -H "Authorization: Bearer $SANDBASE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "url": "https://docs.firecrawl.dev/features/scrape",
    "proxy": "basic",
    "formats": ["markdown"]
  }'

我在 2026-11-11 **15:02:18（北京时间）**发出这次请求，HTTP 200 ，耗时约 2.7 秒 。响应头里有 x-task-id，值和信封里的 id 相同：c88a3450-dd7d-4c38-883c-96274fa428cb。

3.1 先分清信封和业务载荷

顶层我实际看到的键只有五个：id、model（值为 firecrawl/scrape）、status（值为 completed）、output、outputs。其中 output 和 outputs[0].data 是同一份对象。

业务结果还要再往下看一层。路径是：

text 复制代码

outputs[0].data.success          → true
outputs[0].data.data.markdown    → 页面正文（Markdown 字符串）
outputs[0].data.data.metadata    → 源页面元数据

两个 data 分属不同容器：外面一层是 SandBase 的输出槽，里面一层才是 Firecrawl 的业务载荷。不要在 outputs[0].data.markdown 这个位置空等字段。文档示例里展示的 success / data 根结构，对应的是里面那一层，不是完整信封。

3.2 这次 metadata 里真正出现的字段

下面只记我当天在响应里看到、并且核对过取值的字段，不把 README 表格未曾出现的值补进去。

字段	这次的值	我用来确认什么
`title`	`Scrape	Firecrawl`
`description`	`Turn any URL into clean Markdown or structured data`	文档站自己的一句话说明
`language`	`en`	语言代码
`sourceURL`	`https://docs.firecrawl.dev/features/scrape`	源地址；要和请求里的 `url` 分开存，遇到跳转时它们可能不同。这次两者一致
`url`	与 `sourceURL` 相同	响应里另给的页面地址
`statusCode`	`200`	页面的 HTTP 状态，不是外层 API 的 200。先看信封成功，再看这个字段
`contentType`	`text/html; charset=utf-8`	源页面类型
`proxyUsed`	`basic`	实际用的代理档，与请求一致
`cacheState` / `cachedAt`	`hit` / `2026-11-11T06:38:12.702Z`（北京时间 14:38:12）	这是缓存命中，内容来自当天稍早的副本，不是 15:02 刚刚现抓的
`scrapeId`	`01a1c96a-1b47-7401-a139-4b1c8cad1cfc`	这一页抽取的供应商侧 ID
`generator`	`Mintlify`	文档站生成器

此外还出现了一组 og:* / ogTitle 这类开图字段、twitter:* 字段，以及一个含两项的 viewport 数组。站点验证类字段我见到了，但不在文章里展开。concurrencyLimited 这次为 false。

不要只看外层 HTTP 200 就认定「页面可用」。可靠的顺序是：HTTP 成功，且 status 为 completed，且业务 success 为 true，且 metadata.statusCode 落在你自己接受的 2xx，且 markdown 不是空字符串。缓存命中只说明速度快，不证明内容是此刻最新的；需要更「新」时，当天的 SandBase schema 并没有列出官方 Firecrawl 文档里的 maxAge 一类参数，就不要从供应商文档里抄过来碰运气。

3.3 Markdown 长什么样

这次 data.markdown 长 454,158 字符、1,537 行。开头并不是一个干净的一级标题，而是文档站自己的索引提示，然后才进入正文。下面这段是原文开头的摘录，不是控制台截图：

markdown 复制代码

> ## Documentation Index
>
> Fetch the complete documentation index at: [/llms.txt](https://docs.firecrawl.dev/llms.txt)
>
> Use this file to discover all available pages before exploring further.

[Skip to main content](https://docs.firecrawl.dev/features/scrape#content-area)

Scrape turns any URL into clean Markdown or structured data for AI agents,
including JS-heavy pages and dynamic apps.

- It manages complexities: proxies, caching, rate limits, js-blocked content
- Handles dynamic content: dynamic websites, js-rendered sites, PDFs, images
- Outputs clean markdown, structured data, screenshots or html.

标题在 metadata.title 里是 Scrape | Firecrawl，但正文开头没有对应的 # Scrape。后面大量代码示例里还有 # pip install firecrawl 这种注释，如果按「行首是 #」去抽标题，会把注释也算进去。这正是下一步要进沙箱、而不是把整段 Markdown 原样灌给模型的原因：先清洗，再总结。

4. 跟做二：把 Markdown 丢进沙箱做抽取

模型可以直接读这段 Markdown，但 45 万字符远远超出大多数摘要任务的需要。我更想先在隔离环境里跑一段短脚本：去掉代码块，抽出标题，再取正文前几段。SandBase 的沙箱是 E2B 兼容网关，端点是 https://sandbox.sandbase.ai，官方文档针对的是 E2B JavaScript / Python SDK 2.51.0，用的还是同一把 SandBase Key。

定价页和产品 FAQ 当天的原话是：创建、运行、停止沙箱目前不碰余额；公平使用上限可能适用，改价会提前公告。模型或 Data API 若在沙箱任务里被调用，仍按目录计费。需要记下的分歧是：文档里的 Experimental Playground 另有一句 "Operations connect to sandbox.sandbase.ai and may incur charges." 两处表述不一致，我不擅自抹平；跟做以定价页和产品 FAQ 为准，对账仍看 Activities。

环境变量按 Sandbox quickstart 来，两个地址都要设。只设 E2B_DOMAIN 时，SDK 2.51.0 会自己拼出一个带 api. 前缀的主机，容易打错地方。E2B_SANDBOX_URL 不要设成控制面地址，调试开关保持关闭：

bash 复制代码

python -m pip install 'e2b==2.51.0'

export E2B_API_KEY="$SANDBASE_API_KEY"
export E2B_API_URL="https://sandbox.sandbase.ai"
export E2B_DOMAIN="sandbox.sandbase.ai"
export E2B_DEBUG="false"
unset E2B_SANDBOX_URL

模板不要假设上游默认的 base 一定存在。我用这把 Key 调用了文档给出的列表接口：

bash 复制代码

curl --fail --silent --show-error \
  'https://sandbox.sandbase.ai/v2/templates?limit=100' \
  -H "X-API-Key: $E2B_API_KEY"

当天看到 4 个 buildStatus 为 ready 的公开模板。我选了 openagentcore-mcode-0-8-0-fbdea0c8（把返回里的 templateID 赋给下面的变量）。实例 ID 留在组织内，不写进公开文章。

抽取脚本很短，只做三件事：去掉围栏代码块，清洗 Mintlify 标题前的锚点链接，再打印标题和正文节选。

python 复制代码

# summarize_md.py
import re, sys
from pathlib import Path

def strip_fences(text: str) -> str:
    return re.sub(r"```.*?```", "", text, flags=re.S)

def headings(text: str):
    out = []
    for line in strip_fences(text).splitlines():
        m = re.match(r"^(#{1,6})\s+(.*)$", line.strip())
        if not m:
            continue
        raw = re.sub(r"^\[.*?\]\([^)]*\)\s*", "", m.group(2)).replace("\\", "").strip()
        if raw:
            out.append((len(m.group(1)), raw))
    return out

path = Path(sys.argv[1])
text = path.read_text(encoding="utf-8")
hs = headings(text)
print(f"chars={len(text)}")
print(f"lines={text.count(chr(10))+1}")
print(f"headings={len(hs)}")
print("--- headings (first 20) ---")
for level, title in hs[:20]:
    print(f"{'  '*(level-1)}{'#'*level} {title}")

创建沙箱、写入文件、跑命令、最后删除，可以按官方 Quickstart 的 Sandbox.create / files.write / commands.run / Sandbox.kill 来写。我实际做的是：把上面的 Markdown 写到沙箱的 /tmp/page.md（读回长度仍是 454,158），再执行 python3 /tmp/summarize_md.py /tmp/page.md。exit_code 为 0，随后删除了实例。标准输出如下（这是当天沙箱里的真实输出，不是本地冒充的控制台图）：

text 复制代码

chars=454158
lines=1537
headings=45
--- headings (first 20) ---
  ## Scraping a URL with Firecrawl
    ### /scrape endpoint
    ### Installation
    ### Usage
    ### Response
    ### Response metadata and status codes
  ## Scrape Formats
  ## Extract structured data
    ### /scrape (with json) endpoint
    ### Extracting without schema
    ### JSON format options
  ## Extract brand identity
    ### /scrape (with branding) endpoint
    ### Response
    ### Branding Profile Structure
    ### Combining with other formats
  ## Extract product data
    ### /scrape (with product) endpoint
    ### Response
    ### Product object structure

去掉代码块之后，标题从「按行首 # 粗算」变成了 45 个，结构已经能当一份目录用。正文节选里，脚本先碰到文档索引的引用块，真正的导语是那句 "Scrape turns any URL into clean Markdown or structured data for AI agents..."。到这一步，再决定要不要把清洗后的标题加导语 送给模型做摘要，token 会少很多，来源仍然留在 metadata.sourceURL 里。

5. 这条路径当天要花多少钱，以及要对哪几处

单页这次我把 x-task-id 拿去查了 GET /v1/tasks/{task_id}/cost。返回里 settled 已是 true，和费用有关的字段如下（金额是接口给出的十进制字符串）：

json 复制代码

{
  "id": "c88a3450-dd7d-4c38-883c-96274fa428cb",
  "status": "completed",
  "settled": true,
  "currency": "USD",
  "cost": "0.000000",
  "estimated_cost": "0.000000",
  "usage": {
    "prompt_tokens": 0,
    "completion_tokens": 0,
    "total_tokens": 0,
    "cached_tokens": 0,
    "cache_creation_tokens": 0,
    "reasoning_tokens": 0
  },
  "pricing": {
    "original_cost": "0.007500",
    "discount_amount": "0.007500",
    "discount_percent": 100,
    "discount_type": "free_quota",
    "free_quota_status": "free"
  }
}

读法很直接：目录原价是 USD 0.0075 ，这次被记成免费额度折扣，实付为 0。usage 里的 token 全是 0，和「这是一次数据 API，不是语言模型」相符。文档约定：settled 为 true 之前，不要拿 cost 对账；任务记录是操作查询，不是会计账本。长期对账仍走控制台 Activities → Usage。

若当天组织已经用完 100 次合格额度，同样一次 scrape 就会按目录价从余额扣 USD 0.0075（模型卡没有另给公式，按次计）。额度用尽不会把请求拒掉。失败的调用不计费。

需要单独盯的是另外几条端点：

不要用 crawl 的心态去估 scrape。 crawl 当天不计免费额度，模型卡按页计费。页面上「约 USD 0.0075」和公式并不完全一致，预算请按公式把页数乘进去，并以结算为准。
batch 也不计免费额度，按提交的 URL 条数计，至少按 1 条。
search 当天更贵，也不在免费额度里；OG 卡上的 USD 0.01 和目录上的 USD 0.015 还对不上，不要只看开图卡片做预算。
沙箱目前免费，不等于后面若把 Markdown 再送给某个收费模型也免费。模型和 Data API 仍按目录走同一余额，每一笔应出现在 Usage 里。

6. 我会怎么选

我会把这条路径用在「已经有一个公开 URL，要把它变成可引用的 Markdown，再做摘要或抽取」的场合。自己维护无头浏览器、为每个文档站写解析器，我不会作为默认选项。SandBase 这边的便利是一把 Key 能先读目录和 schema（不计费），再调 scrape，必要时把文件丢进目前免费的沙箱，最后在任务成本或 Activities 里对上结算。

我不会这么用：

还没确认目标页，就先开 crawl 或 batch，把免费额度和按页计费混在一起估。
把官方 Firecrawl 文档里的 formats、maxAge、代理档原样抄到 SandBase 请求里。当天 schema 只明确接受 basic 和 markdown。
只看外层 HTTP 200，或把缓存命中当成「此刻最新」。
需要登录才能看的页面。目录写明：要登录或返回错误的页面会失败，并且失败不计费------但这不是去绕过访问限制的理由，只抓公开页，并遵守站点条款。

一页文档跟做到这里就够用了。若下一步是「先看这个文档站还有哪些页面，再挑几页 scrape」，应该先走 firecrawl/map，而不是把 limit 拉大交给 crawl。map 当天和 scrape 一样计入那 100 次免费额度，单价也是每次 USD 0.0075。