LlamaIndex

Integre o Firecrawl ao LlamaIndex para criar aplicações de IA com busca vetorial e embeddings baseados em conteúdo da web.

Configuração

npm install llamaindex @llamaindex/openai firecrawl

Crie o arquivo .env:

FIRECRAWL_API_KEY=your_firecrawl_key
OPENAI_API_KEY=your_openai_key

Observação: Se estiver usando Node < 20, instale dotenv e adicione import 'dotenv/config' ao seu código.

RAG com Busca Vetorial

Este exemplo demonstra como usar LlamaIndex com Firecrawl para rastrear um site, criar embeddings e consultar o conteúdo por meio de RAG.

import { Firecrawl } from 'firecrawl';
import { Document, VectorStoreIndex, Settings } from 'llamaindex';
import { OpenAI, OpenAIEmbedding } from '@llamaindex/openai';

Settings.llm = new OpenAI({ model: "gpt-4o" });
Settings.embedModel = new OpenAIEmbedding({ model: "text-embedding-3-small" });

const firecrawl = new Firecrawl({ apiKey: process.env.FIRECRAWL_API_KEY });
const crawlResult = await firecrawl.crawl('https://firecrawl.dev', {
  limit: 10,
  scrapeOptions: { formats: ['markdown'] }
});
console.log(`Crawled ${crawlResult.data.length } pages`);

const documents = crawlResult.data.map((page: any, i: number) =>
  new Document({
    text: page.markdown,
    id_: `page-${i}`,
    metadata: { url: page.metadata?.sourceURL }
  })
);

const index = await VectorStoreIndex.fromDocuments(documents);
console.log('Vector index created with embeddings');

const queryEngine = index.asQueryEngine();
const response = await queryEngine.query({ query: 'What is Firecrawl and how does it work?' });

console.log('\nAnswer:', response.toString());

Para mais exemplos, consulte a documentação do LlamaIndex.

Configuração

RAG com Busca Vetorial

On this page