Смотреть урок

Дополнительные файлы из урока

Завершающий урок по Firecrawl: собираем в один workflow почти всё, что разбирали по частям. Чат принимает ключевой запрос, режим search берёт лидера выдачи, режим map строит структуру его сайта, код-ноды вытаскивают домен и раздел блога, scrape снимает контент одной репрезентативной статьи, и все эти данные уходят в ИИ-агента, который возвращает анализ конкурента и стратегию в Telegram. Это демонстрационный сценарий: он показывает паттерн сборки, а не готовое боевое решение — под реальную задачу придётся дорабатывать промпты и точнее настраивать скрейпинг. Во второй половине — отдельный приём: как собрать документацию n8n и Firecrawl в блокноты NotebookLM, попросить Gemini написать промпт для встроенного билдера и получить в n8n скелет workflow, который дальше дебажится руками.

Оглавление с таймкодами:

0:00–0:44 Что делает сценарий целиком: чат принимает ключевой запрос, поисковик берёт первый ответ — топ-1, хотя можно настроить топ-3 или топ-5, — то есть лидера ниши. Дальше идёт mapping страниц, получение статей блога, если они есть, скрейпинг одной статьи для примера, передача всех данных в ИИ-анализатор и сообщение в Telegram.

0:44–1:49 Запускаем на запросе «курсы английского онлайн» и смотрим логи. Search нашёл Skyeng, дальше SEO-стратег — ИИ-агент, к которому не подключены ни memory, ни что-то ещё, только модель и промпт. Следом нода кода, которая распиливает сообщение на порции: в Telegram максимальная длина сообщения около четырёх тысяч с чем-то символов, при превышении будет ошибка, поэтому текст режется на части по 4000 символов и приходит серией сообщений. Модель здесь GPT-5.2 — задача аналитическая, нужна более-менее мощная.

1:49–2:56 Разбираем по нодам. Первая — HTTP Request с endpoint search. Триггер чата даёт поле chat input, оно подставляется в запрос; лимит 1, то есть парсим только лидера первой страницы. В scrape options сразу просим markdown его первой страницы. На выходе — title, description, позиция первая и markdown страницы, которая сейчас в топе Google.

2:56–3:35 Никаких сплитов здесь нет, всё реализовано на код-нодах. Первая из них забирает домен из общей выдачи. Можно было обойтись и переменной, но это паттерн на случай, когда нужно, чтобы всё работало стабильно и с проверками: просим нейронку написать код-ноду, которая точно достанет из этих данных что-то конкретное и проверит ошибки.

3:35–4:09 Дальше mapping: endpoint map у Firecrawl, запрос простейший — пришедший URL, с которого хотим собрать 150 страниц, чтобы увидеть структуру сайта. В выдаче нашлось 61 страница у этого топ-1 конкурента: возможно, 150 там просто не было.