問題不在模型，在於 agent 找不到資料
Firecrawl 團隊在建立 Mendable 時發現，從網路上取得乾淨、可靠的資訊是整個技術棧最困難的部分。他們因此打造 Firecrawl 來處理爬取、渲染、解析與清理。但當使用者的 AI agent 能力提升後，需求也跟著改變：agent 需要更廣的覆蓋範圍、更好的搜尋，以及搜尋與爬取無法觸及的來源。
一個研究公司的 agent 可能從官網開始，接著需要財務數據與申報文件來理解業務。每個來源都有自己的 API、定價與資料格式，維護這些整合會佔去開發時間。更關鍵的是，遺漏某個來源可能影響答案品質——即使是最強的模型，也無法對它從未找到的資訊進行推理。
Alexandria 把來源統一成一個介面
Firecrawl 在 2026 年 9 月 22 日宣布推出 Alexandria，並完成由 Smash Capital 主導的 7500 萬美元 B 輪融資。Alexandria 將官方資料提供者、自訂連接器與 Firecrawl 自有索引整合在一起，讓 AI agent 透過同一個 Firecrawl API 來發現來源、了解其內容並擷取資訊。
來源包括即時網路、官方資料提供者、Firecrawl 自有索引，以及自訂連接器與工作流程。agent 可以讀取網頁、搜尋索引、查詢提供者，或使用專門工具收集完整資料集。Firecrawl 的 Research Index 包含數千萬篇科學論文摘要，Developer Index 涵蓋數千萬個文件、README、issue 與合併的 pull request，Government Index 則收錄法律、法規與條例。
用同一組模型與提示驗證整合價值
Firecrawl 在 845 個任務上使用相同的模型與提示，並以盲測 AI 評判，結果顯示使用 Alexandria 的 agent 在答案品質上比使用內建網路工具高出 21%。這代表整合多樣化來源不只是方便，而是直接影響 agent 的輸出品質。
對產品團隊來說，這呼應了先前討論過的觀點：當 agent 工作流變慢時，要先分清是推論、工具呼叫還是編排開銷（參見當 agent 工作流變慢：先分清是推論、工具呼叫，還是編排開銷）。Alexandria 解決的是工具呼叫層的資料取得問題，讓 agent 不需要為了每個新來源重寫整合邏輯。
付費給資料提供者，讓知識持續流通
Firecrawl 已經透過個別協議付費給官方資料提供者，最著名的是 Wikimedia Enterprise。每個月有數百萬次 Wikipedia 資料請求透過 Firecrawl 流動，Firecrawl 為直接存取付費，既支持 Wikipedia，也讓使用者有更好的擷取方式。
B 輪資金將用於建立自助服務系統，讓個人、內容創作者與組織能從自己的知識中獲利。這包括從未在線上分享過專業知識的人，未來也可能涵蓋做出有用發現的 AI agent。Firecrawl 計畫很快開放這個系統。
對開發者的實際影響
Alexandria 從今天開始提供。開發者可以透過 Firecrawl 的 MCP 或 API 連接 agent，也可以使用 CLI 與 skills。Firecrawl 建議讓 AI agent 執行以下指令來初始化：
npx -y firecrawl-cli@latest init --all --browser然後重新啟動 AI agent 以載入 skills。
對正在評估 agent 架構的團隊來說，Alexandria 的價值在於減少整合成本，並讓 agent 能存取原本需要個別協議才能取得的資料。但要注意，21% 的品質提升是 Firecrawl 在特定垂直領域測試的結果，實際成效仍取決於你的使用案例與資料需求。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。