Criando um Assistente de Pesquisa com IA usando Firecrawl e AI SDK

Crie um assistente de pesquisa com IA completo, com recursos de scraping e busca na web

Crie um assistente de pesquisa com IA completo que possa fazer scraping de sites e buscar na web para responder perguntas. O assistente decide automaticamente quando usar ferramentas de scraping ou ferramentas de busca na web para reunir informações e, em seguida, fornece respostas abrangentes com base nos dados coletados.

​

O que você vai construir

Uma interface de chat com IA em que os usuários podem fazer perguntas sobre qualquer assunto. O assistente de IA decide automaticamente quando usar ferramentas de scraping ou de busca na web para reunir informações e, então, fornece respostas completas com base nos dados coletados.

​

Pré-requisitos

• Node.js 18 ou posterior instalado
• Uma chave de API da OpenAI em platform.openai.com
• Uma chave de API do Firecrawl em firecrawl.dev
• Conhecimentos básicos de React e Next.js

1. Criar um novo projeto do Next.js

   Comece criando um novo projeto Next.js e navegue até o diretório do projeto:

   npx create-next-app@latest ai-sdk-firecrawl && cd ai-sdk-firecrawl
   

   Quando solicitado, selecione as seguintes opções:

   • TypeScript: Sim
   • ESLint: Sim
   • Tailwind CSS: Sim
   • App Router: Sim
   • Usar diretório src/: Não
   • Alias de importação: Sim (@/*)
2. Instale as dependências

   ​

   Instalar pacotes do AI SDK

   O AI SDK é um kit de ferramentas em TypeScript que fornece uma API unificada para trabalhar com diferentes provedores de LLM:

   npm i ai @ai-sdk/react zod
   

   Esses pacotes oferecem:

   • ai: SDK principal com streaming, chamamento de ferramentas e tratamento de respostas
   • @ai-sdk/react: Hooks do React como useChat para criar interfaces de chat
   • zod: Validação de esquemas para entradas de ferramentas

   Saiba mais em ai-sdk.dev/docs.

   ​

   Instalar o AI Elements

   O AI Elements fornece componentes de UI predefinidos para aplicações de IA. Execute o seguinte comando para gerar todos os componentes necessários:

   npx ai-elements@latest
   

   Isso configura os AI Elements no seu projeto, incluindo componentes de conversa, exibição de mensagens, campos de prompt e visualizações de chamadas de ferramentas.

   Documentação: ai-sdk.dev/elements/overview.

   ​

   Instalar o provedor OpenAI

   Instale o provedor OpenAI para se conectar aos modelos da OpenAI:

   npm install @ai-sdk/openai
   
3. Crie a interface de chat do front-end

   Crie a página principal em app/page.tsx e copie o código da aba Code abaixo. Esta será a interface de chat onde os usuários interagem com o assistente de IA.

   Prévia

   Código

   app/page.tsx

   "use client";
   
   import {
     Conversation,
     ConversationContent,
     ConversationScrollButton,
   } from "@/components/ai-elements/conversation";
   import {
     PromptInput,
     PromptInputActionAddAttachments,
     PromptInputActionMenu,
     PromptInputActionMenuContent,
     PromptInputActionMenuTrigger,
     PromptInputAttachment,
     PromptInputAttachments,
     PromptInputBody,
     PromptInputButton,
     PromptInputHeader,
     type PromptInputMessage,
     PromptInputSelect,
     PromptInputSelectContent,
     PromptInputSelectItem,
     PromptInputSelectTrigger,
     PromptInputSelectValue,
     PromptInputSubmit,
     PromptInputTextarea,
     PromptInputFooter,
     PromptInputTools,
   } from "@/components/ai-elements/prompt-input";
   import {
     MessageResponse,
     Message,
     MessageContent,
     MessageActions,
     MessageAction,
   } from "@/components/ai-elements/message";
   
   import { Fragment, useState } from "react";
   import { useChat } from "@ai-sdk/react";
   import type { ToolUIPart } from "ai";
   import {
     Tool,
     ToolContent,
     ToolHeader,
     ToolInput,
     ToolOutput,
   } from "@/components/ai-elements/tool";
   
   import { CopyIcon, GlobeIcon, RefreshCcwIcon } from "lucide-react";
   import {
     Source,
     Sources,
     SourcesContent,
     SourcesTrigger,
   } from "@/components/ai-elements/sources";
   import {
     Reasoning,
     ReasoningContent,
     ReasoningTrigger,
   } from "@/components/ai-elements/reasoning";
   import { Loader } from "@/components/ai-elements/loader";
   
   const models = [
     {
       name: "GPT 5 Mini (Thinking)",
       value: "gpt-5-mini",
     },
     {
       name: "GPT 4o Mini",
       value: "gpt-4o-mini",
     },
   ];
   
   const ChatBotDemo = () => {
     const [input, setInput] = useState("");
     const [model, setModel] = useState<string>(models[0].value);
     const [webSearch, setWebSearch] = useState(false);
     const { messages, sendMessage, status, regenerate } = useChat();
   
     const handleSubmit = (message: PromptInputMessage) => {
       const hasText = Boolean(message.text);
       const hasAttachments = Boolean(message.files?.length);
   
       if (!(hasText || hasAttachments)) {
         return;
       }
   
       sendMessage(
         {
           text: message.text || "Sent with attachments",
           files: message.files,
         },
         {
           body: {
             model: model,
             webSearch: webSearch,
           },
         }
       );
       setInput("");
     };
   
     return (
       <div className="max-w-4xl mx-auto p-6 relative size-full h-screen">
         <div className="flex flex-col h-full">
           <Conversation className="h-full">
             <ConversationContent>
               {messages.map((message) => (
                 <div key={message.id}>
                   {message.role === "assistant" &&
                     message.parts.filter((part) => part.type === "source-url")
                       .length > 0 && (
                       <Sources>
                         <SourcesTrigger
                           count={
                             message.parts.filter(
                               (part) => part.type === "source-url"
                             ).length
                           }
                         />
                         {message.parts
                           .filter((part) => part.type === "source-url")
                           .map((part, i) => (
                             <SourcesContent key={`${message.id}-${i}`}>
                               <Source
                                 key={`${message.id}-${i}`}
                                 href={part.url}
                                 title={part.url}
                               />
                             </SourcesContent>
                           ))}
                       </Sources>
                     )}
                   {message.parts.map((part, i) => {
                     switch (part.type) {
                       case "text":
                         return (
                           <Fragment key={`${message.id}-${i}`}>
                             <Message from={message.role}>
                               <MessageContent>
                                 <MessageResponse>{part.text}</MessageResponse>
                               </MessageContent>
                             </Message>
                             {message.role === "assistant" &&
                               i === messages.length - 1 && (
                                 <MessageActions className="mt-2">
                                   <MessageAction
                                     onClick={() => regenerate()}
                                     label="Retry"
                                   >
                                     <RefreshCcwIcon className="size-3" />
                                   </MessageAction>
                                   <MessageAction
                                     onClick={() =>
                                       navigator.clipboard.writeText(part.text)
                                     }
                                     label="Copy"
                                   >
                                     <CopyIcon className="size-3" />
                                   </MessageAction>
                                 </MessageActions>
                               )}
                           </Fragment>
                         );
                       case "reasoning":
                         return (
                           <Reasoning
                             key={`${message.id}-${i}`}
                             className="w-full"
                             isStreaming={
                               status === "streaming" &&
                               i === message.parts.length - 1 &&
                               message.id === messages.at(-1)?.id
                             }
                           >
                             <ReasoningTrigger />
                             <ReasoningContent>{part.text}</ReasoningContent>
                           </Reasoning>
                         );
                       default: {
                         if (part.type.startsWith("tool-")) {
                           const toolPart = part as ToolUIPart;
                           return (
                             <Tool
                               key={`${message.id}-${i}`}
                               defaultOpen={toolPart.state === "output-available"}
                             >
                               <ToolHeader
                                 type={toolPart.type}
                                 state={toolPart.state}
                               />
                               <ToolContent>
                                 <ToolInput input={toolPart.input} />
                                 <ToolOutput
                                   output={toolPart.output}
                                   errorText={toolPart.errorText}
                                 />
                               </ToolContent>
                             </Tool>
                           );
                         }
                         return null;
                       }
                     }
                   })}
                 </div>
               ))}
               {status === "submitted" && <Loader />}
             </ConversationContent>
             <ConversationScrollButton />
           </Conversation>
   
           <PromptInput
             onSubmit={handleSubmit}
             className="mt-4"
             globalDrop
             multiple
           >
             <PromptInputHeader>
               <PromptInputAttachments>
                 {(attachment) => <PromptInputAttachment data={attachment} />}
               </PromptInputAttachments>
             </PromptInputHeader>
             <PromptInputBody>
               <PromptInputTextarea
                 onChange={(e) => setInput(e.target.value)}
                 value={input}
               />
             </PromptInputBody>
             <PromptInputFooter>
               <PromptInputTools>
                 <PromptInputActionMenu>
                   <PromptInputActionMenuTrigger />
                   <PromptInputActionMenuContent>
                     <PromptInputActionAddAttachments />
                   </PromptInputActionMenuContent>
                 </PromptInputActionMenu>
                 <PromptInputButton
                   variant={webSearch ? "default" : "ghost"}
                   onClick={() => setWebSearch(!webSearch)}
                 >
                   <GlobeIcon size={16} />
                   <span>Search</span>
                 </PromptInputButton>
                 <PromptInputSelect
                   onValueChange={(value) => {
                     setModel(value);
                   }}
                   value={model}
                 >
                   <PromptInputSelectTrigger>
                     <PromptInputSelectValue />
                   </PromptInputSelectTrigger>
                   <PromptInputSelectContent>
                     {models.map((model) => (
                       <PromptInputSelectItem
                         key={model.value}
                         value={model.value}
                       >
                         {model.name}
                       </PromptInputSelectItem>
                     ))}
                   </PromptInputSelectContent>
                 </PromptInputSelect>
               </PromptInputTools>
               <PromptInputSubmit disabled={!input && !status} status={status} />
             </PromptInputFooter>
           </PromptInput>
         </div>
       </div>
     );
   };
   
   export default ChatBotDemo;
   

   ​

   Entendendo o Frontend

   O frontend utiliza componentes AI Elements para fornecer uma interface de chat completa:

   Principais Recursos:

   • Exibição da conversa: O componente Conversation lida automaticamente com a rolagem e a exibição das mensagens
   • Renderização de mensagens: Cada parte da mensagem é renderizada conforme seu tipo (texto, raciocínio, chamadas de ferramentas)
   • Visualização de ferramentas: As chamadas de ferramenta são exibidas em seções recolhíveis que mostram entradas e saídas
   • Controles interativos: os usuários podem ativar/desativar a pesquisa na web, escolher modelos e anexar arquivos
   • Ações de mensagem: opções de copiar e tentar novamente para mensagens do assistente
4. Adicionar suporte para renderização de Markdown

   Para garantir que o Markdown gerado pelo LLM seja renderizado corretamente, adicione a seguinte importação ao arquivo app/globals.css:

   @source "../node_modules/streamdown/dist/index.js";
   

   Isso importa os estilos necessários para renderizar conteúdo em Markdown nas respostas de mensagens.

5. Crie a rota básica da API

   Crie o endpoint da API de chat em app/api/chat/route.ts. Essa rota vai lidar com as mensagens recebidas e transmitir as respostas da IA.

   import { streamText, UIMessage, convertToModelMessages } from "ai";
   import { createOpenAI } from "@ai-sdk/openai";
   
   const openai = createOpenAI({
     apiKey: process.env.OPENAI_API_KEY!,
   });
   
   // Permite respostas em streaming por até 5 minutos
   export const maxDuration = 300;
   
   export async function POST(req: Request) {
     const {
       messages,
       model,
       webSearch,
     }: {
       messages: UIMessage[];
       model: string;
       webSearch: boolean;
     } = await req.json();
   
     const result = streamText({
       model: openai(model),
       messages: convertToModelMessages(messages),
       system:
         "You are a helpful assistant that can answer questions and help with tasks.",
     });
   
     // envia fontes e raciocínio de volta para o cliente
     return result.toUIMessageStreamResponse({
       sendSources: true,
       sendReasoning: true,
     });
   }
   

   Esta rota básica:

   • Recebe mensagens do frontend
   • Usa o modelo da OpenAI selecionado pelo usuário
   • Transmite as respostas de volta para o cliente
   • Ainda não inclui ferramentas — vamos adicioná-las em seguida
6. Configurar variáveis de ambiente

   Crie um arquivo .env.local na raiz do projeto:

   touch .env.local
   

   Adicione sua chave de API da OpenAI:

   OPENAI_API_KEY=sk-your-openai-api-key
   

   A variável OPENAI_API_KEY é necessária para o funcionamento do modelo de IA.

7. Teste o chat básico

   Agora você pode testar o chatbot do SDK de IA sem integração com o Firecrawl. Inicie o servidor de desenvolvimento:

   npm run dev
   

   Abra localhost:3000 no seu navegador e teste a funcionalidade básica de chat. O assistente deve responder às mensagens, mas ainda não terá recursos de web scraping ou de pesquisa.

8. Adicionar ferramentas do Firecrawl

   Agora vamos aprimorar o assistente com recursos de extração de dados da web e busca usando o Firecrawl.

   ​

   Instalar o SDK do Firecrawl

   O Firecrawl converte sites em formatos prontos para LLM, com recursos de extração e busca:

   npm i @mendable/firecrawl-js
   

   ​

   Crie o arquivo de ferramentas

   Crie uma pasta lib e adicione um arquivo tools.ts dentro dela:

   mkdir lib && touch lib/tools.ts
   

   Adicione o seguinte código para definir as ferramentas de raspagem e busca na web:

   lib/tools.ts

   import FirecrawlApp from "@mendable/firecrawl-js";
   import { tool } from "ai";
   import { z } from "zod";
   
   const firecrawl = new FirecrawlApp({ apiKey: process.env.FIRECRAWL_API_KEY });
   
   export const scrapeWebsiteTool = tool({
     description: 'Extrair conteúdo de qualquer URL',
     inputSchema: z.object({
       url: z.string().url().describe('A URL a ser extraída')
     }),
     execute: async ({ url }) => {
       console.log('Extraindo:', url);
       const result = await firecrawl.scrape(url, {
         formats: ['markdown'],
         onlyMainContent: true,
         timeout: 30000
       });
       console.log('Prévia do conteúdo extraído:', result.markdown?.slice(0, 200) + '...');
       return { content: result.markdown };
     }
   });
   
   export const searchWebTool = tool({
     description: 'Buscar na web usando Firecrawl',
     inputSchema: z.object({
       query: z.string().describe('A consulta de busca'),
       limit: z.number().optional().describe('Número de resultados'),
       location: z.string().optional().describe('Localização para resultados regionalizados'),
       tbs: z.string().optional().describe('Filtro de tempo (qdr:h, qdr:d, qdr:w, qdr:m, qdr:y)'),
       sources: z.array(z.enum(['web', 'news', 'images'])).optional().describe('Tipos de resultado'),
       categories: z.array(z.enum(['github', 'research', 'pdf'])).optional().describe('Categorias de filtro'),
     }),
     execute: async ({ query, limit, location, tbs, sources, categories }) => {
       console.log('Buscando:', query);
       const response = await firecrawl.search(query, {
         ...(limit && { limit }),
         ...(location && { location }),
         ...(tbs && { tbs }),
         ...(sources && { sources }),
         ...(categories && { categories }),
       }) as { web?: Array<{ title?: string; url?: string; description?: string }> };
   
       const results = (response.web || []).map((item) => ({
         title: item.title || item.url || 'Sem título',
         url: item.url || '',
         description: item.description || '',
       }));
   
       console.log('Resultados da busca:', results.length);
       return { results };
     },
   });
   

   ​

   Entendendo as Ferramentas

   Ferramenta de Scrape de Site:

   • Aceita uma URL como entrada (validada por um esquema Zod)
   • Usa o método scrape do Firecrawl para obter a página em markdown
   • Extrai apenas o conteúdo principal para reduzir o uso de tokens
   • Retorna o conteúdo extraído para a IA analisar

   Ferramenta de Busca na Web:

   • Aceita uma consulta com filtros opcionais
   • Usa o método search do Firecrawl para encontrar páginas relevantes
   • Suporta filtros avançados, como localização, intervalo de tempo e categorias de conteúdo
   • Retorna resultados estruturados com títulos, URLs e descrições

   Saiba mais sobre as ferramentas: ai-sdk.dev/docs/foundations/tools.

9. Atualize a rota da API com as ferramentas do Firecrawl

   Agora atualize o arquivo app/api/chat/route.ts para incluir as ferramentas do Firecrawl que acabamos de criar.

   Ver código completo de app/api/chat/route.ts

   import { streamText, UIMessage, stepCountIs, convertToModelMessages } from "ai";
   import { createOpenAI } from "@ai-sdk/openai";
   import { scrapeWebsiteTool, searchWebTool } from "@/lib/tools";
   
   const openai = createOpenAI({
     apiKey: process.env.OPENAI_API_KEY!,
   });
   
   export const maxDuration = 300;
   
   export async function POST(req: Request) {
     const {
       messages,
       model,
       webSearch,
     }: {
       messages: UIMessage[];
       model: string;
       webSearch: boolean;
     } = await req.json();
   
     const result = streamText({
       model: openai(model),
       messages: convertToModelMessages(messages),
       system:
         "You are a helpful assistant that can answer questions and help with tasks.",
       // Adicione as ferramentas do Firecrawl aqui
       tools: {
         scrapeWebsite: scrapeWebsiteTool,
         searchWeb: searchWebTool,
       },
       stopWhen: stepCountIs(5),
       toolChoice: webSearch ? "auto" : "none",
     });
   
     return result.toUIMessageStreamResponse({
       sendSources: true,
       sendReasoning: true,
     });
   }
   

   As principais mudanças em relação à rota básica:

   • Importe stepCountIs do AI SDK
   • Importe as ferramentas do Firecrawl de @/lib/tools
   • Adicione o objeto tools com as ferramentas scrapeWebsite e searchWeb
   • Adicione stopWhen: stepCountIs(5) para limitar as etapas de execução
   • Defina toolChoice como “auto” quando a pesquisa na web estiver ativada e “none” caso contrário

   Saiba mais sobre streamText: ai-sdk.dev/docs/reference/ai-sdk-core/stream-text.

10. Adicione sua chave de API do Firecrawl

    Atualize seu arquivo .env.local para incluir sua chave de API da Firecrawl:

    OPENAI_API_KEY=sk-your-openai-api-key
    FIRECRAWL_API_KEY=fc-your-firecrawl-api-key
    

    Obtenha sua chave de API do Firecrawl em firecrawl.dev.

11. Teste o aplicativo completo

    Reinicie o servidor de desenvolvimento:

    npm run dev
    

    Abra localhost:3000 e teste o assistente aprimorado:

    1. Ative o botão “Search” para habilitar a pesquisa na web
    2. Pergunte: “Quais são os recursos mais recentes do firecrawl.dev?”
    3. Observe enquanto a IA chama a ferramenta searchWeb ou scrapeWebsite
    4. Veja a execução da ferramenta na UI com entradas e saídas
    5. Leia a análise da IA com base nos dados extraídos

​

Como funciona

​

Fluxo de mensagens

1. Usuário envia uma mensagem: O usuário digita uma pergunta e clica em Enviar
2. Frontend envia a solicitação: useChat envia a mensagem para /api/chat com o modelo selecionado e a configuração de busca na web
3. Backend processa a mensagem: A rota da API recebe a mensagem e chama streamText
4. IA decide sobre as ferramentas: O modelo analisa a pergunta e decide se deve usar scrapeWebsite ou searchWeb (apenas se a busca na web estiver ativada)
5. Ferramentas executam: Se as ferramentas forem chamadas, o Firecrawl faz o scraping ou realiza a busca na web
6. IA gera a resposta: O modelo analisa os resultados das ferramentas e gera uma resposta em linguagem natural
7. Frontend exibe os resultados: A UI mostra as chamadas de ferramentas e a resposta final em tempo real

​

Processo de Chamada de Ferramentas

O sistema de chamada de ferramentas do AI SDK (ai-sdk.dev/docs/foundations/tools) funciona da seguinte forma:

1. O modelo recebe a mensagem do usuário e as descrições das ferramentas disponíveis
2. Se o modelo determinar que é necessário usar uma ferramenta, ele gera uma chamada de ferramenta com parâmetros
3. O SDK executa a função da ferramenta com esses parâmetros
4. O resultado da ferramenta é enviado de volta ao modelo
5. O modelo usa o resultado para gerar sua resposta final

Tudo isso acontece automaticamente em uma única chamada a streamText, com os resultados sendo transmitidos para o frontend em tempo real.

​

Principais recursos

​

Seleção de modelo

O aplicativo oferece suporte a vários modelos da OpenAI:

• GPT-5 Mini (Thinking): Modelo recente da OpenAI com capacidades avançadas de raciocínio
• GPT-4o Mini: Modelo rápido e econômico

Os usuários podem alternar entre os modelos usando o seletor suspenso.

​

Alternância de busca na web

O botão Search controla se a IA pode usar as ferramentas do Firecrawl:

• Ativado: a IA pode chamar as ferramentas scrapeWebsite e searchWeb conforme necessário
• Desativado: a IA responde apenas com o conhecimento com o qual foi treinada

Isso dá aos usuários controle sobre quando usar dados da web versus o conhecimento embutido no modelo.

​

Ideias de customização

​

Adicionar mais ferramentas

Amplie o assistente com ferramentas adicionais:

• Consultas ao banco de dados para dados internos da empresa
• Integração ao CRM para buscar informações de clientes
• Envio de e-mails
• Geração de documentos

Cada ferramenta segue o mesmo padrão: defina um schema com Zod, implemente a função execute e registre-a no objeto tools.

​

Alterar o modelo de IA

Substitua o OpenAI por outro provedor:

import { anthropic } from "@ai-sdk/anthropic";

const result = streamText({
  model: anthropic("claude-4.5-sonnet"),
  // ... restante da config
});

O SDK de IA oferece suporte a mais de 20 provedores com a mesma API. Saiba mais: ai-sdk.dev/docs/foundations/providers-and-models.

​

Personalize a interface

Os componentes do AI Elements são criados com shadcn/ui, então você pode:

• Modificar o estilo dos componentes nos arquivos de cada componente
• Adicionar novas variantes aos componentes existentes
• Criar componentes personalizados alinhados ao sistema de design

​

Melhores práticas

1. Use as ferramentas certas: Escolha searchWeb para primeiro encontrar páginas relevantes, scrapeWebsite para páginas individuais ou deixe a IA decidir

2. Monitore o uso da API: Acompanhe o uso das APIs da Firecrawl e da OpenAI para evitar custos inesperados

3. Trate erros de forma adequada: As ferramentas incluem tratamento de erros, mas considere adicionar mensagens voltadas ao usuário

4. Otimize o desempenho: Use streaming para fornecer feedback imediato e considere colocar em cache conteúdo acessado com frequência

5. Defina limites razoáveis: stopWhen: stepCountIs(5) evita chamadas excessivas de ferramentas e custos fora de controle

---

​

Recursos relacionados

Documentação do AI SDK

Explore o AI SDK para criar aplicativos com IA com streaming, chamadas de ferramentas e suporte a múltiplos provedores.

Componentes do AI Elements

Componentes de UI pré‑construídos para aplicativos de IA baseados em shadcn/ui.