Puis-je utiliser Piloterr avec LangChain JavaScript ?

Oui. Encapsulez fetch() dans une fonction ou @tool et passez-la à create_agent, même API REST, même en-tête x-api-key.

Quel format convient le mieux pour le RAG ?

Utilisez les endpoints qui renvoient du JSON structuré ou du Markdown. Évitez le HTML brut, il gaspille des tokens d'embedding et réduit la qualité de retrieval.

Comment fonctionnent les crédits avec les boucles d'agents ?

Chaque invocation d'outil qui appelle Piloterr consomme des crédits. Ajoutez du cache ou des garde-fous pour empêcher les agents de scraper en boucle.

Stacks IA

Données web en direct pour LangChain avec Piloterr

Construisez des outils et retrievers LangChain qui appellent les API REST Piloterr. Alimentez vos agents avec du JSON structuré et frais depuis des sites protégés, sans maintenir de fermes de navigateurs ni de pools de proxies.

Commencer gratuitement (+500 crédits)Voir les tarifs

Outils personnalisés encapsulant n'importe quel endpoint Piloterr
JSON structuré idéal pour le raisonnement des agents
Appels HTTP compatibles SDK Python et JavaScript
Contournement anti-bot pour les pipelines RAG et agents

En bref

Outils

actions agent

JSON

sortie structurée

400+

sources de données

REST

API HTTP

Pourquoi connecter LangChain

Outils pour agents
Encapsulez les endpoints Piloterr en outils LangChain pour que les agents puissent scraper, enrichir et récupérer des données web en direct à la demande.
Pipelines RAG
Récupérez du Markdown ou JSON propre depuis des cibles difficiles et découpez en stores vectoriels sans parser du HTML brut.
Sans maintenance de navigateur
Les agents appellent Piloterr au lieu de lancer Playwright ou Puppeteer, anti-bot géré côté serveur.
Coûts prévisibles
Facturation au crédit par requête réussie, prévoyez les dépenses à mesure que le volume d'appels agent augmente.

Cas d'usage LangChain + Piloterr

Des agents de recherche aux systèmes RAG en production.

Agents de recherche
Les agents scrapent SERP, actualités et données entreprise pour répondre avec des sources fraîches.
Chaînes d'enrichissement
Chaînes séquentielles qui enrichissent les leads avec LinkedIn, entreprise et données de domaine.
Ingestion vectorielle
Chargez du contenu de page structuré dans Pinecone, Weaviate ou pgvector.
Agents multi-outils
Combinez scrape, extraction et recherche dans un seul exécuteur d'agent.

Pourquoi les agents ont besoin de Piloterr plutôt que d'un fetch brut

Approche	Solution maison	Piloterr
requests / fetch	Bloqué sur les sites protégés	Taux de passage 94 %+ sur cibles WAF
Outil Playwright	Lent, coûteux, fragile	Navigateur géré + JSON
Parsing HTML	L'agent gaspille des tokens sur le markup	Champs JSON structurés
Charge ops	Rotation de proxies, fermes CAPTCHA	Une seule intégration API

Connecter LangChain en quatre étapes

Étape 1
Installez LangChain
pip install langchain langchain-openai requests
Étape 2
Obtenez votre clé API
Copiez x-api-key depuis le tableau de bord Piloterr.
Obtenez votre clé API
Étape 3
Créez un outil personnalisé
Encapsulez un appel HTTP Piloterr dans une fonction @tool (langchain.tools).
Étape 4
Lancez l'agent
Utilisez create_agent avec votre modèle et vos outils, le LLM décide quand scraper.

Exemples de workflows

Agent de recherche avec SERP en direct
L'agent recherche sur Google, lit les résultats via Piloterr et synthétise une réponse avec citations.
Chaîne d'enrichissement de leads
Chaîne séquentielle : domaine → infos entreprise → profil LinkedIn → JSON prêt pour CRM.
RAG sur les pages concurrents
Scrapez les pages tarifaires des concurrents, découpez le JSON, intégrez dans un store vectoriel pour Q&R.
Bot support avec docs en direct
L'agent scrape vos pages d'aide à la demande et répond aux clients avec des citations à jour.

Quand utiliser LangChain + Piloterr

Scénario
Les agents LLM ont besoin de données web en direct
Recommandation: Outils LangChain
Scénario
Pipelines ETL par lots
Recommandation: SDK Python directement
Scénario
Orchestration no-code
Recommandation: n8n ou Make
Scénario
Systèmes multi-agents
Recommandation: CrewAI

Exemple d'outil LangChain

Un outil minimal qui scrape Google News via Piloterr.

Parcourir la bibliothèque d'API

import os
import requests
from langchain.tools import tool

PILOTERR_KEY = os.environ["PILOTERR_API_KEY"]
BASE = "https://api.piloterr.com/v2"

@tool
def search_google_news(query: str, location: str = "Paris, FR") -> dict:
    """Rechercher des articles récents sur Google News correspondant à une requête."""
    response = requests.post(
        f"{BASE}/google/news",
        headers={"x-api-key": PILOTERR_KEY, "Content-Type": "application/json"},
        json={"query": query, "location": location, "page": 1},
        timeout=60,
    )
    response.raise_for_status()
    return response.json()