# 当 LLM 提取不再划算时

> URL: https://foura.ai/zh/blog/llm-extraction-stops-paying-at-scale
> Updated: 2026-06-18
> Index: https://foura.ai/llms.txt

## 当 LLM 提取不再划算时

Firecrawl 抓取一个网页收取 1 个 credit，而从同一网页提取结构化字段收取 5 个 credit ([Firecrawl pricing](https://www.firecrawl.dev/pricing), 2026)。相同的 HTML 送入模型，价格翻了 5 倍。

它的卖点很实在：描述你的需求，获取 JSON 返回，无需维护选择器。对于不稳定的布局和一次性目标，它物有所值。但对于每天从同样的五个零售商处抓取 50 万个产品页面的生产流水线，它并不划算。

我们看到许多团队上线了默认使用 LLM 提取的功能，到月底收到账单时，就开始寻找出路。解决方法通常不是放弃 LLM。而是将其放在流水线的正确位置。

### 成本飞速上涨

以最便宜的 Firecrawl 为例。抓取加 AI 提取每页 6 个 credit，包含爬取则为 7 个 credit ([ScrapeGraphAI breakdown](https://scrapegraphai.com/blog/firecrawl-pricing), 2026)。在他们的增长套餐下，每天 10 万个网页每月大约需要 2.1 万美元，这还没算上重试，也没算上任何 proxy 的费用。

运行你自己的 LLM 流水线会改变成本结构，但并不会变小。GPT-4o 是每百万输入 tokens 2.50 美元，每百万输出 tokens 10 美元 ([PricePerToken](https://pricepertoken.com/pricing-page/model/openai-gpt-4o), 2026)。一个产品页面经过 markdown 转换后需要 4K 到 8K 个输入 tokens。假设 6K 输入，生成一个 JSON 的输出为 200。在每天 10 万个网页的情况下，每天需要 360 美元，每月 1.1 万美元，而这项工作如果用 CSS 选择器在一次设置后是免费的。

那还是便宜的模型。换成 Claude Sonnet 4.6 (输入 3 美元，输出 15 美元)，账单就会翻倍 ([PE Collective](https://pecollective.com/tools/gpt-4o-pricing/), 2026)。换成推理模型，取决于它在回答前思考多久，还要加上 3 到 10 倍的惩罚性成本。

这还不包括失败的情况。3% 到 5% 的幻觉率听起来无害，直到你算一笔账。每天 10 万个网页，这意味着会有 3000 到 5000 条错误记录流入你的数据仓库，看起来与正确的记录一模一样，因为模型自信地返回了它们。正如 DataHen 所说："并不是 AI 有时会出错。而是它自信地出错。"([DataHen](https://www.datahen.com/blog/web-scraping-in-the-ai-era/), 2026)。

### 经验丰富的团队实际的做法

阅读那些真正在生产环境中运行爬虫的供应商文档，模式是一致的：混合模式。使用 LLM 分析一次网页，然后运行廉价的确定性代码来处理后续的所有内容。

Zyte 在他们自己的文档中明确指出："不要每页都使用 LLM，而是让 LLM 根据第一页的原始 HTML 为所需字段生成 CSS 选择器，并使用这些选择器来解析所有其他页面。"([Zyte LLM guide](https://docs.zyte.com/web-scraping/guides/llm/index.html), 2026)。Apify 在他们的 2026 指南中推荐了相同的流程：先尝试 CSS 选择器，失败时再回退到 LLM ([Apify 2026 guide](https://use-apify.com/blog/web-scraping-with-ai-llms-2026))。DEV Community 上的生产部署记录准确地捕捉了这一架构：缓存的选择器路径不花钱，LLM 仅在验证失败时触发 ([DEV.to](https://dev.to/deepak_mishra_35863517037/the-end-of-selectors-llm-driven-html-parsing-28b2), 2026)。

所以生产环境的分工如下：

- LLM 引导生成选择器 (每个目标调用一次，成本不到一美分)
- 选择器在每个页面上运行 (免费)
- 验证器 (通常是正则或存在性检查) 捕获偏差
- 偏差触发重新引导，发生在几周或几个月后

每页成本从大约 0.005 美元骤降到远低于 0.0001 美元。质量提高，因为确定性解析不会产生幻觉。而且你将 tokens 花在 LLM 真正擅长的工作上：读取新颖的结构，而不是复述你已经映射过的结构。

### LLM 何时仍然物有所值

这不是一篇反 LLM 的文章。有很多提取任务正是模型适用的场景，且成本也是划算的：

- **每周都在变化的不稳定布局。** 选择器每个周二都会坏掉，在工程时间上的成本高于 LLM 提取花费的 tokens。运行模型即可。
- **你再也不会访问的长尾目标。** 编写选择器没有回报。运行模型即可。
- **输出本身就是摘要的非结构化内容。** 从职位描述到技能，从文章到声明，从评论到情感。选择器帮不上忙。运行模型即可。
- **包含散布在各种布局变体中的可选字段页面。** 带有二十个条件渲染的单一模板，正是 LLM 击败正则链的地方。

检查你的流水线。按请求量对目标进行排序。请求量前 20% 的目标几乎总是具有稳定的结构 (这就是它们成为前 20% 的原因，你是经过深思熟虑才集成它们的)。它们是选择器的候选者。长尾目标才是模型发挥作用的地方。

## 这对你的技术栈意味着什么

2026 年的供应商宣传希望你默认使用 LLM 提取。在小型项目上，积分定价让这看起来很合理。当你扩大规模时，它就不再合理了，就像当底层信号中断时，[proxy 池大小不再能预测真正的成功](https://foura.ai/blog/proxy-pool-size-stopped-mattering)一样。

构建实际流水线的团队有三个要点：

1. **将获取与解析分离。** 如果你的抓取供应商仅返回 LLM 提取的 JSON，当收到账单时你就无法回退到选择器。选择能够提供 HTML 并允许你选择提取路径的基础设施。
2. **在选择器层面积极缓存。** 生成的选择器可以在数千个页面中重复使用。昂贵的调用在于生成，而不是使用。
3. **衡量每条记录的成本，而不是每页成本。** 一条成本为每页 0.001 美元但产出 5% 坏记录的流水线，比一条成本为每页 0.005 美元但产出干净数据的流水线成本更高。存储、下游查询和最终的清理都有成本。

## 选择枯燥的一半

默认使用 LLM 提取非常适合演示，但完全不适合生产环境。做对的团队是那些将 LLM 视为*理解*页面的工具，而不是*读取*页面的工具。在 2026 年，枯燥的确定性代码在数量上仍然获胜；模型在应对新颖性上获胜。两者都在技术栈中有一席之地。

在 FourA，Single 和 Browser 返回原始响应 (HTML、渲染后的 DOM、headers、body) 后即止。无论你使用选择器解析、将其发送给模型，还是两者兼做，都由你决定。我们不会为没有做的提取附加积分乘数。
