披露：本页含联盟推广链接。你通过本页链接注册 Apify 并付费，我们可能获得佣金——不影响你支付的价格，也不改变我们如实记录的实测数据。 我们如何实测 →
给 RAG / AI Agent 搭一条可追溯、能持续更新的数据供给线
来源发现 → 结构化采集 → 字段归一 → 定时更新；真实样本、单价与运行回执逐项可查
这个问题是谁的，为什么值得自己搭
RAG 项目最容易被忽略的不是向量库，而是喂进去的数据从哪里来、多久更新、还能不能回到原始来源。一次性把几份文件上传进知识库，只能回答那一刻的问题；要让 AI Agent 看见新页面、新视频和新讨论，就需要一条可以重复运行的数据供给线。
这页只解决其中的采集层：先用搜索结果发现来源，再按内容形态抓公开页面和视频/社媒字段，保留 URL、查询条件与抓取时间，最后交给你自己的清洗、分块、向量化和权限系统。它不把“抓到了 JSON”冒充“RAG 已经做好”，也不拿尚未实测的 RAG 专用 Actor 伪装回执。
下面组合的 Actor 都有本站自有账户的真实样本与运行凭证。表格中的单价来自对应任务页的同一份数据；点进任务页可以看到 Run ID、原始字段和限制。
一条流水线，3 个实测过的 Actor
| 工具（点进去看实测） | 在这条流水线里干什么 | 单价 |
|---|---|---|
apify/google-search-scraper | 来源发现：按问题批量拿搜索词、自然结果、相关查询与原始 URL，先建立可审计的候选来源清单。 | $0.0045 · 每抓 1 个搜索结果页（≈10 条自然结果）$5≈1,111 条 |
streamers/youtube-scraper | 视频来源：采集公开视频的标题、描述、发布时间、频道与互动字段；本站样本只证明已抓到的公开字段，不把空字幕说成成功字幕。 | $0.004 · 每抓 1 条视频$5≈1,250 条 |
apify/instagram-scraper | 社媒来源：把公开帖文、时间、话题标签、链接与互动快照变成结构化记录，适合补充变化快的外部信号。 | $0.0027 · 每抓 1 条结果（帖子/Reel）$5≈1,851 条 |
每个工具的输出样本、真实扣费凭证与 Run ID 都在对应任务页里可查——本页只把它们组成一条流程，不重复报价、不另造数据。
真实来源发现数据长这样（先保留溯源，再谈向量化）
[
{
"peopleAlsoAsk": [],
"url": "http://www.google.com/search?q=google+maps+data+extraction"
},
{
"peopleAlsoAsk": [],
"url": "http://www.google.com/search?q=best+web+scraping+tools"
}
]| 字段 | 含义 | 说明 |
|---|---|---|
| searchQuery.term | 原始查询词 | 保留“为什么找到这批来源”的检索上下文 |
| searchQuery.page | 结果页序号 | 批量发现时用于分页与去重 |
| organicResults[].title | 来源标题 | 进入清洗与分块前的可读标签 |
| organicResults[].url | 来源 URL | 回答溯源、去重和后续刷新都靠它 |
| organicResults[].description | 搜索摘要 | 用于初筛，不应替代抓取后的正文 |
| relatedQueries[].title | 相关查询 | 扩展数据源覆盖，而不是凭空扩写答案 |
| peopleAlsoAsk | 用户还会问 | 可转成待覆盖的问题清单 |
| url | 本次 SERP URL | 保存采集入口，方便审计与复跑 |
算一算：来源发现这一层要花多少
先按一次搜索采集的结果页数量估算主力来源发现成本；视频与社媒成本分别由各自任务页计算器核对。 单价读自主力 Actor apify/google-search-scraper 的实测价目。
抓 1,000 条 预计
$4.50≈ ¥32.40
✓ $5 免费额度足够覆盖，$0 成本开跑
容易忽略的成本
- 每次运行最低结算 $0.50——查 1 个词和查 50 个词起步价一样，**务必把一批关键词攒进同一次运行**。
- Actor 启动费 $0.001/次已包含在账单里；计算器不把一次性启动费按查询页数重复计算。
- AI 搜索引擎附加项（ChatGPT/Gemini/Perplexity）$0.2/条，是主价的 44 倍；做 GEO（生成式引擎优化）监测时按需开。
汇率 1 USD ≈ 7.2 CNY（2026-07-09）；单价为 Free 档零售价，付费套餐有阶梯折扣。
从“抓到一批 JSON”到可持续的数据供给线
一条稳妥的数据供给线可以按下面的顺序搭：
- 先建来源清单：记录问题、目标语言、允许的域名和不采集的范围；Google Search Actor 只负责发现，不直接把摘要当知识库正文。
- 按内容形态分流：网页、视频、社媒分别进入对应 Actor。原始输出先落一份只读区，别在采集阶段就覆盖字段或丢掉来源 URL。
- 统一最小字段：至少保留
source_url、source_type、captured_at、标题/正文和平台原始 ID。互动数是“抓取时刻的快照”，不要当成永久事实。 - 去重与更新分开做：内容哈希管重复，来源 URL + 抓取时间管版本。Scheduler 只按业务需要的更新周期复跑；不是越频繁越好。
- 再交给 RAG 层：清洗、分块、embedding、权限与引用格式属于下游。需要让 Agent 直接调用这些 Actor 时，再按 Apify MCP 中文配置教程 做最小工具暴露。
这套顺序的价值在于：模型回答出错时，你能追到是哪条来源、哪个抓取时刻、哪个 Actor 输出的问题，而不是只剩一块无法解释的向量。
上手前最后几个问题
这和直接用 Apify 的 RAG Web Browser 有什么区别？
RAG Web Browser 是 Apify 面向 AI/RAG 的专用 Actor，但本站尚未用自有账户跑过它，所以本页不引用它的价格、样本或 Run Stamp。这里采用的是已经真实跑过的任务 Actor，适合需要明确平台字段、可逐项核对成本和长期复跑的流水线。你可以把 RAG Web Browser 当候选先小样验证，但别把官方介绍当本站实测。
Apify 会替我完成分块、embedding 和向量库吗？
这页不会这样承诺。这里的 Actor 负责发现和结构化采集，Dataset 负责保存结果；清洗、分块、embedding、向量库、权限与引用渲染仍由你的 RAG 应用负责。把这两层拆开，数据问题和检索问题才容易分别排查。
怎么避免知识库里的网页很快过期？
保存来源 URL、平台原始 ID 与抓取时间，再按业务变化速度设 Schedule。复跑后用来源主键和内容哈希判断“没变 / 更新 / 删除”，只重建发生变化的下游内容。不要只保留最终文本，否则既无法增量更新，也无法解释引用来自哪个版本。
能让 Claude、Cursor 或其他 Agent 直接调用这些 Actor 吗？
可以通过 Apify MCP Server 暴露指定 Actor；建议只开放当前任务需要的工具，并优先用 OAuth，避免把 token 写进仓库或聊天。完整配置、匿名只读检查与成本护栏见 Apify MCP 中文教程。
公开网页数据就一定能拿去训练或商用吗？
不一定。公开可访问不等于没有版权、合同、隐私或删除义务。采集前仍要核对目标站条款、数据类型、用途与适用法律；涉及个人数据、登录态或受限内容时不要沿用这条公开数据流程。
这条流水线用到的任务页
先用真实问题跑一批来源发现，再决定哪些内容值得进入 RAG。
主力 Actor 的价格、最低扣费与附加项都从已实测任务页实时回读；先小批验证字段，再扩大来源范围。
免费跑我自己的第一批 →本页含推广链接；价格与目录数据采集于 2026-07-10，以 Apify 实时页面为准。