В секторе недвижимости происходят значительные изменения: интеллектуальные роботы и системы искусственного интеллекта полностью заменяют ручной труд. Предприятия, работающие в сфере недвижимости, часто имеют дело с разрозненными наборами данных, трудоемким анализом и огромными ограничениями по масштабу. Но что, если бы существовала такая система, которая могла бы рассуждать, адаптироваться и автономно предоставлять полный комплекс услуг в сфере недвижимости?
В этом руководстве вы узнаете:
- Как современные фреймворки AI-агентов, интегрированные с инфраструктурой веб-скрепинга, решают эти проблемы.
- Как создать современного агента по недвижимости с помощью CrewAI и MCP-сервера Bright Data.
Давайте начнем!
Что такое CrewAI?
CrewAI – это фреймворк с открытым исходным кодом для организации совместной работы агентов ИИ. С помощью CrewAI вы можете четко определить, что может делать агент, его цели и инструменты, которые ему разрешено использовать. Это позволяет выполнять сложные, многоэтапные рабочие процессы в сфере недвижимости, объединяя агентов в команды или экипажи.
CrewAI состоит из этих основных компонентов:
- Агент. Работник, управляемый LLM, с определенной ролью, конкретной целью и необязательной предысторией. Контекст области недвижимости является релевантным для данной модели.
- Задание. Единое, четко ограниченное по объему и масштабу задание для одного агента, которое имеет четко определенный результат, служащий эталоном контроля качества.
- Инструмент. Частные функции, которые агент может вызывать для работы с конкретным доменом, например для получения данных о недвижимости или анализа рынка, или даже для использования конечной точки MCP Bright Data для скраппинга.
- Экипаж. Объект недвижимости – это группа агентов, работающих совместно, каждый из которых выполняет свои задачи.
- Процесс. План выполнения, который может быть составлен последовательно, параллельно или иерархически, регулирует порядок задач, их назначение, делегирование и повторение.
Это зеркальное отражение команды риелторов: исследователи недвижимости занимаются сбором данных, аналитики рынка – аналитикой, менеджеры по работе с клиентами – общением, а специалисты по листингу – маркетингом.
Чтобы узнать больше о том, как CrawAI интегрируется с такими инструментами, как Bright Data, ознакомьтесь с этим руководством.
Что такое MCP?
MCP – это открытый стандарт JSON-RPC 2.0, позволяющий агентам искусственного интеллекта вызывать внешние инструменты и источники данных через единый структурированный интерфейс. Считайте, что это универсальный коннектор для данных о недвижимости.
Сервер MCP от Bright Data воплощает этот стандарт в жизнь, подключая агента непосредственно к стеку скраппинга Bright Data, что делает извлечение данных о недвижимости гораздо более простым, чем традиционные подходы:
- Обход антиботов. Запросы проходят через Web Unlocker и пул из 150M+ вращающихся жилых IP-адресов, охватывающих 195 стран.
- Поддержка динамических сайтов. Специально разработанный браузер для скрапинга отображает JavaScript, поэтому агенты видят полностью загруженные объявления о недвижимости
- Структурированные результаты. Многие инструменты возвращают чистый JSON, что избавляет от необходимости использовать собственные парсеры.
На сервере опубликовано более 50 готовых инструментов, начиная от общих URL-адресов и заканчивая скреперами для работы с недвижимостью, так что ваш агент CrewAI сможет получить детали недвижимости, данные о рынке или информацию о листинге одним звонком.
Что мы строим: Агенты по недвижимости
Мы создадим агента по недвижимости CrewAI, который будет исследовать объекты недвижимости со страницы Zillow и возвращать детали в виде структурированного JSON-вывода.
Вы можете использовать его для других свойств, изменив ссылку и некоторые части кода.
Пререквизиты:
Прежде чем погрузиться в код, убедитесь, что у вас есть следующие настройки:
- Python 3.11 – рекомендуется для обеспечения стабильности.
- Node.js + npm – требуется для запуска сервера Bright Data Web MCP; загрузить с официального сайта.
- Виртуальное окружение Python – позволяет изолировать зависимости; см. документацию
venv. - Учетная запись Bright Data – зарегистрируйтесь и создайте токен API (доступны бесплатные пробные кредиты).
- Ключ API Nebius – создайте ключ в Nebius AI Studio (нажмите + Получить ключ API). Вы можете использовать его бесплатно. Биллинговый профиль не требуется.
Шаг 1. Настройка среды:
Выполните следующие команды в терминале, чтобы настроить окружение проекта и установить зависимости:
mkdir real-estate-ai-system && cd real-estate-ai-system
python -m venv venv
# macOS/Linux: source venv/bin/activate
# Windows: venv\\Scripts\\activate
pip install "crewai-tools[mcp]" crewai mcp python-dotenv pandas
Создайте новый файл real_estate_agents.py и добавьте в него следующие импорты:
from crewai import Agent, Task, Crew, Process
from crewai_tools import MCPServerAdapter
from mcp import StdioServerParameters
from crewai.llm import LLM
import os
import json
import pandas as pd
from datetime import datetime
from dotenv import load_dotenv
load_dotenv()
Шаг 2. Конфигурация сервера Brightdata MCP
Создайте файл .env в корне проекта с вашими учетными данными:
BRIGHT_DATA_API_TOKEN="your_api_token_here"
WEB_UNLOCKER_ZONE="your_web_unlocker_zone"
BROWSER_ZONE="your_browser_zone"
NEBIUS_API_KEY="your_nebius_api_key"
Вам потребуется:
- API-токен: Сгенерируйте новый токен API на панели управления Bright Data.
- Зона Web Unlocker: Создайте новую зону Web Unlocker для сайтов о недвижимости
- Зона Browser API: Создайте новую зону Browser API для сайтов, перегруженных JavaScript
- Ключ API Nebius: Уже создан в разделе Предварительные условия
Добавьте эту конфигурацию в файл real_estate_agents.py:
llm = LLM(
model="nebius/Qwen/Qwen3-235B-A22B",
api_key=os.getenv("NEBIUS_API_KEY")
)
server_params = StdioServerParameters(
command="npx",
args=["@brightdata/mcp"],
env={
"API_TOKEN": os.getenv("BRIGHT_DATA_API_TOKEN"),
"WEB_UNLOCKER_ZONE": os.getenv("WEB_UNLOCKER_ZONE"),
"BROWSER_ZONE": os.getenv("BROWSER_ZONE"),
},
)
Это запускает *npx @brightdata/mcp* в качестве подпроцесса и открывает 50+ инструментов через стандарт MCP для извлечения данных о недвижимости.
Шаг 3. Определение агента и задачи
Здесь мы определяем личность агента и конкретную работу, которую он должен выполнять. При внедрении CrewAI приоритет отдавайте разработке задач, посвящая ей около 80 % усилий, и только 20 % – определению агентов. Обновите файл real_estate_agents.py, чтобы добавить определения агентов и задач:
def build_scraper_agent(mcp_tools):
return Agent(
role="Senior Real Estate Data Extractor",
goal=(
"Return a JSON object with snake_case keys containing: address, price, "
"bedrooms, bathrooms, square_feet, lot_size, year_built, property_type, "
"listing_agent, days_on_market, mls_number, description, image_urls, "
"and neighborhood for the target property listing page. Ensure strict schema validation."
),
backstory=(
"Veteran real estate data engineer with years of experience extracting "
"property information from Zillow, Realtor.com, and Redfin. Skilled in "
"Bright Data MCP, proxy rotation, CAPTCHA avoidance, and strict "
"JSON-schema validation for real estate data."
),
tools=mcp_tools,
llm=llm,
max_iter=3,
verbose=True,
)
def build_scraping_task(agent):
return Task(
description=(
"Extract property data from <https://www.zillow.com/homedetails/123-Main-St-City-State-12345/123456_zpid/> "
"and return it as structured JSON."
),
expected_output="""{
"address": "123 Main Street, City, State 12345",
"price": "$450,000",
"bedrooms": 3,
"bathrooms": 2,
"square_feet": 1850,
"lot_size": "0.25 acres",
"year_built": 1995,
"property_type": "Single Family Home",
"listing_agent": "John Doe, ABC Realty",
"days_on_market": 45,
"mls_number": "MLS123456",
"description": "Beautiful home with updated kitchen...",
"image_urls": ["<https://example.com/image1.jpg>", "<https://example.com/image2.jpg>"],
"neighborhood": "Downtown Historic District"
}""",
agent=agent,
)
Вот что делает каждый параметр:
- role – краткое название должности, CrewAI вводит параметр @role в каждое системное приглашение.
- goal – цель северной звезды; CrewAI сравнивает ее после каждого шага цикла, чтобы решить, стоит ли останавливаться.
- предыстория – знание домена, которое помогает направлять тон агента и уменьшает галлюцинации.
- tools – Вставляет список объектов BaseTool (например, MCP search_engine, scrape_as_markdown).
- llm – определение модели, которую CrewAI будет использовать для каждой процедуры “думать → планировать → действовать → отвечать”.
- max_iter – жесткое ограничение на количество внутренних циклов, которые может делать агент – в версии 0.30+ по умолчанию используется 20.
- verbose – Потоковая передача каждой подсказки, каждой мысли, каждого вызова инструмента в stdout (для отладки).
- описание – На каждом ходу вводится инструкция, ориентированная на действие.
- expected_output – Формальный контракт на правильный ответ (строгий JSON, без следующей запятой).
- agent – Привязывает эту задачу к конкретному экземпляру агента для Crew.kickoff().
Шаг 4. Сбор экипажа и выполнение
Эта часть собирает агента и задание в экипаж и запускает рабочий процесс. Добавьте сценарий сборки и выполнения Crew в файл real_estate_agents.py:
def scrape_property_data():
"""Assembles and runs the scraping crew."""
with MCPServerAdapter(server_params) as mcp_tools:
scraper_agent = build_scraper_agent(mcp_tools)
scraping_task = build_scraping_task(scraper_agent)
crew = Crew(
agents=[scraper_agent],
tasks=[scraping_task],
process=Process.sequential,
verbose=True
)
return crew.kickoff()
if __name__ == "__main__":
try:
result = scrape_property_data()
print("\\n[SUCCESS] Scraping completed!")
print("Extracted property data:")
print(result)
except Exception as e:
print(f"\\n[ERROR] Scraping failed: {str(e)}")
Шаг 5. Запуск скребка
Запустите команду, чтобы выполнить сценарий в терминале:
python real_estate_agents.py
Вы увидите в консоли ход мыслей агента, как каждый из них планирует и выполняет свои задачи.
Конечным результатом будет чистый объект JSON:
{
"address": "123 Main Street, City, State 12345",
"price": "$450,000",
"bedrooms": 3,
"bathrooms": 2,
"square_feet": 1850,
"lot_size": "0.25 acres",
"year_built": 1995,
"property_type": "Single Family Home",
"listing_agent": "John Doe, ABC Realty",
"days_on_market": 45,
"mls_number": "MLS123456",
"description": "Beautiful home with updated kitchen...",
"image_urls": ["<https://example.com/image1.jpg>", "<https://example.com/image2.jpg>"],
"neighborhood": "Downtown Historic District"
}
Усовершенствованный шаблон реализации
Хотя наш базовый пример демонстрирует основные идеи, реальные приложения требуют более глубокого осмысления:
Анализ рынка и генерация свинца
Для сбора информации о рынке требуются агенты, способные анализировать тенденции, выявлять возможности и генерировать квалифицированные запросы. Эти агенты сотрудничают друг с другом, чтобы предоставить исчерпывающую информацию о рынке и определить перспективы.
Добавьте эти агенты анализа рынка в файл real_estate_agents.py:
def build_market_analysis_agent(mcp_tools):
return Agent(
role="Real Estate Market Analyst",
goal=(
"Analyze market trends, price movements, and investment opportunities. "
"Provide actionable insights for buyers, sellers, and investors based "
"on comprehensive market data and comparable property analysis."
),
backstory=(
"Senior market analyst with expertise in real estate economics, "
"property valuation, and investment analysis. Specializes in identifying "
"market trends, pricing anomalies, and investment opportunities using "
"statistical analysis and machine learning techniques."
),
tools=mcp_tools,
llm=llm,
max_iter=4,
verbose=True,
)
def build_lead_generation_agent(mcp_tools):
return Agent(
role="Real Estate Lead Generation Specialist",
goal=(
"Identify potential buyers and sellers based on market activity, "
"property searches, and behavioral patterns. Generate qualified "
"leads with contact information and engagement strategies."
),
backstory=(
"Lead generation expert with deep knowledge of real estate marketing, "
"customer behavior analysis, and digital prospecting. Experienced in "
"identifying high-value prospects and developing targeted outreach "
"campaigns for real estate professionals."
),
tools=mcp_tools,
llm=llm,
max_iter=3,
verbose=True,
)
def analyze_market_and_generate_leads(area_zip_code, price_range):
"""Perform market analysis and generate leads for a specific area."""
with MCPServerAdapter(server_params) as mcp_tools:
market_analyst = build_market_analysis_agent(mcp_tools)
lead_generator = build_lead_generation_agent(mcp_tools)
market_task = Task(
description=(
f"Analyze the real estate market for ZIP code {area_zip_code} "
f"within price range {price_range}. Research recent sales, "
"current listings, price trends, and market conditions. "
"Identify opportunities and provide investment recommendations."
),
expected_output="""{
"market_overview": {
"avg_price": "$000,000",
"median_price": "$000,000",
"price_trend": "increasing/decreasing/stable",
"days_on_market_avg": 00,
"inventory_levels": "high/medium/low"
},
"recent_sales": [],
"active_listings": 000,
"price_per_sqft_trend": "$000",
"investment_opportunities": [],
"market_forecast": "market_prediction",
"recommendations": []
}""",
agent=market_analyst,
)
lead_task = Task(
description=(
f"Generate qualified leads for {area_zip_code} area. "
"Identify potential sellers with properties likely to be listed, "
"buyers actively searching in the area, and investors looking "
"for opportunities. Include contact strategies and timing recommendations."
),
expected_output="""{
"potential_sellers": [],
"active_buyers": [],
"investor_prospects": [],
"lead_scoring": {
"high_priority": [],
"medium_priority": [],
"low_priority": []
},
"contact_strategies": [],
"follow_up_timeline": []
}""",
agent=lead_generator,
)
crew = Crew(
agents=[market_analyst, lead_generator],
tasks=[market_task, lead_task],
process=Process.sequential,
verbose=True
)
return crew.kickoff()
Взаимодействие и общение с клиентами
Для эффективного управления клиентами требуются специализированные агенты, которые могут поддерживать связь, назначать встречи и поддерживать отношения на протяжении всего процесса работы с недвижимостью. Эти агенты обеспечивают постоянное и профессиональное обслуживание клиентов.
Добавьте эти агенты управления клиентами в файл real_estate_agents.py:
def build_client_communication_agent(mcp_tools):
return Agent(
role="Real Estate Client Relations Manager",
goal=(
"Manage client communications, schedule appointments, send follow-ups, "
"and maintain client relationships throughout the buying/selling process. "
"Provide personalized service and timely responses to client inquiries."
),
backstory=(
"Experienced client relations specialist with expertise in real estate "
"customer service, appointment scheduling, and relationship management. "
"Skilled in understanding client needs, managing expectations, and "
"maintaining long-term relationships for referrals and repeat business."
),
tools=mcp_tools,
llm=llm,
max_iter=3,
verbose=True,
)
def build_appointment_scheduler_agent(mcp_tools):
return Agent(
role="Real Estate Appointment Coordinator",
goal=(
"Schedule property viewings, client meetings, and follow-up appointments. "
"Coordinate between buyers, sellers, and agents to optimize scheduling "
"and maximize showing efficiency."
),
backstory=(
"Professional appointment coordinator with deep understanding of real "
"estate workflows, client preferences, and scheduling optimization. "
"Expert in managing complex calendars and coordinating multiple stakeholders."
),
tools=mcp_tools,
llm=llm,
max_iter=2,
verbose=True,
)
def handle_client_communication(client_inquiry, client_profile):
"""Process client inquiries and manage communications."""
with MCPServerAdapter(server_params) as mcp_tools:
communication_agent = build_client_communication_agent(mcp_tools)
scheduler_agent = build_appointment_scheduler_agent(mcp_tools)
communication_task = Task(
description=(
f"Process client inquiry: '{client_inquiry}' from client with "
f"profile: {client_profile}. Provide personalized response, "
"address their specific needs, and recommend next steps."
),
expected_output="""{
"response_message": "personalized_client_response",
"client_needs_assessment": {
"budget_range": "$000,000 - $000,000",
"preferred_locations": [],
"property_requirements": [],
"timeline": "timeframe"
},
"recommended_properties": [],
"next_steps": [],
"follow_up_schedule": "timing_recommendations"
}""",
agent=communication_agent,
)
scheduling_task = Task(
description=(
"Based on the client communication, schedule appropriate "
"follow-up appointments, property viewings, or consultation "
"meetings. Optimize scheduling for client convenience and "
"agent efficiency."
),
expected_output="""{
"scheduled_appointments": [],
"property_viewing_schedule": [],
"follow_up_reminders": [],
"calendar_integration": "scheduling_details"
}""",
agent=scheduler_agent,
)
crew = Crew(
agents=[communication_agent, scheduler_agent],
tasks=[communication_task, scheduling_task],
process=Process.sequential,
verbose=True
)
return crew.kickoff()
Автоматизация листинга недвижимости и маркетинга
Для автоматизации маркетинга требуются специализированные агенты, которые могут создавать привлекательные объявления, оптимизировать их для поисковых систем и распространять на различных платформах.
Добавьте этот маркетинговый агент в файл real_estate_agents.py:
def build_listing_manager_agent(mcp_tools):
return Agent(
role="Property Listing Marketing Manager",
goal=(
"Create compelling property listings, optimize for search engines, "
"and distribute across multiple platforms. Generate marketing materials "
"and track listing performance to maximize exposure and inquiries."
),
backstory=(
"Digital marketing specialist with expertise in real estate marketing, "
"SEO optimization, and multi-platform listing management. Experienced "
"in creating high-converting property descriptions and managing "
"marketing campaigns across MLS, Zillow, Realtor.com, and social media."
),
tools=mcp_tools,
llm=llm,
max_iter=4,
verbose=True,
)
Функции поиска и обнаружения
Интеллектуальные системы поиска и рекомендации недвижимости позволяют клиентам находить объекты, которые точно соответствуют их конкретным потребностям и предпочтениям. Эти агенты предоставляют персонализированные услуги по поиску и рекомендации недвижимости.
Добавьте эти агенты поиска и обнаружения в файл real_estate_agents.py:
def build_search_agent(mcp_tools):
return Agent(
role="Intelligent Property Search Specialist",
goal=(
"Provide intelligent property search and recommendation services. "
"Understand client preferences, search multiple databases, and "
"deliver personalized property recommendations with detailed analysis."
),
backstory=(
"Search technology expert with deep understanding of real estate "
"databases, property matching algorithms, and client preference analysis. "
"Specializes in advanced search techniques and personalized recommendation "
"systems for optimal property discovery."
),
tools=mcp_tools,
llm=llm,
max_iter=4,
verbose=True,
)
def build_recommendation_agent(mcp_tools):
return Agent(
role="Property Recommendation Engine",
goal=(
"Analyze client behavior, preferences, and market data to generate "
"personalized property recommendations. Learn from client feedback "
"and continuously improve recommendation accuracy."
),
backstory=(
"Machine learning specialist with expertise in recommendation systems, "
"behavioral analysis, and predictive modeling for real estate. "
"Experienced in developing personalized recommendation engines that "
"learn from user interactions and market trends."
),
tools=mcp_tools,
llm=llm,
max_iter=3,
verbose=True,
)
def intelligent_property_search(search_criteria, client_preferences):
"""Perform intelligent property search with personalized recommendations."""
with MCPServerAdapter(server_params) as mcp_tools:
search_agent = build_search_agent(mcp_tools)
recommendation_agent = build_recommendation_agent(mcp_tools)
search_task = Task(
description=(
f"Search for properties matching criteria: {search_criteria}. "
f"Client preferences: {client_preferences}. Use advanced search "
"techniques across multiple platforms and databases. Prioritize "
"results based on client preferences and market conditions."
),
expected_output="""{
"search_results": [],
"total_matches": 0,
"search_filters_applied": [],
"alternative_suggestions": [],
"market_insights": {
"avg_price_in_area": "$000,000",
"market_trends": "trend_analysis",
"inventory_levels": "availability_status"
}
}""",
agent=search_agent,
)
recommendation_task = Task(
description=(
"Analyze search results and client preferences to generate "
"personalized recommendations. Rank properties by relevance, "
"identify hidden gems, and suggest alternative options that "
"might meet client needs."
),
expected_output="""{
"top_recommendations": [],
"personalization_score": "0-100",
"recommendation_reasoning": [],
"alternative_options": [],
"learning_insights": {
"preference_patterns": [],
"behavior_analysis": "client_behavior_summary"
}
}""",
agent=recommendation_agent,
)
crew = Crew(
agents=[search_agent, recommendation_agent],
tasks=[search_task, recommendation_task],
process=Process.sequential,
verbose=True
)
return crew.kickoff()
Развертывание и настройка производства
Наконец, давайте создадим комплексную систему оркестровки, которая будет координировать работу всех наших специализированных агентов. Этот основной класс системы будет служить центральным узлом для всех операций с недвижимостью.
Добавьте эту главную системную оркестровку в файл real_estate_agents.py:
class RealEstateAgentSystem:
def full_property_analysis(self, property_url, client_profile=None):
with MCPServerAdapter(server_params) as mcp_tools:
research_agent = build_property_research_agent(mcp_tools)
market_analyst = build_market_analysis_agent(mcp_tools)
listing_manager = build_listing_manager_agent(mcp_tools)
research_task = build_property_research_task(research_agent, property_url)
market_task = Task(
description="Analyze market conditions for the researched property",
expected_output="Market analysis with trends and recommendations",
agent=market_analyst,
)
marketing_task = Task(
description="Create marketing strategy based on property and market analysis",
expected_output="Complete marketing campaign plan",
agent=listing_manager,
)
crew = Crew(
agents=[research_agent, market_analyst, listing_manager],
tasks=[research_task, market_task, marketing_task],
process=Process.sequential,
verbose=True
)
return crew.kickoff()
def client_service_workflow(self, client_inquiry, client_profile):
communication_result = handle_client_communication(client_inquiry, client_profile)
if "search" in client_inquiry.lower():
search_criteria = self.extract_search_criteria(client_inquiry)
search_result = intelligent_property_search(search_criteria, client_profile)
return {
"communication": communication_result,
"search_results": search_result
}
return communication_result
def extract_search_criteria(self, inquiry):
criteria = {
"price_range": "extracted_from_inquiry",
"location": "extracted_from_inquiry",
"property_type": "extracted_from_inquiry",
"bedrooms": "extracted_from_inquiry",
"bathrooms": "extracted_from_inquiry"
}
return criteria
def main():
system = RealEstateAgentSystem()
property_url = "<https://www.zillow.com/homedetails/661-Cranbrook-Rd-London-ON-N6K-1W8/2071250954_zpid/>"
try:
print("=== Starting Comprehensive Property Analysis ===")
analysis_result = system.full_property_analysis(property_url)
print("\\n=== Analysis Complete ===")
print("Extracted property data:")
print(json.dumps(analysis_result, indent=2) if isinstance(analysis_result, dict) else str(analysis_result))
client_inquiry = "I'm looking for a 3-bedroom house under $500,000 in downtown area"
client_profile = {
"name": "John Smith",
"budget": "$450,000",
"preferred_locations": ["downtown", "midtown"],
"timeline": "3 months"
}
print("\\n=== Processing Client Inquiry ===")
service_result = system.client_service_workflow(client_inquiry, client_profile)
print("\\n=== Client Service Complete ===")
print("Client service results:")
print(json.dumps(service_result, indent=2) if isinstance(service_result, dict) else str(service_result))
print("\\n=== Analyzing Market and Generating Leads ===")
market_leads = analyze_market_and_generate_leads("90210", "$500,000-$1,000,000")
print("\\n=== Market Analysis Complete ===")
print("Market analysis and leads:")
print(json.dumps(market_leads, indent=2) if isinstance(market_leads, dict) else str(market_leads))
except Exception as e:
print(f"\\n[ERROR] System execution failed: {str(e)}")
if __name__ == "__main__":
main()
Оптимизация затрат
MCP от Bright Data основан на использовании, поэтому счет выставляется за каждый дополнительный запрос. Вот несколько советов, которые помогут вам держать расходы под контролем:
- Запрашивайте только те поля недвижимости, которые вам нужны, вместо того чтобы просматривать целые сайты объявлений или наборы данных.
- Включите кэш CrewAI на уровне инструментов, чтобы пропускать вызовы, когда данные о свойствах не изменились, экономя время и кредиты.
- По умолчанию используйте зону Web Unlocker и переключайтесь на зону Browser API только в тех случаях, когда JavaScript-рендеринг необходим для сложных сайтов недвижимости.
- Установите для каждого агента разумную максимальную границу итераций, чтобы он не мог бесконечно циклиться на проблемных объявлениях.
Следуйте этим рекомендациям, и ваши агенты CrewAI останутся экономичными и надежными, готовыми к выполнению производственных задач в сфере недвижимости.
Заключение
Из этого руководства вы узнали, как создавать агентов недвижимости CrawAI с помощью MCP-сервера Bright Data.
Мы начали с понимания того, что представляют собой эти технологии и как они используются. Затем мы перешли к созданию агента по недвижимости. Настроили MCP-сервер Bright Data, сконфигурировали LLM, создали агентов, определили задачи и собрали task Crew.
Вы можете легко адаптировать этих агентов к другим объектам недвижимости. Например, чтобы скрапить с Realtor.com, а не с Zillow, достаточно изменить роль, цель и предысторию агента, а также описание задачи и то, что вы ожидаете получить на выходе.
