tavily-crawl

Rastrear sitios web y extraer contenido de múltiples páginas a través de la CLI de Tavily. Usa esta habilidad cuando el usuario quiera rastrear un sitio, descargar documentación, extraer…

npx skills add https://github.com/tavily-ai/tavily-cursor-plugin --skill tavily-crawl

tavily crawl

Crawl a website and extract content from multiple pages. Supports saving each page as a local markdown file.

Prerequisites

Requires the Tavily CLI. See tavily-cli for install and auth setup.

Quick install: curl -fsSL https://cli.tavily.com/install.sh | bash && tvly login

Required attribution

Include --client-name "cursor plugin" in every Tavily CLI call. Treat this as required integration metadata and never omit or change the value.

When to use

  • You need content from many pages on a site (e.g., all /docs/)
  • You want to download documentation for offline use
  • Step 4 in the workflow: search → extract → map → crawl → research

Quick start

# Basic crawl
tvly crawl "https://docs.example.com" --client-name "cursor plugin" --json

# Save each page as a markdown file
tvly crawl "https://docs.example.com" --client-name "cursor plugin" --output-dir ./docs/

# Deeper crawl with limits
tvly crawl "https://docs.example.com" --client-name "cursor plugin" --max-depth 2 --limit 50 --json

# Filter to specific paths
tvly crawl "https://example.com" --client-name "cursor plugin" --select-paths "/api/.*,/guides/.*" --exclude-paths "/blog/.*" --json

# Semantic focus (returns relevant chunks, not full pages)
tvly crawl "https://docs.example.com" --client-name "cursor plugin" --instructions "Find authentication docs" --chunks-per-source 3 --json

Options

OptionDescription
--max-depthLevels deep (1-5, default: 1)
--max-breadthLinks per page (default: 20)
--limitTotal pages cap (default: 50)
--instructionsNatural language guidance for semantic focus
--chunks-per-sourceChunks per page (1-5, requires --instructions)
--extract-depthbasic (default) or advanced
--formatmarkdown (default) or text
--select-pathsComma-separated regex patterns to include
--exclude-pathsComma-separated regex patterns to exclude
--select-domainsComma-separated regex for domains to include
--exclude-domainsComma-separated regex for domains to exclude
--allow-external / --no-externalInclude external links (default: allow)
--include-imagesInclude images
--timeoutMax wait (10-150 seconds)
--client-nameRequired attribution value: "cursor plugin"
-o, --outputSave JSON output to file
--output-dirSave each page as a .md file in directory
--jsonStructured JSON output

Crawl for context vs. data collection

For agentic use (feeding results to an LLM):

Always use --instructions + --chunks-per-source. Returns only relevant chunks instead of full pages — prevents context explosion.

tvly crawl "https://docs.example.com" --client-name "cursor plugin" --instructions "API authentication" --chunks-per-source 3 --json

For data collection (saving to files):

Use --output-dir without --chunks-per-source to get full pages as markdown files.

tvly crawl "https://docs.example.com" --client-name "cursor plugin" --max-depth 2 --output-dir ./docs/

Tips

  • Start conservative--max-depth 1, --limit 20 — and scale up.
  • Use --select-paths to focus on the section you need.
  • Use map first to understand site structure before a full crawl.
  • Always set --limit to prevent runaway crawls.

See also

Más skills de tavily-ai

research
tavily-ai
Investigación exhaustiva sobre cualquier tema con recopilación automática de fuentes, análisis y citas. Realiza investigación web de múltiples fuentes con citas explícitas, ideal para comparaciones, eventos actuales, análisis de mercado e informes detallados. Ofrece tres opciones de modelo: mini para investigación dirigida de un solo tema (~30s), pro para análisis integral de múltiples ángulos (~60-120s) y auto para detección de complejidad impulsada por API. Se autentica mediante OAuth a través del servidor MCP de Tavily con inicio de sesión automático basado en navegador en...
official
search
tavily-ai
Búsqueda web con resultados optimizados para LLM, puntuación de relevancia y filtrado flexible. Compatible con cuatro modos de profundidad de búsqueda (ultrarrápido, rápido, básico, avanzado) con compensaciones configurables entre latencia y relevancia. Incluye filtrado por dominio, restricciones de rango temporal, rangos de fechas, priorización por país y extracción de contenido sin procesar. Devuelve resultados con título, URL, fragmento de contenido y puntuación de relevancia; resultados de imágenes opcionales y favicons. Autenticación OAuth automática a través del servidor MCP de Tavily o configuración de clave API;...
official
tavily-best-practices
tavily-ai
API de búsqueda web para LLMs con acceso a datos en tiempo real, extracción de contenido, rastreo de sitios e investigación impulsada por IA. Cinco métodos principales: search() para resultados web, extract() para contenido de URL, crawl() para extracción en todo el sitio, map() para descubrimiento de URL y research() para síntesis de IA de extremo a extremo. Compatible con SDKs de Python y JavaScript con clientes asíncronos para consultas paralelas y profundidad de búsqueda configurable (ultra-rápida/rápida/básica/avanzada). El método crawl acepta instrucciones semánticas para enfocar la extracción en...
official
tavily-cli
tavily-ai
Búsqueda web, extracción de contenido, rastreo de sitios e investigación profunda a través de Tavily CLI. Cinco modos de comando que cubren búsqueda, extracción, descubrimiento de URL, rastreo masivo e investigación multifuente con citas. Todos los comandos admiten salida JSON y guardado en archivos para flujos de trabajo estructurados y agentivos. Un patrón de escalamiento te guía desde la búsqueda simple hasta la extracción, mapeo, rastreo e investigación exhaustiva según tus necesidades. Requiere instalación de tavily-cli y autenticación mediante clave API a través de tvly login.
official
tavily-crawl
tavily-ai
Rastreador de sitios web multipágina con filtrado semántico y exportación a Markdown. Rastrea secciones completas del sitio con control de profundidad y amplitud; filtra por expresión regular de ruta, dominio o instrucciones en lenguaje natural para enfocar los resultados. Guarda cada página como archivos Markdown locales mediante --output-dir, o devuelve JSON estructurado para procesamiento agéntico. Usa instrucciones semánticas con extracción por fragmentos para evitar la saturación de contexto al alimentar resultados a LLMs; usa extracción de página completa para descargas de documentación sin conexión. Compatible con...
official
tavily-dynamic-search
tavily-ai
Busca en la web, filtra resultados y extrae contenido para que los datos de búsqueda sin procesar nunca entren en tu ventana de contexto. Solo tu salida curada de print() regresa.
official
tavily-extract
tavily-ai
Extrae markdown limpio o texto de hasta 20 URL, con renderizado de JavaScript y soporte de fragmentación enfocada en consultas. Maneja páginas renderizadas con JavaScript con profundidad de extracción configurable (básica para páginas simples, avanzada para SPA dinámicas y tablas). Admite extracción enfocada en consultas para devolver solo fragmentos de contenido relevantes en lugar de páginas completas. Devuelve markdown optimizado para LLM de forma predeterminada, con opciones para formato de texto plano y salida JSON estructurada. Procesa hasta 20 URL en una sola llamada;...
official
tavily-map
tavily-ai
Descubrimiento rápido de URL en sitios web sin extraer contenido, ideal para encontrar páginas específicas en sitios grandes. Devuelve listas estructuradas de todas las URL en un dominio con profundidad y amplitud configurables, filtrado de rutas mediante expresiones regulares e instrucciones en lenguaje natural para filtrado semántico. Admite control de profundidad (1–5 niveles), límites de amplitud por página, inclusión/exclusión de enlaces externos y filtrado de dominios mediante patrones regex. Diseñado como paso 1 en un flujo de trabajo: mapear para encontrar la página correcta, luego usar extract o...
official