Интеграция Apify с OpenCowork: как AI-агент запускает Actors

Интеграция Apify с OpenCowork уже доступна: Apify подключается к проекту как официальный hosted MCP-сервис. После подключения агент может искать Actors, изучать их назначение и входные параметры, предлагать запуск, следить за выполнением и забирать результаты из dataset. Платный запуск не выполняется незаметно: OpenCowork показывает действие и ждёт подтверждение пользователя.

Это важное отличие от ручной работы с Apify API. Пользователю не нужно заранее знать ID каждого Actor, писать запросы к API или переносить JSON в таблицу. Он формулирует рабочий результат: например, собрать новые отзывы о сети магазинов, найти объявления по заданным фильтрам или сравнить цены конкурентов. Агент подбирает инструмент и возвращает данные в понятном виде.

Короткий ответ

Apify MCP связывает AI-агента с платформой Apify через Model Context Protocol. Официальный сервер Apify умеет находить и запускать Actors, читать runs и storages, получать dataset и искать документацию. В OpenCowork эта возможность устанавливается на уровне рабочего пространства или проекта, поэтому доступ к Apify получает конкретная команда и конкретный рабочий контекст.

В результате процесс выглядит так:

1. Пользователь подключает Apify в разделе интеграций OpenCowork.
2. Агент получает задачу и ищет подходящий Actor.
3. Перед запуском агент показывает Actor и основные аргументы.
4. Пользователь подтверждает, изменяет или отклоняет запуск.
5. После выполнения агент читает результат порциями и готовит итоговый артефакт.

Интеграция не означает, что любой сайт можно собирать без ограничений. Доступность данных зависит от выбранного Actor, правил источника, авторизации, captcha, лимитов и качества входных параметров.

Почему интерес к Apify растёт

По переданному срезу Wordstat запрос apify достиг среднего значения 1 605 за последние три месяца и вырос на 96% год к году. Помесячный ряд поднялся с 778 до 1 615, хотя внутри периода были снижения. Правильный вывод — растущий тренд с колебаниями, а не непрерывный рост каждый месяц.

Связанный спрос уже показывает, что люди ищут не только бренд: apify scraper — 117, apify api — 39, apify ai — 22, apify actor — 15 и apify mcp — 8. Это небольшие хвосты, но они хорошо отражают путь пользователя: понять платформу, выбрать способ подключения и применить конкретный scraper.

Скан популярных карточек Apify Store даёт дополнительный сигнал. Среди лидеров находятся Instagram Scraper, Google Maps Scraper, RAG Web Browser, TikTok Scraper, Google Search Results Scraper и LinkedIn Jobs Scraper. При этом 86 из 94 изученных популярных Actors работали по pay-per-event. Значит, полезная интеграция должна не просто уметь нажать Start, а показывать пользователю, что именно будет запущено и за чей счёт.

Что такое Actor и зачем агенту динамический поиск

Actor в Apify — запускаемая программа с входными параметрами, выполнением и результатом. Один Actor собирает карточки мест, другой — публикации, третий — вакансии, четвёртый — содержимое сайтов для RAG. У разных Actors отличаются схема входа, цена, ограничения и формат результата.

OpenCowork не загружает весь Store как тысячи постоянных инструментов. Это перегрузило бы модель и быстро устарело. Вместо этого агент использует последовательность:

Такой подход сохраняет понятный набор инструментов у агента, но не ограничивает команду несколькими заранее выбранными парсерами.

Как подключить Apify в OpenCowork

Откройте рабочий проект, перейдите к плагинам и выберите карточку Apify. Основной путь — браузерная авторизация OAuth: OpenCowork открывает страницу Apify, пользователь входит в свой аккаунт и разрешает подключение. После возврата backend проверяет доступ к инструментам и только затем показывает соединение как рабочее.

Если OAuth недоступен, остаётся ручной вариант с Apify token. Значение передаётся как Bearer-секрет и хранится в зашифрованном backend-хранилище. Токен не должен появляться в сообщениях, памяти агента, диагностике или frontend-ответах.

После подключения полезно начать с read-only проверки:

• попросить агента назвать доступные категории Apify-инструментов;
• найти Actor по конкретной задаче;
• показать его входные поля и модель оплаты;
• не запускать его до проверки параметров.

Только после этого стоит подтвердить небольшой тестовый run.

Пример рабочего сценария

Предположим, отделу продаж нужен еженедельный список новых компаний из определённого города. Слабая постановка задачи звучит как «запусти Google Maps Scraper». Она не объясняет, какие категории нужны, какие поля обязательны и что делать с дублями.

Рабочая постановка выглядит иначе:

Каждую неделю находи новые стоматологии в Казани. Собирай название, адрес, сайт, телефон, рейтинг и число отзывов. Не добавляй уже известные компании. Подготовь таблицу новых организаций и отдельно отметь строки без сайта или телефона. Перед каждым платным запуском показывай Actor и лимит результатов.

OpenCowork может разложить задачу на шаги: найти Actor, проверить схему, предложить параметры, дождаться подтверждения, прочитать dataset, нормализовать поля, сравнить с предыдущим результатом и создать новую таблицу. Именно итоговая таблица и список изменений являются продуктом для команды, а Actor остаётся инфраструктурой.

Как OpenCowork работает с большими результатами

Dataset может содержать тысячи строк. Передавать весь массив модели одним сообщением дорого и ненадёжно. Поэтому интеграция ограничивает объём результата, видимый модели за один вызов, и использует пагинацию: offset, limit и фильтрацию полей.

Агент сначала смотрит структуру и небольшую выборку, затем читает только нужные страницы и колонки. Полный результат лучше сохранить как файл или dataset-артефакт, а в чат вернуть резюме, количество строк, аномалии и ссылку на материал. Такой процесс уменьшает риск потери данных и переполнения контекста.

Что проверить перед первым запуском

• Actor действительно решает нужную задачу, а не просто совпадает по названию.
• В README описаны актуальные ограничения и формат результата.
• Понятны модель оплаты и предполагаемый объём.
• Входные параметры не содержат лишних персональных или секретных данных.
• Источник допускает такой способ сбора, а доступ не требует обхода защиты.
• Результат имеет владельца, формат и правило проверки.

Если действие отклонено, OpenCowork не должен обращаться к Apify и расходовать ресурсы. Если пользователь изменил аргументы на экране согласования, запуск должен использовать исправленную версию.

Чем MCP отличается от прямой интеграции по API

Apify API остаётся полезным для собственной разработки и фиксированных backend-процессов. MCP удобнее там, где агенту нужно динамически подобрать Actor и понять его схему во время выполнения задачи. Это не спор «что лучше вообще», а выбор интерфейса.

Следующий шаг

Подключите Apify в конкретном проекте OpenCowork и начните с одного ограниченного результата: до 50 строк, несколько проверяемых полей и явное подтверждение запуска. После успешного теста можно сохранить процесс как повторяемую задачу или автоматизацию. Другие варианты работы агента собраны в примерах задач, а начать тест можно в OpenCowork.

Официальные подробности доступны в документации Apify MCP server и руководстве по запуску Actors.