Reúne la información pública que necesitas y sabe de dónde salió.
Scout rastrea las fuentes que eliges, respeta lo que cada sitio permite, elimina repetidos y guarda cada documento sellado, con su URL, su fecha y su licencia. Funciona en tu infraestructura.
Planes desde US$49 al mes. Pago por uso: US$1,20 por 1.000 páginas.
Qué es Scout
Scout reúne la información y la deja lista para buscar. No decide qué es verdad ni qué te sirve: eso lo decides tú, con el origen a la vista.
Qué haces con Scout
Tres tareas, una sola herramienta.
Para quien necesita datos de la web pública sin montar un rastreador propio.
Buscar en lo que reuniste
Escribe lo que buscas y filtra por fuente, idioma, fecha o licencia. Cada resultado enseña de dónde viene.
Rastrear con cuota
Fija un tope de páginas, de tráfico o de tiempo. Al llegar, Scout frena en orden y no pierde nada.
Exportar o conectar
Descarga en JSONL comprimido o Parquet, listo para DuckDB, Polars, BigQuery o tu propio pipeline.
# source=web/date=2026-10-27/
Cómo funciona
De una lista de fuentes a documentos que puedes buscar.
Seis etapas. Cada documento conserva el rastro de cómo llegó.
Semillas
Una lista de fuentes públicas por donde empezar.
Tú la definesrobots.txt
Lee qué está permitido antes de entrar (RFC 9309).
Siempre primeroDescarga cortés
Un solo worker por host y respeta Retry-After.
Sin saturar a nadieExtracción
Saca el texto limpio, detecta idioma y codificación.
Trafilatura + LexborDeduplicación
Descarta copias exactas y casi idénticas.
SHA-256 + SimHashData Lake
Guarda el original sellado y el registro con 30 campos.
Zstandard, inmutableFuentes
Lo que hay en tu Data Lake.
Scout no responde: inícialo para ver tus fuentes.
Registro
Cada documento, con su origen.
Un contrato fijo de 30 campos: el texto limpio, la URL original y final, la fecha, la licencia, el idioma y las huellas del original y del contenido.
{
"url": "https://es.wikipedia.org/wiki/Portal:Ciencia",
"fetched_at": "2026-10-27T04:38:55Z",
"http_status": 200,
"language": "es",
"license": { "spdx_id": "CC-BY-SA-4.0" },
"raw_hash": "sha256:…",
"simhash": "971ec55c6e67ef58",
…
}Qué garantiza
Reglas que se cumplen siempre.
Respeta robots.txt
Sigue el RFC 9309. Si una fuente dice que no, o su robots.txt falla con error 5xx, Scout no entra.
User-agent: *
Disallow: /privado/
Crawl-delay: 2
Original sellado
Guarda el original sin tocar, comprimido y con su hash. Puedes verificarlo cuando quieras con «khary-scout verify».
Sin repetidos
Descarta copias exactas por hash y casi idénticas por SimHash antes de guardarlas.
Precios de Scout
Paga por las páginas que necesitas.
Si superas tu cuota, cada 1.000 páginas extra cuestan desde US$0,50.
Starter
por mes
- 50.000 páginas incluidas
- Hasta 4 workers a la vez
- Entrega en JSONL.ZST o Parquet
- Datos conservados 15 días
- Soporte por correo en 48 h
GrowthMás elegido
por mes
- 300.000 páginas incluidas
- Hasta 12 workers a la vez
- Deduplicación avanzada
- Datos conservados 45 días
- Soporte prioritario en 24 h
Scale
por mes
- 1 M de páginas incluidas
- Hasta 24 workers a la vez
- Selectores CSS por dominio
- Datos conservados 90 días
- Soporte prioritario en 12 h
Enterprise
desde, por mes
- 3 M+ de páginas
- Workers dedicados
- Sincronización directa a S3 o GCS
- Retención hasta ilimitada
- SLA 99,9 % y Slack directo
Preguntas frecuentes.
¿Scout es parte de Khary AI?
No. Es un producto aparte: lo puedes usar sin el chat, y el chat funciona sin Scout.
¿Qué fuentes puede rastrear?
Páginas públicas que lo permitan según su robots.txt. Tú eliges la lista.
¿Scout valida que el contenido sea cierto?
No. Reúne y guarda el origen. Juzgar el contenido queda de tu lado.
¿Dónde se ejecuta?
En tu infraestructura o tu nube: tus datos no pasan por servidores de terceros.
¿Puedo usarlo sin código?
Sí. La app web deja buscar documentos y revisar corridas sin escribir código.
Acceso
Cuéntanos qué necesitas.
Qué fuentes y qué volumen necesitas. Respondemos en un día hábil.