Die 30+ besten Open-Source-Webagenten im Jahr 2026
Wir haben über 30 Open-Source-Webagenten in vier Kategorien getestet: autonome Agenten, Computer-Use-Controller, Web-Scraper und Entwickler-Frameworks.
Wir haben identische Benchmarks mit der WebVoyager-Testsuite durchgeführt, die 643 Aufgaben auf 15 realen Websites abdeckt, um zu messen, welche Tools mehrstufige Webaufgaben tatsächlich erledigen und welche versagen, wenn Websites dynamische Dropdown-Menüs oder JavaScript-lastige Layouts verwenden.
- Autonome Webagenten und Copiloten:
- Webautomatisierungs- und Scraping-Toolkits:
- Tools zur Agentenaktivierung:
- Web-Steuerungsframeworks und -Bibliotheken für Entwickler :
Open-Source-Webagenten: GitHub-Sterne
Evaluierung: Web Voyager Benchmark
Web Voyager Benchmark-Ergebnisse
Der Benchmark testet 643 Aufgaben auf Websites von Google, GitHub, Wikipedia, Booking.com, Google Flights, Apple, Amazon, Hugging Face und 12 weiteren realen Websites. Zu den Aufgaben gehören das Absenden von Formularen, die Navigation auf mehreren Seiten, Suchvorgänge, die Interaktion mit Dropdown-Menüs und die Datumsauswahl.
Spitzenreiter:
- Browsernutzung: 89,1 %
- Skyvern 2.0: 85,85 %
- Agent-E: 73,1 %
- WebVoyager: 57,1 %
Vergleich der Tests:
Jedes Team hat die Benchmark unterschiedlich angepasst, was einen direkten Vergleich der Ergebnisse erschwert.
Browser-Use testete 586 Aufgaben, nachdem 55 veraltete entfernt wurden (nicht mehr verfügbare Apple-Produkte, abgelaufene Flugdaten, von Quellwebseiten gelöschte Rezepte). Die Tests wurden auf lokalen Rechnern mit GPT-4o zur Auswertung durchgeführt. Technische Änderungen: Migration von der OpenAI-API zu LangChain, Überarbeitung der Systemabfragen.
Skyvern führte 635 Aufgaben in der Skyvern Cloud mit asynchronen Cloud-Browsern aus, nicht mit sicheren lokalen IPs. Acht Aufgaben mit ungültigen Antworten wurden entfernt. Die Daten in Flug-/Hotelaufgaben wurden von 2023/2024 auf 2025 aktualisiert. Cloud-Tests setzen Agenten der Bot-Erkennung und CAPTCHAs aus, die bei lokalen Tests vermieden werden. Vollständige Testaufzeichnungen mit allen Aktionen und Entscheidungen sind unter eval.skyvern.com verfügbar. Kürzlich fand die „Launch Week“ (Ende Januar) statt, in der das SDK v1+ mit Unterstützung für eingebettete (lokale) und Remote- (Cloud-)Modi sowie die neue Funktion „SOP Upload“ vorgestellt wurde. Diese Funktion importiert Standardarbeitsanweisungen (SOPs) und führt Webaufgaben automatisch aus. 1
Agent-E testete den vollständigen Datensatz mit 643 Aufgaben unverändert. Dabei wurde ausschließlich DOM-Parsing verwendet, keine Bildverarbeitungsmodelle oder Screenshots. Vergleichsbasis: der ursprüngliche WebVoyager-Agent, nicht die GPT-40-Evaluierung. Die Leistung sank auf Websites mit dynamischen Formularen, deren DOM-Struktur sich nach der Benutzereingabe ändert (z. B. Dropdown-Menüs, die je nach Auswahl neue Felder anzeigen). Starke Leistung auf statischen Websites: Wolfram (95,7 %), Google Suche (90,7 %), Google Maps (87,8 %). Schwächen auf dynamischen Websites: Booking.com (27,3 %), Google Flights (35,7 %).
Entscheidende Einschränkung: Diese Benchmarks laufen auf kooperativen Websites ohne umfassenden Bot-Schutz. Die Erfolgsraten in der Praxis werden bei Systemen wie Cloudflare, DataDome oder ähnlichen Abwehrmechanismen geringer ausfallen. Skyvern führte die Tests auf einer Cloud-Infrastruktur durch, um Produktionsbedingungen zu simulieren, während Browser-Use und Agent-E lokale Rechner mit zugelassenen IP-Adressen nutzten.
Aktuelle wichtige Updates
Sicherheitskrise: Verbreitung der OpenClaw-Malware
Zwischen Ende Januar und Anfang Februar wurden über 400 bösartige „Skills“ auf ClawHub (dem Marktplatz von OpenClaw) hochgeladen, die Malware zum Diebstahl von Zugangsdaten verbreiteten. 2 , Anthropologie und Palo Alto Networks haben Warnungen herausgegeben. Sicherheitsforscher empfehlen nun, ausschließlich isolierte Umgebungen und verifizierte Quellen zu verwenden.
OpenClaw-Viralwachstum
OpenClaw (ehemals Moltbot/Clawdbot) hat 147.000 GitHub-Sterne erreicht und ist damit das am schnellsten wachsende Open-Source-KI-Projekt. Es läuft lokal, lässt sich in Messaging-Plattformen integrieren und nutzt das Model Context Protocol für über 100 Dienste. 3 Cloudflare hat die Moltworker-Middleware zur Unterstützung seiner Infrastruktur veröffentlicht. 4
Moltbook: Soziales Netzwerk für KI-Agenten
Ein ausschließlich mit KI betriebenes soziales Netzwerk ging Ende Januar an den Start und erreichte innerhalb weniger Tage 1,5 Millionen Agenten. Die Agenten posten und interagieren autonom, während Menschen die Aktivitäten beobachten. 5
Standardisierung des Modellkontextprotokolls
MCP hat sich mit über 100 verfügbaren Servern zum dominierenden Protokoll für die Agenten-Tool-Integration entwickelt. Management und Governance sind heute für Unternehmensimplementierungen unerlässlich.
NVIDIA Nemotron 3 Modelle
NVIDIA hat die Nemotron-3-Familie (Nano, Super, Ultra) veröffentlicht, die für agentenbasierte KI optimiert ist und einen viermal höheren Durchsatz bietet. Sie umfasst NeMo Gym und das Agentic Safety Dataset auf GitHub sowie Hugging Face. 6
Autonome Webagenten und Kopiloten
Tools, die mit minimaler Anleitung durch Webseiten navigieren und mehrstufige Aufgaben erledigen.
Allgemeine autonome Agenten
OpenClaw (ehemals Moltbot/Clawdbot) : Führen Sie dieses Tool auf Ihrem lokalen Rechner aus, um Aufgaben in Messaging-Apps, Kalendern und E-Mails zu automatisieren. Geben Sie einfach den Befehl „Plane ein Meeting mit dem Team für nächsten Dienstag und versende Kalendereinladungen“, und OpenClaw kümmert sich um den gesamten Workflow. Dank des Model Context Protocol (MCP) können über 100 Dienste ohne Cloud-API-Aufrufe angebunden werden.
Wer nutzt es? Frühanwender, die bereit sind, die Sicherheitsrisiken für die lokale Automatisierung zu tragen. Nutzer, die dialogbasierte Schnittstellen für Desktop-Workflows wünschen.
Einschränkungen:
- Schwerwiegende Sicherheitslücken im Skill-Ökosystem (über 400 schädliche Pakete in einer Woche)
- Noch in rasanter Entwicklung mit häufigen grundlegenden Änderungen
- Die Dokumentation ist aufgrund mehrerer Rebranding-Zyklen uneinheitlich.
- Ressourcenintensiv (erfordert erhebliche lokale Rechenleistung)
AgenticSeek: Ersetzen Sie cloudbasierte kommerzielle Dienste durch eine lokale Alternative, die keine Browserdaten an externe Server sendet. Installieren Sie es auf Ihrem Rechner, beschreiben Sie Ihre Anforderungen („Alle Produktpreise von dieser Seite extrahieren“), und AgenticSeek übernimmt das Klicken und die Datenerfassung. Basierend auf Python, läuft es vollständig selbstgehostet.
Wer nutzt es: Datenschutzbewusste Nutzer, die ihre Browserdaten nicht weitergeben möchten. Organisationen mit Anforderungen an den Datenspeicherort.
Einschränkungen:
- Beschränkt auf die gleichzeitige Nutzung auf einem einzelnen Rechner (5-10 Browserinstanzen)
- Keine integrierten Funktionen zur Proxy-Rotation oder zum Schutz vor Erkennung.
- Erfordert die Einrichtung und Wartung einer Python-Umgebung.
- Langsamer als Cloud-Lösungen für umfangreiche Aufgaben
Auto-GPT: Verwaltet Web-Browsing, Dateivorgänge und Codeausführung. Die Bereitstellung erfolgt über die Browseroberfläche oder die Kommandozeile. Bei der Zuweisung einer Aufgabe wie „Preise der Konkurrenz recherchieren und in einer Tabelle speichern“ bestimmt Auto-GPT, welche Websites besucht, welche Daten abgerufen und wie die Ausgabe organisiert wird.
Wer nutzt es: Entwickler, die benutzerdefinierte Automatisierungs-Workflows erstellen. Benutzer, die mit Kommandozeilen-Tools vertraut sind.
Einschränkungen:
- Es fehlen webspezifische Funktionen wie Proxy-Rotation und Cookie-Verwaltung.
- Keine integrierte Bot-Erkennung und -Umgehung (Websites mit Cloudflare blockieren dies).
- Ressourcenintensiv (startet mehrere Browserinstanzen)
- Erfordert manuelle Eingabeaufforderungen für komplexe Aufgaben
AgentGPT: Konfigurieren Sie Agenten direkt im Browser, ohne Code schreiben zu müssen. Entwickeln Sie spezialisierte Agenten wie „ResearchGPT“ oder „DataGPT“, die Ziele in einzelne Schritte unterteilen. Die Plattform übernimmt die Orchestrierung. Sie beschreiben lediglich Ihre Anforderungen. Die Lösung ist selbsthostbar, falls Sie die gehostete Version nicht nutzen möchten.
Wer nutzt es? Anwender ohne technische Vorkenntnisse, die eine einfache Automatisierung benötigen. Teams wünschen sich gemeinsam genutzte Agentenkonfigurationen.
Einschränkungen:
- Begrenzte Anpassungsmöglichkeiten im Vergleich zu programmierten Lösungen
- Leistungsengpässe bei komplexen, mehrstufigen Aufgaben
- Bei der gehosteten Version werden die Daten an deren Server gesendet (aus Datenschutzgründen ist Selbsthosting erforderlich).
- Keine erweiterten Funktionen wie Browser-Fingerprinting oder CAPTCHA-Verarbeitung
SuperAGI: Ein Framework zum Erstellen benutzerdefinierter autonomer Agenten mit Vorlagen für gängige Arbeitsabläufe. Erweitern Sie es mit Ihrer eigenen Logik. Browserautomatisierung wird als eine Komponente größerer Arbeitsabläufe behandelt. Lokal bereitstellen oder in die Cloud-Infrastruktur übertragen.
Wer nutzt es: Entwicklungsteams, die Produktionsagentensysteme erstellen. Organisationen benötigen anpassbare Automatisierungsframeworks.
Einschränkungen:
- Steile Lernkurve (erfordert Verständnis der Agentenarchitektur)
- Die Vorlagenbibliothek ist noch eingeschränkt (für die meisten Anwendungsfälle ist eine individuelle Entwicklung erforderlich).
- Dokumentationslücken bei erweiterten Funktionen
- Aktive Entwicklung bedeutet grundlegende Änderungen zwischen Versionen.
Nanobrowser: Als Chrome-Erweiterung installieren und anschließend die Browser-Agenten über die Symbolleiste steuern. Ideal für schnelle Aufgaben wie „Alle E-Mails von dieser Seite extrahieren“ oder „Dieses Formular mit Daten aus meiner Tabelle ausfüllen“.
Wer nutzt es? Gelegenheitsnutzer, die ab und zu Browserautomatisierung benötigen. Nutzer, die keine Server oder Python-Umgebungen einrichten.
Einschränkungen:
- Lässt sich nicht über wenige Tabs hinaus skalieren (keine gleichzeitige Verarbeitung).
- Keine Integration mit Backend-Automatisierungspipelines
- Beschränkt auf den Chrome-Browser
- Erweiterungsberechtigungen geben Anlass zu Sicherheitsbedenken
OpenManus : Eine Open-Source-Alternative zu kommerziellen Browserautomatisierungsdiensten. Führt Browseraufgaben aus, die Stunden oder Tage dauern, wie z. B. die Überwachung von Websites auf Preisänderungen oder das Warten auf die Wiederverfügbarkeit von Produkten. Lokale Bereitstellung mit Python und Docker, läuft im Hintergrund.
Aktuelle Information: DeepWisdom (Muttergesellschaft von OpenManus) hat Mitte Januar seine Kernagententechnologie offiziell in Atoms umbenannt. Das neue Atoms-Framework verlagert den Fokus von Tools für Hobbyentwickler hin zur professionellen Agentenbereitstellung mit integrierten Modulen für Zahlungen und Authentifizierung. 7
Wer nutzt es: Anwender, die Überwachungsaufgaben mit langer Laufzeit durchführen. Entwickler erstellen automatisierte Benachrichtigungssysteme.
Einschränkungen:
- Erfordert Docker- und Python-Setup
- Keine integrierte Proxy-Unterstützung (Websites erkennen wiederholte Anfragen von derselben IP-Adresse).
- Speicherlecks bei langlaufenden Aufgaben (erfordert regelmäßige Neustarts)
- Die Umbenennung in Atoms könnte zu Verwirrung in der Dokumentation führen.
Computer-Benutzer-Agenten
Desktop-Automatisierung, die Browser als einen Bestandteil umfassenderer Computer-Workflows steuert.
OpenInterpreter: Ein terminalbasierter Agent, der Python-, JavaScript- und Shell-Skripte basierend auf Ihren Eingaben ausführt. Geben Sie beispielsweise den Befehl „Diese Website scrapen und die Daten mit pandas analysieren“ ein, woraufhin OpenInterpreter den Scraping-Code generiert, ausführt und anschließend die Analyse durchführt. Die Browserautomatisierung integriert sich mit dem Dateisystemzugriff und der Datenverarbeitung.
Wer nutzt es: Entwickler, die mit Terminal-Oberflächen vertraut sind. Datenwissenschaftler kombinieren Web-Scraping mit Analyse-Workflows.
Wann es sinnvoll ist: Sie benötigen Automatisierung, die sowohl das Surfen im Web als auch lokale Berechnungen umfasst. Sie möchten generierten Code vor der Ausführung prüfen und anpassen. Ihre Arbeitsabläufe beinhalten die Transformation von Daten nach der Erfassung.
Einschränkungen:
- Nur Terminalschnittstelle (keine grafische Benutzeroberfläche)
- Sicherheitsrisiko (führt beliebigen Code auf Ihrem Rechner aus)
- Standardmäßig keine Sandbox (Zugriff auf alle Dateien und Systemressourcen möglich).
- Lernkurve für Nicht-Programmierer
UI-TARS: Ein Forschungsframework aus dem akademischen Bereich, das Screenshots des Desktops erstellt, diese mithilfe von Bildverarbeitungsmodellen analysiert und anschließend Befehle zur Steuerung von GUI-Elementen generiert. Es wurde für die Erprobung neuer Ansätze zur Desktop-Automatisierung entwickelt und ist nicht für den Produktiveinsatz geeignet.
Wer nutzt es: Akademische Forscher, die sich mit bildbasierter Automatisierung beschäftigen. Labore, die multimodale Steuerungssysteme testen.
Wann es sinnvoll ist: Sie forschen im Bereich der bildbasierten Automatisierung. Sie müssen mit verschiedenen Ansätzen zur Screenshot-Analyse experimentieren. Sie verfassen wissenschaftliche Arbeiten über GUI-Automatisierung.
Einschränkungen:
- Nicht serienreif (Forschungsprototyp)
- Hohe Latenz (die Verarbeitung des Bildmodells dauert 2-3 Sekunden pro Aktion)
- Teuer (GPT-4V berechnet Gebühren pro Image-Token)
- Keine Fehlerbehebungs- oder Wiederholungslogik
AutoBrowser MCP: Ein MCP-Server, der es Claude ermöglicht, Chrome-Browser über das Model Context Protocol (MCP) zu steuern und so eine visuelle Browserinteraktion zu realisieren. Claude erkennt den Browserbildschirm, entscheidet, worauf geklickt werden soll, und führt die entsprechende Aktion aus. Läuft als Chrome-Erweiterung und gleichzeitig als lokaler Server.
Wer nutzt es: Claude-Nutzer, die Browsersteuerung wünschen. Entwickler, die MCP-basierte Automatisierungssysteme erstellen.
Wann es sinnvoll ist: Sie verwenden bereits Claude und möchten Browserautomatisierung hinzufügen. Sie bevorzugen die dialogbasierte Steuerung gegenüber programmatischen APIs. Für komplexe Layouts ist eine visuelle Interaktion erforderlich.
Einschränkungen:
- Erfordert Zugriff auf die Claude-API (nicht in allen Regionen verfügbar).
- Die Kosten für das Vision-Modell summieren sich schnell
- Die Latenz ist höher als bei DOM-basierten Ansätzen.
- Beschränkt auf den Chrome-Browser
Open Operator: Die Antwort des Browser-Use-Teams auf OpenAIs Operator. Ermöglicht Sprachmodellen den direkten Zugriff auf Chrome über eine vereinfachte DOM-Ansicht. Sie können Open Operator im vollautomatischen Modus ausführen oder den Genehmigungsmodus aktivieren, in dem Sie jede Aktion vor der Ausführung bestätigen. Die Installation erfolgt über Python oder eine Browsererweiterung.
Aktuelles Update: Browser-Use kündigte Ende Januar die strategische Integration mit Parallel AI an, die mehrfädige Websuchen ermöglicht. Dank des Updates können Agenten bis zu 20 Browser-Schritte pro Minute ausführen und damit die menschliche Leistung bei komplexen Rechercheaufgaben erreichen oder sogar übertreffen. 8
Wer nutzt es: Teams, die bereits das Browser-Use-Framework verwenden. Organisationen benötigen Genehmigungsworkflows für Agentenaktionen.
Wann es sinnvoll ist: Sie benötigen autonomes Browsen mit menschlicher Überwachung. Ihre Arbeitsabläufe erfordern Geschwindigkeit (Multithreading). Sie bauen auf dem Browser-Nutzungs-Ökosystem auf.
Einschränkungen:
- Erfordert die Installation des Browser-Use-Frameworks.
- Der Genehmigungsmodus verlangsamt die Automatisierung erheblich.
- Eingeschränkte Schutzmechanismen gegen Erkennung (Websites mit Bot-Schutz werden es blockieren)
- Nur Python (keine Unterstützung für JavaScript/TypeScript)
Claude Cowork: Eine kürzlich angekündigte Forschungsvorschau erweitert die „Computer Use“-API von Claude um die direkte Interaktion mit Dateisystemen und Browserumgebungen innerhalb einer einheitlichen Desktop-Anwendung. Damit wird ein neuer Maßstab für Open-Source-Agenten gesetzt. 9
Wer nutzt es: Frühanwender mit Zugang zu Forschungsvorschauen. Teams evaluieren die Einsatzmöglichkeiten von Computern der nächsten Generation.
Wenn es sinnvoll ist: Sie wünschen sich eine einheitliche Datei- und Browserautomatisierung. Sie sind mit experimentellen Funktionen, die sich ändern können, vertraut. Sie benötigen eine bildbasierte Desktop-Steuerung.
Einschränkungen:
- Nur für Forschungszwecke (begrenzte Verfügbarkeit)
- Proprietär (nicht Open Source, nur zum Vergleich enthalten)
- Die Preise wurden noch nicht bekannt gegeben.
- Der Funktionsumfang kann sich vor der allgemeinen Veröffentlichung noch erheblich ändern.
Web-Navigationsagenten
Fokus insbesondere auf mehrstufige Website-Workflows.
Agent-E : Liest den HTML-Code von Seiten, um anklickbare Elemente und Navigationspfade zu finden. Nutzt „DOM-Destillation“, um Seiten auf die wesentlichen interaktiven Elemente zu reduzieren, und „Skill Harvesting“, um erfolgreiche Muster zu speichern. Erreichte 73,1 % im WebVoyager-Benchmark mit reinem Text, ohne Bildverarbeitungsmodelle.
Wer nutzt es? Organisationen, die Kosten vor Genauigkeit priorisieren. Entwickler, die DOM-basierte Automatisierungssysteme erstellen.
Wann es sinnvoll ist: Sie benötigen eine schnelle und kostengünstige Automatisierung für statische Websites. Ihre Zielseiten verwenden keine JavaScript-lastigen dynamischen Formulare. Sie können eine Erfolgsquote von 73 % in Kauf nehmen, um die Kosten zu senken.
Einschränkungen:
- Keine integrierte Fehlerbehebung bei unerwarteten Änderungen der DOM-Struktur
- Schwierigkeiten mit dynamischen Formularen, bei denen Dropdown-Menüs je nach Auswahl neue Optionen anzeigen.
- Die Leistung sinkt auf JavaScript-lastigen Websites deutlich.
- Schlechte Ergebnisse auf Buchungsportalen
AutoWebGLM vereinfacht HTML-Code, bevor er an Sprachmodelle übergeben wird. Komplexe Seiten werden auf grundlegende Navigationselemente und Formularfelder reduziert. Mithilfe von Reinforcement Learning werden Navigationsentscheidungen kontinuierlich verbessert. Die Anwendung läuft selbstgehostet mit Python.
Wer nutzt es: Forschungsteams, die RL-basierte Webautomatisierung erforschen. Organisationen mit Rechenressourcen für das Modelltraining.
Wenn es sinnvoll ist: Sie können in das Training benutzerdefinierter Modelle für Ihre spezifischen Websites investieren. Ihre Arbeitsabläufe sind ausreichend repetitiv, um von RL-Optimierung zu profitieren. Sie verfügen über eine Python-ML-Infrastruktur.
Einschränkungen:
- Begrenzte Dokumentation und Unterstützung durch die Gemeinschaft
- Erfordert eine Schulungsphase vor der Inbetriebnahme (kein Plug-and-Play).
- Es bedarf aussagekräftiger Beispiele, um wirksame Strategien zu erlernen.
- Fehler beim Umgestalten von Webseiten-Layouts
Visionbasierte Navigationsagenten
Kombinieren Sie Screenshots mit Textanalysen, um das visuelle Seitenlayout zu interpretieren.
Autogen WebSurfer-Erweiterung : Integriert sich in Microsofts AutoGen-Framework, um Web-Browsing zu ermöglichen. Erfordert die Installation von Playwright. Mit dem Framework können Sie Agententeams erstellen: Ein Agent sucht, ein anderer verarbeitet die Ergebnisse und ein dritter interagiert mit Ihnen.
Wer nutzt es? Teams, die bereits das AutoGen-Framework verwenden. Nutzer des Microsoft-Ökosystems.
Wenn es sinnvoll ist: Sie entwickeln Multiagentensysteme innerhalb von AutoGen. Sie benötigen eine orchestrierte Agentenzusammenarbeit. Sie möchten den Support und die Dokumentation von Microsoft nutzen.
Reale Einschränkungen:
- Begrenzte Beispiele und Gemeinschaftsprojekte
- Erfordert die Übernahme des gesamten AutoGen-Frameworks (eine eigenständige Nutzung ist nicht möglich).
- Der Framework-Overhead lohnt sich für einfache Automatisierungsaufgaben nicht.
- Steile Lernkurve für die Multiagenten-Orchestrierung
Skyvern : Dreiphasensystem: Der Planer unterteilt Aufgaben in Schritte, der Ausführende führt sie aus, und der Validator bestätigt den Erfolg. Screenshots werden erstellt, um Schaltflächen und Formulare visuell zu identifizieren. Dieser Ansatz eignet sich für JavaScript-intensive Websites, bei denen sich das DOM nach dem Seitenaufruf ändert. Erzielte 85,85 % bei WebVoyager. Einsatz als selbstgehostete Lösung oder in der Managed Cloud möglich.
WebVoyager : Ein dreiphasiges System, in dem der Planer Aufgaben in Schritte unterteilt, der Ausführende diese umsetzt und der Validator den Erfolg bestätigt. Es erstellt Screenshots, um Schaltflächen und Formulare visuell zu identifizieren. Es unterstützt JavaScript-intensive Websites, bei denen sich das DOM nach dem Seitenaufruf ändert. WebVoyager erzielte 85,85 %. Die Bereitstellung kann selbst gehostet oder in einer Managed Cloud erfolgen.
Aktuelles Update: Skyvern veranstaltete Ende Januar eine Launch Week und veröffentlichte das SDK v1+ mit Clientbibliotheken für Python und TypeScript. Das SDK unterstützt sowohl den eingebetteten (lokalen) als auch den Remote-Modus (Cloud) und ermöglicht die gemeinsame Nutzung des Browserstatus über das Chrome DevTools-Protokoll. Es kann mit Playwright-Aktionen kombiniert werden, um hybride Automatisierungs-Workflows zu realisieren. 10
Wer nutzt es? Organisationen, die hohe Genauigkeit bei modernen Webanwendungen benötigen. Teams, die bereit sind, die Kosten für ein Bildverarbeitungsmodell zu tragen, um bessere Ergebnisse zu erzielen.
Wann es sinnvoll ist: Ihre Zielseiten verwenden umfangreiches JavaScript und dynamische Layouts. Sie benötigen eine Genauigkeit von mindestens 85 %. Sie können sich 10- bis 20-mal höhere Kosten als beim DOM-Parsing leisten. Ihre Arbeitsabläufe rechtfertigen eine Cloud-Infrastruktur.
Einschränkungen:
- Die selbstgehostete Version benötigt erhebliche Rechenleistung für Bildverarbeitungsmodelle.
- Teuer (GPT-4V berechnet Gebühren pro Bildtoken; jeder Seitenaufruf kostet 10-20 Mal mehr als das DOM-Parsing)
- Langsamer als DOM-Verfahren (2-3 Sekunden pro Seite für die Bildverarbeitung)
- Cloud-Bereitstellung setzt Sie der Bot-Erkennung aus
LiteWebAgent : Ein visuelles Sprachmodell mit Speicher und Planungsfunktionen, das Chrome über das DevTools-Protokoll steuert. Es erhält den Kontext über Seitenaufrufe hinweg und merkt sich die Informationen vorheriger Seiten für Navigationsentscheidungen. Python-Framework, selbstgehostete Bereitstellung.
Wer nutzt es: Entwickler, die benutzerdefinierte, bildbasierte Agenten erstellen. Teams benötigen seitenübergreifenden Speicher.
Wenn es sinnvoll ist: Ihre Arbeitsabläufe erfordern das Speichern von Informationen über mehrere Seiten hinweg. Sie benötigen Bildverarbeitungsfunktionen, wünschen sich aber mehr Kontrolle als mit Skyvern. Sie können Ihre Python-ML-Infrastruktur beibehalten.
Einschränkungen:
- Erfordert erhebliche Rechenleistung für Bildverarbeitungsmodelle
- Die Speicherarchitektur erhöht die Komplexität und die Ausfallmöglichkeiten.
- Eingeschränkte Tests auf Produktionswebseiten mit Bot-Erkennung
- Kleine Community (weniger Beispiele und Integrationen als Alternativen)
Agentenaktivierungstools
Frameworks, die es LLMs oder Benutzern ermöglichen, Befehle an Browser zu senden, ohne dass eine autonome Aufgabenplanung erforderlich ist.
Natürliche Sprache zu Webaktion
LaVague : Sie sagen: „Klicken Sie auf den grünen Button.“ LaVague findet ihn und klickt ihn an. Es kümmert sich um die Elementidentifizierung in verschiedenen Seitenlayouts. Ideal für wiederkehrende Aufgaben, bei denen Sie genau wissen, was Sie wollen, aber keine Selektoren schreiben möchten. Basierend auf Python, läuft selbstgehostet.
ZeroStep : Wandelt Dialoganweisungen in Playwright-Testcode um. Sie beschreiben die Aktion in einfachem Englisch, ZeroStep generiert die Playwright-Befehle. Beschleunigt das Schreiben von Tests, wenn Sie Playwright bereits verwenden. Node.js-CLI-Tool.
LLM-Browser-Brücken
Verbinden Sie Sprachmodelle direkt mit Browsersteuerelementen.
Browser-Use : Restrukturiert unübersichtliches DOM für LLMs. Es entfernt irrelevante Elemente, kennzeichnet interaktive Komponenten und bietet Steuerungsschnittstellen. Dadurch erreichte Browser-Use 89,1 % bei WebVoyager. Verfügbar als Python-Bibliothek oder API, kann selbst gehostet oder in der Cloud eingesetzt werden.
Browserless : Remote Chrome-Instanzen, die Sie per REST oder WebSocket steuern. Starten Sie Hunderte von Browsern in der Cloud, ohne Infrastruktur verwalten zu müssen. Jeder Browser läuft ohne grafische Benutzeroberfläche (GUI). Nutzen Sie die gehostete API oder Docker für das Self-Hosting.
ZeroStep (Playwright AI) : Eine KI-Ebene für Playwright. Schreiben Sie Eingabeaufforderungen anstelle von Selektoren. Kombiniert die Zuverlässigkeit von Playwright mit der Flexibilität von LLM zur Elementidentifizierung. Erfordert die Installation von Node.js und Playwright.
Webautomatisierungs- und Scraping-Toolkits
Aufgabenspezifische Werkzeuge, mit denen Sie jeden Auftrag einzeln starten.
Browser-Automatisierungserweiterungen
PulsarRPA : Chrome-Erweiterung zur Datenextraktion. Einfach eine Tabelle oder Liste auswählen, die zu extrahierenden Daten angeben, und PulsarRPA erledigt den Rest. Inklusive Backend für die Planung und Speicherung der Ergebnisse.
Wer nutzt es: Anwender ohne technische Vorkenntnisse, die regelmäßig Daten extrahieren müssen. Business-Analysten übertragen Daten in Tabellenkalkulationen.
Wenn es sinnvoll ist: Sie extrahieren wiederholt Daten von denselben Websites. Sie möchten keinen Code schreiben. Sie benötigen eine Zeitplanung und eine Ergebnisspeicherung. Ihre Zielwebsites blockieren keine Browsererweiterungen.
Einschränkungen:
- Nur für Chrome (nicht für Firefox oder Safari)
- Fehler auftreten, wenn Zielseiten ihr Layout ändern
- Keine Proxy-Unterstützung (Websites erkennen wiederholte Anfragen von derselben IP-Adresse).
- Beschränkt auf die Extraktion tabellarischer Daten
VimGPT : Ein experimentelles Projekt, bei dem GPT-4 Vision den Browser über Vimium-Tastenkombinationen steuert. Das Modell erkennt Screenshots und generiert entsprechende Tastaturbefehle.
Wer nutzt es: Forscher, die die Kombination von Bildverarbeitung und Tastatursteuerung untersuchen. Vim-Enthusiasten sind neugierig auf KI-Automatisierung.
Wann es sinnvoll ist: Sie forschen an tastaturgesteuerter Automatisierung. Sie möchten die Fähigkeiten von Bildverarbeitungsmodellen verstehen. Sie setzen keine Produktionsautomatisierung ein.
Einschränkungen:
- Nur für experimentelle Zwecke (nicht praktikabel für den realen Einsatz)
- Erfordert die Vimium-Erweiterung und ein Python-Backend.
- Hohe Latenz (Bildverarbeitung + Befehlsgenerierung)
- Teuer (GPT-4V kostet pro Screenshot)
KI-Scraper und Crawler
Crawl4AI : Ein Crawler, der LLMs nutzt, um relevante Inhalte auf einer Seite zu identifizieren. Anstatt alles zu erfassen, ermittelt er die für Ihr Ziel relevanten Inhalte. Er basiert auf Python und lässt sich in gängige Web-Scraping-Bibliotheken integrieren.
Jüngstes Wachstum: Platz 1 der GitHub-Trends erreicht und über 58.000 Sterne gesammelt. Optimiert für die LLM-Integration mit Markdown-Ausgabe und BM25-Inhaltsfilterung. Beliebte Wahl für RAG-Pipelines, die eine lokale Bereitstellung erfordern. 11
Wer nutzt es: Entwickler, die RAG-Systeme erstellen. Teams, die lokalen LLM-Support ohne API-Kosten benötigen.
Wenn es sinnvoll ist: Sie entwickeln LLM-Anwendungen, die Webdaten benötigen. Sie wünschen sich Ausgaben im Markdown-Format. Sie benötigen eine lokale Bereitstellung ohne Abhängigkeiten von Cloud-APIs. Ihr Anwendungsfall umfasst Inhaltsfilterung und Relevanzbewertung.
Einschränkungen:
- Erfordert, dass LLM lokal oder über die API ausgeführt wird (nicht als Standalone-Version).
- Langsamer als herkömmliche Web-Scraper (LLM-Verarbeitung pro Seite)
- Könnte wichtige Inhalte verpassen, wenn LLM falsch beurteilt wird
- Höherer Ressourcenverbrauch als regelbasierte Web-Scraper
FireCrawl : Konvertiert Websites in sauberes Markdown oder JSON. Navigation, JavaScript-Rendering und Inhaltsextraktion werden übernommen. Die Ausgabe ist für die Verwendung in LLM-Kontextfenster strukturiert. Verfügbar als Node.js-Bibliothek oder CLI.
Wer nutzt es? LLM-Anwendungsentwickler. Teams entwickeln KI-Systeme zur Verarbeitung von Webinhalten.
Wann es sinnvoll ist: Sie benötigen eine saubere Textextraktion für die LLM-Verarbeitung. Ihre Zielseiten verwenden JavaScript-Rendering. Sie benötigen eine strukturierte Ausgabe (Markdown/JSON). Sie entwickeln Node.js-Anwendungen.
Einschränkungen:
- Nur Node.js (keine Python-Bindings)
- Meinungsbasierte Markdown-Konvertierung (dabei kann die benötigte Formatierung verloren gehen)
- Begrenzte Anpassung der Extraktionsregeln
- Keine eingebaute Ratenbegrenzung oder Anti-Erkennungsfunktion
GPT-Crawler : Durchsucht Websites und gibt Trainingsdaten für benutzerdefinierte GPTs aus. Geben Sie ihm eine Dokumentation oder eine Wissensdatenbank als Ziel an; er extrahiert die Inhalte und formatiert sie für das Feintuning. Python-CLI-Tool.
Wer nutzt es: Teams, die maßgeschneiderte GPT-Modelle erstellen. Organisationen entwickeln domänenspezifische KI-Assistenten.
Wann es sinnvoll ist: Sie optimieren Sprachmodelle. Sie benötigen strukturierte Trainingsdaten aus Webquellen. Ihre Inhalte bestehen aus Dokumentationen oder Wissensdatenbanken. Sie können Python-CLI-Tools ausführen.
Einschränkungen:
- Ausgabeformat spezifisch für die GPT-Feinabstimmung (nicht allgemein verwendbar)
- Keine inkrementellen Aktualisierungen (die gesamte Website muss erneut nach Aktualisierungen durchsucht werden)
- Eingeschränkte Handhabung von Authentifizierung oder Bezahlschranken
- Setzt eine statische Inhaltsstruktur voraus
ScrapeGraphAI : Erstellt Wissensgraphen aus gecrawlten Inhalten. Ideal für Dokumentationsseiten, auf denen Beziehungen zwischen Konzepten verstanden werden müssen. Gibt strukturierte Zusammenfassungen oder Faktengraphen aus. Einsatz in Python.
Wer nutzt es: Wissensmanagement-Teams. Forscher erstellen Concept Maps aus Webinhalten.
Wenn es sinnvoll ist: Sie benötigen Beziehungsextraktion, nicht nur Inhaltsanalyse. Ihre Zielseiten sind Dokumentations- oder Schulungsinhalte. Sie erstellen Wissensdatenbanken oder Konzeptkarten. Sie verfügen über eine Python-Infrastruktur.
Einschränkungen:
- Komplexe Einrichtung (erfordert Graphdatenbank und NLP-Modelle)
- Langsamer als einfache Web-Scraper (Entitätsextraktion + Beziehungsmapping)
- Die Qualität hängt von der Struktur des Quellinhalts ab.
- Beschränkt auf Text (verarbeitet Tabellen und Bilder nicht gut)
AutoScraper: Ein Web-Scraper, der anhand von Beispielen lernt. Zeigen Sie ihm eine Seite mit den gewünschten Daten, er erkennt das Muster und wendet es auf ähnliche Seiten an. Eine schlanke Python-Bibliothek für einfache Datenextraktionsaufgaben.
Wer nutzt es? Entwickler, die Daten schnell extrahieren müssen, ohne XPath- oder CSS-Selektoren schreiben zu müssen. Teams entwickeln Prototypen für Web-Scraping-Workflows.
Wenn es sinnvoll ist: Ihre Zielseiten folgen einheitlichen Mustern. Sie möchten keine Selektoren manuell schreiben. Sie benötigen schnelle Prototypen. Ihre Websites ändern ihr Layout nicht häufig.
Einschränkungen:
- Fehler beim Ändern des Seitenlayouts
- Beschränkt auf ähnliche Seitenstrukturen (nicht auf andere Websites übertragbar)
- Keine Unterstützung für JavaScript-Rendering
- Einfache Mustererkennung (keine KI-gestützte Inhaltsanalyse)
LLM-Scraper : Senden Sie eine Seite an ein LLM-Modell und fordern Sie beispielsweise an, „alle Produktpreise zu extrahieren“ oder „Kontaktinformationen zu finden“. Das Modell interpretiert Ihre Anfrage und ruft die relevanten Daten ab. Flexibel, aber teurer als regelbasierte Scraper. Basierend auf Python.
Wer nutzt es? Teams, die eine flexible Extraktion benötigen, ohne Regeln schreiben zu müssen. Entwickler, die einmalige Extraktionsaufgaben erstellen.
Wann es sinnvoll ist: Seitenstrukturen variieren zu stark für eine regelbasierte Extraktion. Sie benötigen semantisches Verständnis („Finde den Namen des Autors“). Die Kosten sind nicht Ihr Hauptanliegen. Sie wünschen sich eine schnelle Entwicklung ohne Selektor-Engineering.
Einschränkungen:
- Teuer (LLM-API-Kosten pro Seite)
- Langsamer als regelbasierte Scraper (API-Latenz)
- Kann falsche Daten extrahieren, wenn die Eingabeaufforderung nicht eindeutig ist.
- Keine Garantie für eine konsistente Feldextraktion über alle Seiten hinweg.
KI-Suchwerkzeuge
BingGPT : Chat-Oberfläche, die die Bing-Suche mit GPT-Antworten kombiniert. Stellen Sie Fragen und erhalten Sie Antworten mit Quellenangaben. Desktop-Anwendung, nicht browserbasiert.
BraveGPT : Eine KI-Suchmaschinenerweiterung , die GPT-Antworten zu den Brave-Suchergebnissen hinzufügt. Sie sehen sowohl die herkömmlichen Suchergebnisse als auch eine KI-Zusammenfassung nebeneinander. Die Erweiterung wird direkt auf den Suchseiten eingeblendet.
Web-Control-Frameworks für Entwickler
Low-Level-Bibliotheken zur programmatischen Browsersteuerung.
Testframeworks
Playwright: Microsofts browserübergreifende Automatisierungslösung. Unterstützt Chromium, Firefox und WebKit. Integrierte Wartefunktionen, Netzwerküberwachung und Mobilemulation. Verfügbar in JavaScript, Python, .NET und Java. Branchenstandard für moderne Webtests.
Selenium : Das ursprüngliche Framework zur Browserautomatisierung. Funktioniert mit allen gängigen Browsern. Umfangreiches Ökosystem, aber ältere Architektur. Sprachbindungen für Python, Java, C#, Ruby und weitere Sprachen. WebDriver-Protokollstandard.
taiko : Ein ThoughtWorks-Framework mit gut lesbarer Syntax. Ideal für funktionale Tests, bei denen die Lesbarkeit der Tests wichtig ist. Nur für Node.js.
Automatisierungsbibliotheken
Puppeteer : Googles Bibliothek zur Steuerung von Chrome/Chromium. Hochwertige API für Screenshots, PDF-Erstellung und Web-Scraping. Kompatibel mit TypeScript und dem Node.js-Ökosystem. Standard für die Automatisierung von Chrome im Headless-Modus.
Browsernutzung : Wurde zuvor als LLM-Bridge erwähnt, dient aber auch als Bibliothek zur Entwicklerautomatisierung. Konvertiert das DOM in ein strukturiertes Format und übernimmt Navigation und Interaktion. Python-Bibliothek mit API-Option.
Was unterscheidet diese Webagenten?
Browser-Use erzielte in den WebVoyager-Tests 89,1 % (nach Entfernung von 55 veralteten Aufgaben), während Agent-E im vollständigen Datensatz 73,1 % erreichte. Browser-Use nutzt autonome Aufgabenplanung mit LangChain-Integration. Agent-E analysiert die DOM-Struktur direkt ohne Bildverarbeitungsmodelle, was zwar schneller ist, aber bei Websites mit dynamischen Dropdown-Menüs oder der Anzeige neuer Optionen basierend auf Benutzerauswahlen Schwierigkeiten bereitet.
Autonomiestufen
Vollautonome Agenten wie Browser-Use, Skyvern und Agent-E akzeptieren übergeordnete Ziele („den günstigsten Flug nach Paris finden“) und planen ihre Navigationsschritte selbstständig. Sie passen sich unerwarteten Elementen wie Cookie-Bannern oder Captchas an. Allerdings erfordert jede Entscheidung einen LLM-Aufruf, was Kosten und Reaktionszeit erhöht.
Schritt-für-Schritt-Anleitungstools wie LaVague und ZeroStep führen spezifische Befehle aus („Suchschaltfläche anklicken“, „Text in Feld 2 eingeben“). Die Ausführung erfolgt schneller, da der Planungsaufwand entfällt. Wird das Layout einer Website jedoch geändert, müssen die Anweisungen manuell aktualisiert werden.
Manuelle Codierungsframeworks wie Playwright und Selenium erfordern expliziten Code für jeden Klick, jedes Formularfeld und jede Navigation. Tests laufen jedes Mal identisch ab, bis die Website eine Element-ID oder einen Klassennamen ändert. Dann funktionieren die Selektoren nicht mehr und der Code muss neu geschrieben werden.
Wie sie Seiten interpretieren
Bildverarbeitung: Skyvern 2.0, WebVoyager und VimGPT erfassen Screenshots und senden diese an Bildverarbeitungsmodelle wie GPT-4V. Diese identifizieren Schaltflächen und Formulare anhand der gerenderten Seite.
Skyvern 2.0 verwendet einen Planer-Akteur-Validator-Zyklus. Der Planer zerlegt komplexe Aufgaben in kleinere Ziele, der Akteur führt diese aus, und der Validator überprüft den Erfolg jedes Ziels. Dieser dreiphasige Ansatz trug dazu bei, dass Skyvern die Erfolgsquote von 45 % (Version mit einfacher Eingabeaufforderung) auf 68,7 % (mit Planer) und schließlich auf 85,85 % (mit Validator, der die korrekte Ausführung der Aktionen prüft) steigern konnte.
Bildverarbeitung funktioniert auf JavaScript-lastigen Websites, bei denen das DOM nach dem Seitenaufruf neu aufgebaut wird. GPT-4V berechnet jedoch Kosten pro Bildtoken, wodurch jeder Seitenaufruf 10- bis 20-mal teurer ist als das Lesen von HTML. Bildverarbeitungsmodelle benötigen zudem 2–3 Sekunden mehr Zeit pro Seite als das DOM-Parsing.
DOM-Parsing: Browser-Use und Agent-E lesen den HTML-Code der Seite direkt. Sie durchsuchen den Code nach anklickbaren Elementen, Eingabefeldern und Navigationslinks.
Agent-E nutzt „DOM-Destillation“, um komplexe Seiten auf wesentliche Elemente zu reduzieren, und „Skill Harvesting“, um erfolgreiche Interaktionsmuster zu speichern und wiederzuverwenden. Auf Websites wie Huggingface, Apple und Amazon übertraf er den multimodalen WebVoyager-Agenten (der Bildverarbeitung nutzt) allein mit Text. Die Planung von Agent-E gerät jedoch ins Stocken, wenn Websites dynamisch neue Optionen anzeigen – beispielsweise Dropdown-Menüs, die sich je nach Auswahl ändern.
DOM-Parsing ist kostengünstiger und schneller. Die Genauigkeit von 89,1 % bei Browser-Use beruht teilweise auf der Integration von LangChain und aktualisierten Eingabeaufforderungen, nicht nur auf dem Überspringen von Bildverarbeitungsaufrufen. DOM-basierte Ansätze stoßen jedoch an ihre Grenzen, wenn Websites Shadow-DOM, verschleierte Klassennamen oder umfangreiche JavaScript-Manipulationen verwenden.
Kombinierter Ansatz: LiteWebAgent und AutoWebGLM analysieren das DOM auf seine Struktur und überprüfen anschließend mithilfe von Bildverarbeitung, was die Nutzer tatsächlich sehen. Genauer als die alleinige DOM-Analyse, kostengünstiger als reine Bildverarbeitung, allerdings laufen zwei Systeme pro Seite.
Spezialisierung
Auto-GPT und AgenticSeek übernehmen neben Dateivorgängen und Codeausführung auch das Surfen im Web. Ihnen fehlen jedoch webspezifische Funktionen wie Proxy-Rotation und Cookie-Verwaltung, was ihre Effektivität auf Websites mit Bot-Erkennung einschränkt.
Agent-E und WebVoyager sind ausschließlich für die Webnavigation zuständig. Agent-E erreichte im vollständigen WebVoyager-Datensatz mit 643 Aufgaben eine Gesamtquote von 73,1 % und übertraf damit den multimodalen WebVoyager-Agenten mit 57,1 %. Starke Leistung zeigte er auf Websites wie Wolfram (95,7 %), Google Search (90,7 %) und Google Maps (87,8 %). Schwächen zeigte er auf dynamischen Websites: Nur 27,3 % auf Booking.com und 35,7 % auf Google Flights, wo sich Dropdown-Menüs und Formularfelder je nach Nutzerauswahl ändern.
Crawl4AI und FireCrawl extrahieren Daten und konvertieren Seiten in Markdown oder JSON. Sie füllen keine Formulare aus und führen keine Workflows durch. Verwenden Sie sie, wenn Sie Inhalte in strukturierter Form benötigen, nicht aber, wenn Sie mehrstufige Aufgaben erledigen müssen.
Playwright und Selenium automatisieren Browsertests. Sie liefern bei wiederholten Testläufen identische Ergebnisse, was für Regressionstests unerlässlich ist. Diese Deterministik bedeutet jedoch, dass sie sich nicht anpassen können. Ändert sich eine Website, schlägt Ihre Testsuite fehl.
Bereitstellungsoptionen
Lokale Ausführung: AgenticSeek, Nanobrowser und OpenInterpreter laufen auf Ihrem Rechner. Ihre Browserdaten bleiben lokal, und Sie vermeiden API-Kosten. Ein typischer Arbeitsplatzrechner kann jedoch nur 5–10 gleichzeitige Browserinstanzen verarbeiten, bevor die CPU-/RAM-Kapazität voll ausgelastet ist.
Cloud-APIs: Browserless stellt Remote-Chrome-Instanzen via REST oder WebSocket bereit. Sie können Hunderte paralleler Sitzungen mit automatischer Proxy-Rotation starten. Jede Anfrage verursacht im Vergleich zu lokalen Browsern eine zusätzliche Latenz von 100–300 ms, und Ihr Datenverkehr wird über deren Server geleitet, sofern Sie nicht selbst mit Docker hosten.
Flexible Bereitstellung: Skyvern läuft während der Entwicklung lokal und wird anschließend für den Produktivbetrieb in die Cloud bereitgestellt. Der Benchmark wurde tatsächlich in der Skyvern Cloud (nicht auf lokalen Rechnern) ausgeführt, um realitätsnahe Bedingungen mit asynchronen Cloud-Browsern und realistischen IP-Adressen zu testen. Die meisten Benchmarks laufen auf sicheren lokalen IPs mit guten Browser-Fingerprints, was nicht der Produktionsrealität entspricht.
Integrationsmuster
AutoGens WebSurfer erfordert die Übernahme des gesamten Multiagenten-Frameworks von Microsoft. Man erhält zwar eine integrierte Agentenorchestrierung und Speicherverwaltung, die Integration in bestehende Systeme gestaltet sich jedoch schwierig.
Browser-Use und Playwright funktionieren als eigenständige Bibliotheken. Sie können in jedes Python- oder Node.js-Projekt eingebunden werden. Allerdings müssen Sie die Agentenkoordination, die Fehlerbehandlung und die Ergebnisspeicherung selbst implementieren.
Nanobrowser und BraveGPT werden als Chrome-Erweiterungen installiert. Es ist keine Serverkonfiguration erforderlich – einfach zum Browser hinzufügen und loslegen. Die Skalierung ist auf wenige gleichzeitig geöffnete Tabs beschränkt, und die Integration in Backend-Automatisierungspipelines ist nicht möglich.
Produktionsüberlegungen
Skyvern und Browserless bieten Unterstützung für Residential Proxys, zufällige Mausbewegungen und die Rotation des Browser-Fingerabdrucks. Diese Funktionen verhindern IP-Sperren und CAPTCHA-Abfragen auf geschützten Websites.
WebVoyager und AutoWebGLM konzentrieren sich auf Navigationsalgorithmen. Agent-E erreichte mit reinem Text-DOM-Parsing eine Erkennungsrate von 73,1 % und übertraf damit WebVoyagers multimodalen Ansatz von 57,1 %. Produktionsumgebungen mit Cloudflare oder DataDome blockieren Agenten jedoch ohne geeignete Anti-Erkennungs-Maßnahmen.
Wichtiger Kontext für die Benchmarks: Browser-Use und Agent-E führten ihre Tests lokal mit sicheren IP-Adressen durch. Skyvern hingegen testete in einer Cloud-Infrastruktur, um reale Produktionsbedingungen zu simulieren, wo Bot-Erkennung, Browser-Fingerprinting und CAPTCHA-Herausforderungen auftreten. Die Benchmark-Tests selbst laufen auf kooperativen Websites ohne aggressiven Bot-Schutz, daher werden die Erfolgsquoten in der Praxis niedriger ausfallen als die hier dargestellten Zahlen vermuten lassen.
Benchmark-Quellen
Referenzlinks
Seien Sie der Erste, der kommentiert
Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich.