Beste 30+ Open-Source-Web-Agenten
Wir haben 30+ Open-Source-Web-Agenten in vier Kategorien getestet: autonome Agenten, Computer-Nutzungs-Controller, Web Scraper und Entwickler-Frameworks.
Wir haben identische Benchmarks mit der WebVoyager-Testsuite durchgeführt, die 643 Aufgaben auf 15 echten Websites abdeckt, um zu messen, welche Tools tatsächlich mehrstufige Web-Aufgaben abschließen und welche scheitern, wenn Websites dynamische Dropdowns oder JavaScript-lastige Layouts verwenden.
Open-Source-Web-Agenten: GitHub-Sterne
WebVoyager-Benchmark: Methodik
Getestete Agenten
Wir haben Agenten aufgenommen, die alle drei Kriterien erfüllten: öffentlich verfügbarer Quellcode, ein veröffentlichter Score im WebVoyager-Benchmark aus der eigenen Evaluation des Agenten und aktive Wartung (letzter Commit innerhalb von 6 Monaten vor unserem Überprüfungsdatum).
- Browser-Use: LLM-Browser-Brücke, DOM-basiert mit LangChain-Integration
- Skyvern 2.0: Visionsbasiert, Planer-Akteur-Validator-Architektur, Cloud-Bereitstellung
- Agent-E: Nur DOM, keine Vision-Modelle, vollständiger 643-Aufgaben-Datensatz
- WebVoyager: Ursprüngliche multimodale Baseline, GPT-4V + DOM-Hybrid
Agenten, die im umfassenderen Artikel aufgeführt sind, aber keine veröffentlichten WebVoyager-Scores haben (Automatisch-GPT, AgenticSeek, OpenManus, LaVague und andere), wurden qualitativ hinsichtlich Architektur, Bereitstellungsmodell und angegebenen Fähigkeiten bewertet. Sie sind nicht im quantitativen Vergleich enthalten.
Testbedingungen
Jedes Team führte seine eigene Evaluation durch; wir haben die Tests nicht unabhängig wiederholt. Score-Unterschiede spiegeln teilweise unterschiedliche Testbedingungen wider:
Browser-Use testete 586 von 643 Aufgaben und entfernte 55 mit veralteten Antworten (eingestellte Apple-Produkte, abgelaufene Flugdaten, gelöschte Rezepte). Tests liefen auf lokalen Maschinen mit sicheren IP-Adressen. LangChain-Integration und neu geschriebene System-Prompts wurden vor dem Testen angewendet.
Skyvern 2.0 testete 635 von 643 Aufgaben, entfernte 8 mit ungültigen Antworten und aktualisierte Daten von 2023/2024 in Reiseaufgaben auf 2025. Tests liefen in der Skyvern Cloud mit asynchronen Cloud-Browsern – nicht auf lokalen Maschinen. Cloud-Bedingungen setzen Agenten Bot-Erkennung und CAPTCHA-Herausforderungen aus, die lokale Tests vermeiden. Vollständige Testaufzeichnungen sind unter eval.skyvern.com verfügbar.
Agent-E testete den vollständigen 643-Aufgaben-Datensatz ohne Änderungen. Verwendete nur DOM-Parsing, keine Vision-Modelle. Vergleichsbasis war der ursprüngliche WebVoyager-Agent, nicht GPT-4o.
WebVoyager (Original) testete den vollständigen Datensatz mit GPT-4V-Screenshots plus DOM. Dient als multimodale Baseline, die Agent-E nur mit Text übertroffen hat.
Bewertung
Aufgabenabschluss ist binär: Der Agent schließt entweder die vollständige mehrstufige Aufgabe ab oder nicht. Teilweise Anerkennung wird nicht vergeben. Eine Aufgabe gilt nur dann als abgeschlossen, wenn die endgültige erwartete Ausgabe (ein Preis, eine Buchungsbestätigung, ein Suchergebnis) mit der Grundwahrheit übereinstimmt.
Die Erfolgsquote wird angegeben als: tasks completed / tasks attempted × 100
Wenn Teams Aufgaben aus dem Datensatz entfernt haben, spiegelt der Nenner ihren reduzierten Satz wider, nicht die ursprünglichen 643.
Was diese Scores in der Praxis bedeuten
WebVoyager-Benchmark-Aufgaben laufen auf Live-Websites unter kooperativen Bedingungen, ohne aggressiven Bot-Schutz, ohne Cloudflare, ohne DataDome. Browser-Use und Agent-E liefen auf lokalen Maschinen mit haushaltsüblichen IP-Adressen. Skyvern nutzte bewusst Cloud-Infrastruktur, um die Produktionsrealität anzunähern. Die realen Erfolgsquoten auf geschützten Produktionsseiten werden für alle Agenten niedriger sein als die Benchmark-Scores.
Der Benchmark misst weder Geschwindigkeit, Kosten pro Aufgabe noch Widerstandsfähigkeit gegen Anti-Bot-Maßnahmen. Ein WebVoyager-Score von 89,1% bedeutet nicht, dass der Agent 89% der Aufgaben auf einer Produktionsseite mit Cloudflare-Schutz abschließen wird.
Einschränkungen
Nicht vergleichbare Nenner: Browser-Use testete 586 Aufgaben, Skyvern testete 635, Agent-E testete 643. Ein höherer Score bei einem kleineren Satz ist nicht direkt mit einem niedrigeren Score beim vollständigen Satz vergleichbar.
Selbstberichtete Ergebnisse: Alle Scores stammen aus den eigenen veröffentlichten Evaluationen der jeweiligen Teams. Wir haben keinen kontrollierten Wiederholungstest mit identischen Bedingungen für alle Agenten durchgeführt.
Benchmark-Drift: Der WebVoyager-Aufgabensatz wurde 2023 veröffentlicht. Mehrere Aufgaben beziehen sich auf Produkte, Preise und Daten, die nicht mehr existieren. Teams gingen unterschiedlich damit um; einige entfernten sie, andere aktualisierten die Daten, was zu Inkonsistenzen führte.
Lokal vs. Cloud-Lücke: Browser-Use und Agent-E testeten lokal (sichere IPs, keine Bot-Erkennung). Skyvern testete in der Cloud (echte Bot-Schutz-Exposition). Der direkte Score-Vergleich unterschätzt die Produktionslücke für lokal getestete Agenten.
Keine Kosten- oder Latenzdaten: Der Benchmark misst nur den Aufgabenabschluss. Kosten pro Aufgabe und durchschnittliche Abschlusszeit werden in den WebVoyager-Scores nicht erfasst, obwohl sie für Produktionsentscheidungen erheblich relevant sind.
Statische Momentaufnahme: Scores spiegeln Agentenversionen und Website-Zustände zum Testzeitpunkt wider. Beide ändern sich häufig; eine Website-Neugestaltung oder ein Agenten-Update kann die Ergebnisse erheblich verschieben.
Aktuelle wichtige Updates
Sicherheitskrise: OpenClaw-Malware-Verteilung
Über 400 bösartige „Skills“ wurden zwischen Ende Januar und Anfang Februar auf ClawHub (OpenClaws Marktplatz) hochgeladen und verteilten Malware zum Diebstahl von Zugangsdaten. IBM, Anthropic und Palo Alto Networks gaben Warnungen heraus. Sicherheitsforscher empfehlen jetzt, nur isolierte Umgebungen und verifizierte Quellen zu verwenden.
Virales Wachstum von OpenClaw
OpenClaw (ehemals Moltbot/Clawdbot) erreichte 147.000 GitHub-Sterne, das am schnellsten wachsende Open-Source-KI-Projekt. Läuft lokal, integriert sich mit Messaging-Plattformen und verwendet das Model Context Protocol für 100+ Dienste. Cloudflare veröffentlichte Moltworker-Middleware zur Unterstützung der Infrastruktur.1
Moltbook: Soziales Netzwerk für KI-Agenten
Reines KI-Sozialnetzwerk, das Ende Januar startete und innerhalb weniger Tage 1,5 Millionen Agenten erreichte. Agenten posten und interagieren autonom, während Menschen beobachten.2
Standardisierung des Model Context Protocol
MCP wurde zum dominierenden Protokoll für die Agent-zu-Tool-Integration, mit mehr als 100 verfügbaren Servern. Management und Governance sind jetzt entscheidend für Unternehmenseinsätze.
NVIDIA Nemotron 3 Modelle
NVIDIA veröffentlichte die Nemotron-3-Familie (Nano, Super, Ultra), optimiert für agentische KI, mit 4x höherem Durchsatz. Enthält NeMo Gym und Agentic Safety Dataset auf GitHub und Hugging Face.3
Autonome Web-Agenten und Copilots
Tools, die Websites navigieren und mehrstufige Aufgaben mit minimaler Anleitung abschließen.
Universelle autonome Agenten
OpenClaw (ehemals Moltbot/Clawdbot): Führen Sie dies auf Ihrem lokalen Rechner aus, um Aufgaben über Messaging-Apps, Kalender und E-Mails hinweg zu automatisieren. Sagen Sie ihm „plane ein Meeting mit dem Team für nächsten Dienstag und sende Kalendereinladungen“, und es erledigt den gesamten Arbeitsablauf. Verwendet das Model Context Protocol, um sich mit 100+ Diensten ohne Cloud-API-Aufrufe zu verbinden.
Wer es nutzt: Early Adopters, die bereit sind, Sicherheitsrisiken für lokale Automatisierung zu managen. Nutzer, die konversationelle Schnittstellen für Desktop-Workflows wünschen.
Einschränkungen:
- Schwerwiegende Sicherheitslücken im Skill-Ökosystem (400+ bösartige Pakete in einer Woche)
- Befindet sich noch in schneller Entwicklung mit häufigen Breaking Changes
- Dokumentation ist aufgrund mehrerer Rebranding-Zyklen inkonsistent
- Ressourcenintensiv (erfordert erhebliche lokale Rechenleistung)
AgenticSeek: Ersetzen Sie cloudbasierte kommerzielle Dienste durch eine lokale Alternative, die keine Browsing-Daten an externe Server sendet. Installieren Sie es auf Ihrem Rechner, beschreiben Sie, was Sie benötigen („extrahiere alle Produktpreise von dieser Seite“), und es übernimmt das Klicken und die Datenerfassung. Python-basiert, läuft vollständig selbst gehostet.
Wer es nutzt: Datenschutzbewusste Nutzer, die keine Browsing-Daten teilen. Organisationen mit Anforderungen an den Datenverbleib.
Einschränkungen:
- Beschränkt auf Parallelität auf einem einzelnen Rechner (5-10 Browser-Instanzen)
- Keine integrierte Proxy-Rotation oder Anti-Erkennungsfunktionen
- Erfordert Python-Umgebungseinrichtung und -wartung
- Langsamer als Cloud-Lösungen für groß angelegte Aufgaben
Automatisch-GPT: Bewältigt Web-Browsing neben Dateioperationen und Code-Ausführung. Einsatz über die Browser-Oberfläche oder die Kommandozeile. Wenn Sie eine Aufgabe wie „recherchiere Wettbewerbspreise und speichere sie in einer Tabelle“ zuweisen, bestimmt es, welche Websites besucht, welche Daten abgerufen und wie die Ausgabe organisiert werden sollen.
Wer es nutzt: Entwickler, die benutzerdefinierte Automatisierungs-Workflows erstellen. Nutzer, die mit Kommandozeilen-Tools vertraut sind.
Einschränkungen:
- Es fehlen webspezifische Funktionen wie Proxy-Rotation und Cookie-Management
- Keine integrierte Vermeidung von Bot-Erkennung (Seiten mit Cloudflare werden es blockieren)
- Ressourcenintensiv (startet mehrere Browser-Instanzen)
- Erfordert manuelles Prompt Engineering für komplexe Aufgaben
AgentGPT: Konfigurieren Sie Agenten direkt in Ihrem Browser, ohne Code zu schreiben. Entwickeln Sie spezialisierte Agenten wie „ResearchGPT“ oder „DataGPT“, die Ziele in Schritte zerlegen. Die Plattform übernimmt die Orchestrierung. Sie beschreiben, was Sie erreichen möchten. Selbst hostbar, wenn Sie die gehostete Version nicht nutzen möchten.
Wer es nutzt: Nicht-technische Nutzer, die einfache Automatisierung benötigen. Teams, die gemeinsam genutzte Agentenkonfigurationen wünschen.
Einschränkungen:
- Begrenzte Anpassung im Vergleich zu codierten Lösungen
- Leistungsengpässe bei komplexen mehrstufigen Aufgaben
- Gehostete Version sendet Daten an ihre Server (Self-Hosting für Datenschutz erforderlich)
- Keine erweiterten Funktionen wie Browser-Fingerprinting oder CAPTCHA-Behandlung
SuperAGI: Framework zum Erstellen benutzerdefinierter autonomer Agenten mit Vorlagen für gängige Workflows. Erweitern Sie es mit Ihrer eigenen Logik. Bewältigt Browser-Automatisierung als eine Komponente größerer Workflows. Lokal einsetzen oder in Cloud-Infrastruktur pushen.
Wer es nutzt: Entwicklungsteams, die Produktions-Agentensysteme erstellen. Organisationen, die anpassbare Automatisierungs-Frameworks benötigen.
Einschränkungen:
- Steile Lernkurve (erfordert Verständnis der Agentenarchitektur)
- Vorlagenbibliothek noch begrenzt (erfordert benutzerdefinierte Entwicklung für die meisten Anwendungsfälle)
- Dokumentationslücken bei erweiterten Funktionen
- Aktive Entwicklung bedeutet Breaking Changes zwischen Versionen
Nanobrowser: Chrome-Erweiterungsansatz – installieren Sie und steuern Sie dann Agenten über Ihre Browser-Symbolleiste. Gut für schnelle Aufgaben wie „extrahiere alle E-Mails von dieser Seite“ oder „fülle dieses Formular mit Daten aus meiner Tabelle aus“.
Wer es nutzt: Gelegenheitsnutzer, die gelegentlich Browser-Automatisierung benötigen. Nutzer, die keine Server oder Python-Umgebungen einrichten.
Einschränkungen:
- Kann nicht über wenige Tabs hinaus skalieren (keine gleichzeitige Verarbeitung)
- Keine Integration mit Backend-Automatisierungs-Pipelines
- Auf den Chrome-Browser beschränkt
- Erweiterungsberechtigungen werfen Sicherheitsbedenken auf
OpenManus: Open-Source-Alternative zu kommerziellen Browser-Automatisierungsdiensten. Führt Browser-Aufgaben aus, die Stunden oder Tage dauern, wie die Überwachung von Seiten auf Preisänderungen oder das Warten darauf, dass Produkte wieder auf Lager sind. Lokal mit Python und Docker bereitstellen, im Hintergrund laufen lassen.
Aktuelles Update: DeepWisdom (Muttergesellschaft von OpenManus) hat seine Kern-Agententechnologie Mitte Januar offiziell in Atoms umbenannt. Das neue Atoms-Framework verlagert den Fokus von Entwickler-Hobby-Tools hin zu kommerziellen Agenten-Einsätzen mit integrierten Modulen für Zahlungen und Authentifizierung.4
Wer es nutzt: Nutzer, die lang andauernde Überwachungsaufgaben ausführen. Entwickler, die automatisierte Benachrichtigungssysteme erstellen.
Einschränkungen:
- Erfordert Docker- und Python-Einrichtung
- Keine integrierte Proxy-Unterstützung (Seiten erkennen wiederholte Anfragen von derselben IP)
- Speicherlecks bei lang laufenden Aufgaben (erfordert regelmäßige Neustarts)
- Umbenennung in Atoms kann zu Verwirrung in der Dokumentation führen
Computer-Nutzungs-Agenten
Desktop-Automatisierung, die Browser als Teil umfassenderer Computer-Workflows steuert.
OpenInterpreter: Terminal-basierter Agent, der Python, JavaScript und Shell-Skripte basierend auf Ihren Eingaben ausführt. Bitten Sie ihn, „diese Seite zu scrapen und die Daten in pandas zu analysieren“, und er generiert den Scraping-Code, führt ihn aus und führt dann die Analyse durch. Browser-Automatisierung integriert sich mit Dateisystemzugriff und Datenverarbeitung.
Wer es nutzt: Entwickler, die mit Terminal-Schnittstellen vertraut sind. Datenwissenschaftler, die Web Scraping mit Analyse-Workflows kombinieren.
Wann es sinnvoll ist: Sie benötigen Automatisierung, die Web-Browsing und lokale Berechnung umfasst. Sie möchten generierten Code vor der Ausführung überprüfen und ändern. Ihre Workflows beinhalten Datentransformation nach der Erfassung.
Einschränkungen:
- Nur Terminal-Schnittstelle (keine GUI)
- Sicherheitsrisiko (führt beliebigen Code auf Ihrem Rechner aus)
- Standardmäßig kein Sandboxing (kann auf jede Datei oder Systemressource zugreifen)
- Lernkurve für Nicht-Programmierer
UI-TARS: Forschungs-Framework aus der Wissenschaft, das Screenshots Ihres Desktops aufnimmt, sie mit Vision-Modellen analysiert und dann Befehle zur Steuerung von GUI-Elementen generiert. Gebaut zum Testen neuer Ansätze zur Desktop-Automatisierung, nicht für den Produktionseinsatz.
Wer es nutzt: Akademische Forscher, die visionsbasierte Automatisierung erforschen. Labore, die multimodale Steuerungssysteme testen.
Wann es sinnvoll ist: Sie forschen an visionsbasierter Automatisierung. Sie müssen mit Screenshot-Analyseansätzen experimentieren. Sie schreiben wissenschaftliche Arbeiten über GUI-Automatisierung.
Einschränkungen:
- Nicht produktionsreif (Forschungsprototyp)
- Hohe Latenz (Vision-Modell-Verarbeitung dauert 2-3 Sekunden pro Aktion)
- Teuer (GPT-4V berechnet pro Bild-Token)
- Keine Fehlerbehebung oder Wiederholungslogik
AutoBrowser MCP: MCP-Server, der es Claude ermöglicht, Chrome-Browser über das Model Context Protocol zu steuern und visionsbasierte Browser-Interaktionsfähigkeiten bereitstellt. Claude sieht Ihren Browser-Bildschirm, entscheidet, was zu klicken ist, und führt die Aktion aus. Läuft als Chrome-Erweiterung plus einem lokalen Server.
Wer es nutzt: Claude-Nutzer, die Browser-Steuerung wünschen. Entwickler, die MCP-basierte Automatisierungssysteme erstellen.
Wann es sinnvoll ist: Sie verwenden bereits Claude und möchten Browser-Automatisierung hinzufügen. Sie bevorzugen konversationelle Steuerung gegenüber programmatischen APIs. Visionsbasierte Interaktion ist für komplexe Layouts erforderlich.
Einschränkungen:
- Erfordert Claude-API-Zugang (nicht in allen Regionen verfügbar)
- Kosten für Vision-Modelle summieren sich schnell
- Latenz ist höher als bei DOM-basierten Ansätzen
- Auf den Chrome-Browser beschränkt
Open Operator: Die Antwort des Browser-Use-Teams auf OpenAIs Operator. Bietet Sprachmodellen direkten Zugriff auf Chrome über eine vereinfachte DOM-Ansicht. Führen Sie es im vollständig autonomen Modus aus oder aktivieren Sie den Genehmigungsmodus, in dem Sie jede Aktion vor der Ausführung bestätigen. Installation via Python oder Browser-Erweiterung.
Aktuelles Update: Browser-Use kündigte Ende Januar eine strategische Integration mit Parallel KI an, die mehrstufige Websuchen ermöglicht. Das Update ermöglicht Agenten die Ausführung von bis zu 20 Browser-Schritten pro Minute und erreicht oder übertrifft damit die menschliche Leistung bei komplexen Rechercheaufgaben.5
Wer es nutzt: Teams, die bereits das Browser-Use-Framework verwenden. Organisationen, die Genehmigungs-Workflows für Agentenaktionen wünschen.
Wann es sinnvoll ist: Sie benötigen autonomes Browsing mit menschlicher Aufsicht. Ihre Workflows erfordern Geschwindigkeit (mehrstufige Ausführung). Sie bauen auf dem Browser-Use-Ökosystem auf.
Einschränkungen:
- Erfordert Installation des Browser-Use-Frameworks
- Genehmigungsmodus verlangsamt die Automatisierung erheblich
- Begrenzte Anti-Erkennungsfunktionen (Seiten mit Bot-Schutz werden es blockieren)
- Nur Python (keine JavaScript/TypeScript-Unterstützung)
Cowork (Anthropic): Anthropics Desktop-Tool, das Claude direkten Zugriff auf Dateisysteme und Browser-Umgebungen innerhalb einer einheitlichen Anwendung gewährt. Erweitert die Computer Use API zu einem verbraucherorientierten Produkt. Zum Download verfügbar; nicht mehr auf Forschungsvorschau beschränkt. Proprietär, hier zum Vergleich mit Open-Source-Alternativen aufgeführt.
Web-Navigations-Agenten
Konzentrieren sich speziell auf mehrstufige Website-Workflows.
Agent-E: Liest das HTML der Seite, um klickbare Elemente und Navigationspfade zu finden. Verwendet „DOM Distillation“, um Seiten auf wesentliche interaktive Elemente zu reduzieren, sowie „Skill Harvesting“, um erfolgreiche Muster zu speichern. Erreichte 73,1% im WebVoyager-Benchmark mit reinem Text, ohne Vision-Modelle.
Wer es nutzt: Organisationen, die Kosten über Genauigkeit priorisieren. Entwickler, die DOM-basierte Automatisierungssysteme erstellen.
Wann es sinnvoll ist: Sie benötigen schnelle, günstige Automatisierung auf statischen Websites. Ihre Zielseiten verwenden keine JavaScript-lastigen dynamischen Formulare. Sie können eine Erfolgsquote von 73% im Austausch für niedrigere Kosten tolerieren.
Einschränkungen:
- Keine integrierte Fehlerbehebung, wenn sich die DOM-Struktur unerwartet ändert
- Kämpft mit dynamischen Formularen, bei denen Dropdown-Menüs basierend auf Auswahlen neue Optionen anzeigen
- Leistung sinkt erheblich auf JavaScript-lastigen Seiten
- Schlechte Ergebnisse auf Buchungsseiten
AutoWebGLM: Vereinfacht HTML, bevor es an Sprachmodelle übergeben wird. Komplexe Seiten werden auf Kernnavigationselemente und Formularfelder reduziert. Verwendet Reinforcement Learning, um Navigationsentscheidungen im Laufe der Zeit zu verbessern. Läuft selbst gehostet via Python.
Wer es nutzt: Forschungsteams, die RL-basierte Web-Automatisierung erforschen. Organisationen mit Rechenressourcen für Modelltraining.
Wann es sinnvoll ist: Sie können in das Training benutzerdefinierter Modelle für Ihre spezifischen Websites investieren. Ihre Workflows sind repetitiv genug, um von RL-Optimierung zu profitieren. Sie haben Python ML-Infrastruktur.
Einschränkungen:
- Begrenzte Dokumentation und Community-Unterstützung
- Erfordert eine Trainingsphase vor dem Einsatz (nicht Plug-and-Play)
- Benötigt signifikante Beispiele, um effektive Richtlinien zu erlernen
- Bricht ab, wenn Websites Layouts neu gestalten
Visionsbasierte Navigations-Agenten
Kombinieren Screenshots mit Textanalyse, um das visuelle Seitenlayout zu interpretieren.
Autogen WebSurfer Extension: In Microsofts AutoGen-Framework einbinden, um Web-Browsing hinzuzufügen. Erfordert Playwright-Installation. Das Framework ermöglicht es Ihnen, Agententeams zu erstellen, ein Agent sucht, während ein anderer Ergebnisse verarbeitet und ein dritter mit Ihnen interagiert.
Wer es nutzt: Teams, die bereits das AutoGen-Framework verwenden. Nutzer im Microsoft-Ökosystem.
Wann es sinnvoll ist: Sie erstellen Multi-Agenten-Systeme innerhalb von AutoGen. Sie benötigen orchestrierte Agenten-Zusammenarbeit. Sie möchten Microsofts Support und Dokumentation.
Reale Einschränkungen:
- Begrenzte Beispiele und Community-Projekte
- Erfordert die Übernahme des gesamten AutoGen-Frameworks (kann nicht eigenständig verwendet werden)
- Framework-Overhead lohnt sich nicht für einfache Automatisierungsaufgaben
- Steile Lernkurve für Multi-Agenten-Orchestrierung
Skyvern: Drei-Phasen-System: Der Planer zerlegt Aufgaben in Schritte, der Akteur führt sie aus, der Validator bestätigt den Erfolg. Macht Screenshots, um Schaltflächen und Formulare visuell zu identifizieren. Dieser Ansatz adressiert JavaScript-lastige Seiten, bei denen sich das DOM nach dem Seitenaufbau ändert. Erreichte 85,85% bei WebVoyager. Selbst gehostet einsetzen oder deren verwaltete Cloud nutzen.
WebVoyager: Der ursprüngliche Benchmark-Agent aus dem Paper von 2024, das die WebVoyager-Testsuite einführte. Verwendet GPT-4V-Screenshots zusammen mit DOM-Parsing in einem hybriden Ansatz. Erreichte 57,1% im vollständigen 643-Aufgaben-Datensatz, die Baseline, an der sich nachfolgende Agenten messen. Nicht aktiv als Produktionswerkzeug gewartet; sein Wert liegt als Forschungsreferenz und Benchmark-Ursprungspunkt.
Wer es nutzt: Organisationen, die hohe Genauigkeit bei modernen Web-Apps benötigen. Teams, die bereit sind, Kosten für Vision-Modelle für bessere Ergebnisse zu zahlen.
Wann es sinnvoll ist: Ihre Zielseiten verwenden starkes JavaScript und dynamische Layouts. Sie benötigen 85%+ Genauigkeit. Sie können sich 10-20x höhere Kosten als DOM-Parsing leisten. Ihre Workflows rechtfertigen Cloud-Infrastruktur.
Einschränkungen:
- Selbst gehostete Version erfordert erhebliche Rechenleistung für Vision-Modelle
- Teuer (GPT-4V berechnet pro Bild-Token; jeder Seitenaufruf kostet 10-20x mehr als DOM-Parsing)
- Langsamer als DOM-Ansätze (2-3 Sekunden pro Seite für die Bildverarbeitung)
- Cloud-Bereitstellung setzt Sie der Bot-Erkennung aus
LiteWebAgent: Vision-Sprachmodell mit Gedächtnis und Planung, das Chrome über das DevTools-Protokoll steuert. Behält den Kontext über Seitenaufrufe hinweg bei und merkt sich, was es auf vorherigen Seiten gesehen hat, wenn es Navigationsentscheidungen trifft. Python-Framework, selbst gehosteter Einsatz.
Wer es nutzt: Entwickler, die benutzerdefinierte visionsbasierte Agenten erstellen. Teams, die seitenübergreifendes Gedächtnis benötigen.
Wann es sinnvoll ist: Ihre Workflows erfordern das Erinnern von Informationen über mehrere Seiten hinweg. Sie benötigen Vision-Fähigkeiten, möchten aber mehr Kontrolle als bei Skyvern. Sie können Python ML-Infrastruktur warten.
Einschränkungen:
- Erfordert erhebliche Rechenleistung für Vision-Modelle
- Speicherarchitektur erhöht Komplexität und Fehlermodi
- Begrenzte Tests auf Produktionswebsites mit Bot-Erkennung
- Kleine Community (weniger Beispiele und Integrationen als Alternativen)
Agenten-Befähigungstools
Frameworks, die es LLMs oder Nutzern ermöglichen, Befehle an Browser zu senden, ohne autonome Aufgabenplanung.
Natürliche Sprache zu Web-Aktion
LaVague: Sie sagen: „Klicke auf den grünen Button.“ LaVague findet ihn und klickt darauf. Bewältigt die Elementidentifikation über verschiedene Seitenlayouts hinweg. Gut für repetitive Aufgaben, bei denen Sie genau wissen, was Sie wollen, aber keine Selektoren schreiben möchten. Python-basiert, läuft selbst gehostet.
ZeroStep: Wandelt konversationelle Anweisungen in Playwright-Testcode um. Sie beschreiben die Aktion in einfachem Englisch, es generiert die Playwright-Befehle. Beschleunigt das Schreiben von Tests, wenn Sie bereits Playwright verwenden. Node.js CLI-Tool.
LLM-Browser-Brücken
Verbinden Sprachmodelle direkt mit der Browser-Steuerung.
Browser-Use: Nimmt unstrukturiertes DOM und restrukturiert es für LLMs. Entfernt irrelevante Elemente, beschriftet interaktive Komponenten und stellt Steuerungsschnittstellen bereit. Dies ermöglichte es Browser-Use, 89,1% bei WebVoyager zu erreichen. Verfügbar als Python-Bibliothek oder API, selbst gehostet einsetzen oder deren Cloud nutzen.
Browserless: Remote-Chrome-Instanzen, die Sie via REST oder WebSocket steuern. Starten Sie Hunderte von Browsern in der Cloud, ohne Infrastruktur zu verwalten. Jeder Browser läuft headless, also kein GUI-Overhead. Verwenden Sie deren gehostete API oder Docker für Self-Hosting.
ZeroStep (Playwright KI): KI-Schicht auf Playwright. Schreiben Sie Prompts statt Selektoren. Kombiniert Playwrights Zuverlässigkeit mit LLM-Flexibilität zur Identifizierung von Elementen. Erfordert Node.js und Playwright-Installation.
Web-Automatisierungs- & Scraping-Toolkits
Aufgabenspezifische Tools, bei denen Sie jeden Auftrag einzeln initiieren.
Browser-Automatisierungserweiterungen
PulsarRPA: Chrome-Erweiterung zur Datenextraktion. Zeigen Sie auf eine Tabelle oder Liste, zeigen Sie, was extrahiert werden soll, und es erledigt den Rest. Enthält Backend für Planung und Speicherung von Ergebnissen.
Wer es nutzt: Nicht-technische Nutzer, die regelmäßige Datenextraktion benötigen. Business-Analysten, die Daten in Tabellenkalkulationen ziehen.
Wann es sinnvoll ist: Sie extrahieren wiederholt Daten von denselben Seiten. Sie möchten keinen Code schreiben. Sie benötigen Planung und Ergebnisspeicherung. Ihre Zielseiten blockieren keine Browser-Erweiterungen.
Einschränkungen:
- Nur Chrome (kein Firefox oder Safari)
- Bricht ab, wenn Zielseiten Layouts ändern
- Keine Proxy-Unterstützung (Seiten erkennen wiederholte Anfragen von derselben IP)
- Beschränkt auf tabellarische Datenextraktion
VimGPT: Experimentelles Projekt, bei dem GPT-4 Vision Ihren Browser über Vimium-Tastaturkürzel steuert. Das Modell sieht Screenshots und generiert Tastaturbefehle.
Wer es nutzt: Forscher, die Vision + Tastatursteuerung erforschen. Vim-Enthusiasten, die neugierig auf KI-Automatisierung sind.
Wann es sinnvoll ist: Sie forschen an tastaturgesteuerter Automatisierung. Sie möchten die Fähigkeiten von Vision-Modellen verstehen. Sie setzen keine Produktionsautomatisierung ein.
Einschränkungen:
- Nur experimentell (nicht praktisch für echte Arbeit)
- Erfordert Vimium-Erweiterung plus Python-Backend
- Hohe Latenz (Bildverarbeitung + Befehlsgenerierung)
- Teuer (GPT-4V-Kosten pro Screenshot)
KI-Scraper und -Crawler
Crawl4AI: Ein Crawler, der LLMs verwendet, um zu entscheiden, was auf einer Seite wichtig ist. Anstatt alles zu erfassen, identifiziert er relevante Inhalte basierend auf Ihrem Ziel. Python-basiert, integriert sich mit Standard-Scraping-Bibliotheken.
Aktuelles Wachstum: Erreichte Platz 1 in den GitHub-Trends und überschritt 58.000 Sterne. Optimiert für LLM-Integration mit Markdown-Ausgabe und BM25-Inhaltsfilterung. Beliebte Wahl für RAG-Pipelines, die eine lokal-first-Bereitstellung erfordern.6
Wer es nutzt: Entwickler, die RAG-Systeme erstellen. Teams, die lokale LLM-Unterstützung ohne API-Kosten benötigen.
Wann es sinnvoll ist: Sie erstellen LLM-Anwendungen, die Webdaten benötigen. Sie möchten Ausgabe im Markdown-Format. Sie benötigen eine lokale Bereitstellung ohne Cloud-API-Abhängigkeiten. Ihr Anwendungsfall umfasst Inhaltsfilterung und Relevanz-Ranking.
Einschränkungen:
- Erfordert LLM, das lokal oder via API läuft (nicht eigenständig)
- Langsamer als traditionelle Scraper (LLM-Verarbeitung pro Seite)
- Kann wichtige Inhalte übersehen, wenn LLM falsch beurteilt
- Höhere Ressourcennutzung als regelbasierte Scraper
FireCrawl: Konvertiert Websites in sauberes Markdown oder JSON. Bewältigt Navigation, JavaScript-Rendering und Inhaltsextraktion. Ausgabe strukturiert zur Einspeisung in LLM-Kontextfenster. Node.js-Bibliothek oder CLI.
Wer es nutzt: LLM-Anwendungsentwickler. Teams, die KI-Systeme erstellen, die Webinhalte verarbeiten.
Wann es sinnvoll ist: Sie benötigen saubere Textextraktion für die LLM-Verarbeitung. Ihre Zielseiten verwenden JavaScript-Rendering. Sie möchten strukturierte Ausgabe (Markdown/JSON). Sie erstellen Node.js-Anwendungen.
Einschränkungen:
- Nur Node.js (keine Python-Bindings)
- Meinungsstarke Markdown-Konvertierung (kann Formatierung verlieren, die Sie benötigen)
- Begrenzte Anpassung der Extraktionsregeln
- Keine integrierte Ratenbegrenzung oder Anti-Erkennung
GPT-crawler: Crawlt Seiten und gibt Trainingsdaten für benutzerdefinierte GPTs aus. Zeigen Sie auf Dokumentation oder eine Wissensdatenbank, es extrahiert Inhalte und formatiert sie für Fine-Tuning. Python CLI-Tool.
Wer es nutzt: Teams, die benutzerdefinierte GPT-Modelle erstellen. Organisationen, die domänenspezifische KI-Assistenten erstellen.
Wann es sinnvoll ist: Sie führen Fine-Tuning von Sprachmodellen durch. Sie benötigen strukturierte Trainingsdaten aus Webquellen. Ihr Inhalt ist Dokumentation oder Wissensdatenbanken. Sie können Python CLI-Tools ausführen.
Einschränkungen:
- Ausgabeformat spezifisch für GPT-Fine-Tuning (nicht universell einsetzbar)
- Keine inkrementellen Updates (crawlt gesamte Seite für Updates neu)
- Begrenzte Handhabung von Authentifizierung oder Paywalls
- Setzt statische Inhaltsstruktur voraus
ScrapeGraphAI: Erstellt Wissensgraphen aus gecrawlten Inhalten. Gut für Dokumentationsseiten, bei denen Sie Beziehungen zwischen Konzepten verstehen müssen. Gibt strukturierte Zusammenfassungen oder Faktengraphen aus. Python-Bereitstellung.
Wer es nutzt: Wissensmanagement-Teams. Forscher, die Konzeptkarten aus Webinhalten erstellen.
Wann es sinnvoll ist: Sie benötigen Beziehungsextraktion, nicht nur Inhalte. Ihre Zielseiten sind Dokumentation oder Bildungsinhalte. Sie erstellen Wissensdatenbanken oder Konzeptkarten. Sie haben Python-Infrastruktur.
Einschränkungen:
- Komplexe Einrichtung (erfordert Graphdatenbank und NLP-Modelle)
- Langsamer als einfache Scraper (Entitätsextraktion + Beziehungszuordnung)
- Qualität hängt von der Struktur des Quellinhalts ab
- Auf Text beschränkt (verarbeitet Tabellen oder Bilder nicht gut)
AutoScraper: Lernen-durch-Beispiel-Scraper. Zeigen Sie ihm eine Seite mit den gewünschten Daten, es findet das Muster und wendet es auf ähnliche Seiten an. Leichtgewichtige Python-Bibliothek für einfache Extraktionsaufgaben.
Wer es nutzt: Entwickler, die schnelle Extraktion benötigen, ohne XPath- oder CSS-Selektoren zu schreiben. Teams, die Scraping-Workflows prototypisieren.
Wann es sinnvoll ist: Ihre Zielseiten folgen konsistenten Mustern. Sie möchten Selektoren nicht manuell schreiben. Sie benötigen schnelle Prototypen. Ihre Seiten ändern Layouts nicht häufig.
Einschränkungen:
- Bricht ab, wenn Seitenlayouts sich ändern
- Auf ähnliche Seitenstrukturen beschränkt (kann nicht auf verschiedene Seiten verallgemeinern)
- Keine JavaScript-Rendering-Unterstützung
- Einfacher Musterabgleich (kein KI-Denken über Inhalte)
LLM Scraper: Senden Sie eine Seite an ein LLM und fragen Sie: „Extrahiere alle Produktpreise“ oder „Finde Kontaktinformationen“. Das Modell interpretiert Ihre Absicht und zieht relevante Daten. Flexibel, aber teurer als regelbasierte Scraper. Python-basiert.
Wer es nutzt: Teams, die flexible Extraktion ohne das Schreiben von Regeln benötigen. Entwickler, die einmalige Extraktionsaufgaben erstellen.
Wann es sinnvoll ist: Seitenstrukturen variieren zu stark für regelbasierte Extraktion. Sie benötigen semantisches Verständnis („finde den Namen des Autors“). Kosten sind nicht Ihr Hauptanliegen. Sie möchten schnelle Entwicklung ohne Selektor-Engineering.
Einschränkungen:
- Teuer (LLM-API-Kosten pro Seite)
- Langsamer als regelbasierte Scraper (API-Latenz)
- Kann falsche Daten extrahieren, wenn der Prompt nicht klar ist
- Keine Garantie für konsistente Feldextraktion über Seiten hinweg
KI-Suchwerkzeuge
BingGPT: Chat-Schnittstelle, die Bing-Suche mit GPT-Antworten kombiniert. Stellen Sie Fragen, erhalten Sie Antworten mit Quellen. Desktop-Anwendung, nicht browserbasiert.
BraveGPT: KI-Browser-Erweiterung, die GPT-Antworten zu Brave Search-Ergebnissen hinzufügt. Sehen Sie sowohl traditionelle Suchergebnisse als auch eine KI-Zusammenfassung nebeneinander. Überlagert direkt auf Suchergebnisseiten.
Als bevorzugte Quelle hinzufügenWeb-Steuerungsframeworks für Entwickler
Low-Level-Bibliotheken für programmatische Browser-Steuerung.
Test-Frameworks
Playwright: Microsofts browserübergreifende Automatisierung. Unterstützt Chromium, Firefox, WebKit. Integrierte Wartezeiten, Netzwerk-Interception und mobile Emulation. Verfügbar in JavaScript, Python, .NET und Java. Industriestandard für modernes Web-Testing.
Selenium: Das ursprüngliche Browser-Automatisierungsframework. Funktioniert mit allen gängigen Browsern. Größeres Ökosystem, aber ältere Architektur. Sprach-Bindings für Python, Java, C#, Ruby, mehr. WebDriver-Protokollstandard.
taiko: ThoughtWorks-Framework mit lesbarer Syntax. Gut für funktionale Tests, bei denen die Lesbarkeit der Tests wichtig ist. Nur Node.js.
Automatisierungsbibliotheken
Puppeteer: Googles Bibliothek zur Steuerung von Chrome/Chromium. High-Level-API für Screenshots, PDF-Erstellung und Scraping. Node.js-Ökosystem, funktioniert mit TypeScript. Standardwahl für headless Chrome-Automatisierung.
Browser-Use: Weiter oben als LLM-Brücke aufgeführt, funktioniert aber auch als Entwickler-Automatisierungsbibliothek. Konvertiert DOM in ein strukturiertes Format, bewältigt Navigation und Interaktion. Python-Bibliothek mit API-Option.
Was diese Web-Agenten anders macht
Browser-Use erzielte 89,1% in den WebVoyager-Tests, während Agent-E 73,1% im vollständigen Datensatz erreichte. Browser-Use verwendet autonome Aufgabenplanung mit LangChain-Integration. Agent-E analysiert die DOM-Struktur direkt ohne Vision-Modelle, was schneller läuft, aber Schwierigkeiten hat, wenn Websites dynamische Dropdowns verwenden oder neue Optionen basierend auf Nutzerauswahlen anzeigen.
Autonomiestufen
Vollständig autonome Agenten wie Browser-Use, Skyvern und Agent-E akzeptieren hochrangige Ziele („finde den günstigsten Paris-Flug“) und planen ihre eigenen Navigationsschritte. Sie passen sich an unerwartete Elemente wie Cookie-Banner oder Captchas an. Allerdings erfordert jede Entscheidung einen LLM-Aufruf, was sowohl Kosten als auch Reaktionszeit erhöht.
Schritt-für-Schritt-Anleitungstools wie LaVague und ZeroStep führen spezifische Befehle aus („klicke auf Suchbutton“, „gib Text in Feld 2 ein“). Schnellere Ausführung, da sie den Planungs-Overhead überspringen. Aber wenn eine Seite ihr Layout neu gestaltet, müssen Sie Anweisungen manuell aktualisieren.
Manuelle Codierungs-Frameworks wie Playwright und Selenium erfordern expliziten Code für jeden Klick, jede Formularausfüllung und Navigation. Tests laufen jedes Mal identisch, bis die Seite eine Element-ID oder einen Klassennamen ändert. Dann brechen Selektoren und Sie schreiben den Code neu.
Wie sie Seiten interpretieren
Visionsbasierte Verarbeitung: Skyvern 2.0, WebVoyager und VimGPT erfassen Screenshots und senden sie an Vision-Modelle wie GPT-4V. Sie identifizieren Schaltflächen und Formulare, indem sie die gerenderte Seite betrachten.
Skyvern 2.0 verwendet tatsächlich eine Planer-Akteur-Validator-Schleife. Der Planer zerlegt komplexe Aufgaben in kleinere Ziele, der Akteur führt sie aus und der Validator bestätigt, ob jedes Ziel erfolgreich war. Dieser Drei-Phasen-Ansatz half Skyvern, von 45% (Einzel-Prompt-Version) auf 68,7% (mit Planer) auf 85,85% (mit Validator, der prüft, ob Aktionen tatsächlich funktioniert haben) zu springen.
Die visuelle Verarbeitung funktioniert auf JavaScript-lastigen Seiten, bei denen das DOM nach dem Seitenaufbau neu aufgebaut wird. Aber GPT-4V berechnet pro Bild-Token, was jeden Seitenaufruf 10-20x teurer macht als das Lesen von HTML. Vision-Modelle fügen auch 2-3 Sekunden pro Seite im Vergleich zum DOM-Parsing hinzu.
DOM-Parsing: Browser-Use und Agent-E lesen das HTML der Seite direkt. Sie durchsuchen den Code nach klickbaren Elementen, Eingabefeldern und Navigationslinks.
Agent-E verwendet „DOM Distillation“, um komplexe Seiten auf wesentliche Elemente zu reduzieren, plus „Skill Harvesting“, um erfolgreiche Interaktionsmuster zu speichern und wiederzuverwenden. Es übertraf den multimodalen WebVoyager-Agenten (der Vision verwendet) auf Seiten wie Huggingface, Apple und Amazon nur mit Text. Aber die Planung von Agent-E gerät aus dem Takt, wenn Websites dynamisch neue Optionen anzeigen – wie Dropdown-Menüs, die sich basierend auf Ihren Auswahlen ändern.
DOM-Parsing kostet weniger und läuft schneller. Die 89,1%-Genauigkeit von Browser-Use kommt teilweise von der LangChain-Integration und aktualisierten Prompts, nicht nur vom Weglassen von Vision-Aufrufen. Aber DOM-Ansätze haben Schwierigkeiten, wenn Seiten Shadow DOM, verschleierte Klassennamen oder starke JavaScript-Manipulation verwenden.
Kombinierter Ansatz: LiteWebAgent und AutoWebGLM parsen das DOM für die Struktur und verwenden dann Vision, um zu überprüfen, was Nutzer tatsächlich sehen. Genauer als DOM allein, günstiger als reine Vision, aber Sie betreiben zwei Systeme pro Seite.
Spezialisierung
Automatisch-GPT und AgenticSeek bewältigen Web-Browsing neben Dateioperationen und Code-Ausführung. Ihnen fehlen webspezifische Funktionen wie Proxy-Rotation und Cookie-Management, was die Effektivität auf Seiten mit Bot-Erkennung einschränkt.
Agent-E und WebVoyager führen nur Web-Navigation durch. Agent-E erreichte insgesamt 73,1% im vollständigen 643-Aufgaben-WebVoyager-Datensatz und übertraf damit die 57,1% des multimodalen WebVoyager-Agenten. Starke Leistung auf Seiten wie Wolfram (95,7%), Google Search (90,7%) und Google Maps (87,8%). Schwach auf dynamischen Seiten: nur 27,3% auf Booking.com und 35,7% auf Google Flights, wo Dropdown-Menüs und Formularfelder sich basierend auf Nutzerauswahlen ändern.
Crawl4AI und FireCrawl extrahieren Daten und konvertieren Seiten in Markdown oder JSON. Sie füllen keine Formulare aus und klicken sich nicht durch Workflows. Verwenden Sie, wenn Sie Inhalte in strukturiertem Format benötigen, nicht wenn Sie mehrstufige Aufgaben abschließen müssen.
Playwright und Selenium automatisieren Browser-Tests. Sie produzieren identische Ergebnisse über Durchläufe hinweg, essenziell für Regressionstests. Aber dieser Determinismus bedeutet, dass sie sich nicht anpassen können. Wenn sich eine Seite ändert, bricht Ihre Testsuite.
Bereitstellungsoptionen
Lokale Ausführung: AgenticSeek, Nanobrowser und OpenInterpreter laufen auf Ihrem Rechner. Ihre Browsing-Daten bleiben lokal und Sie vermeiden API-Kosten. Aber eine typische Workstation bewältigt 5-10 gleichzeitige Browser-Instanzen, bevor CPU/RAM ausgelastet sind.
Cloud-APIs: Browserless bietet Remote-Chrome-Instanzen via REST oder WebSocket. Sie können Hunderte von parallelen Sitzungen mit automatischer Proxy-Rotation starten. Jede Anfrage fügt 100-300ms Latenz im Vergleich zu lokalen Browsern hinzu und Ihr Datenverkehr läuft über deren Server, es sei denn, Sie hosten selbst mit Docker.
Flexible Bereitstellung: Skyvern läuft lokal während der Entwicklung und wird dann für die Produktion in die Cloud deployed. Deren Benchmark lief tatsächlich in der Skyvern Cloud (nicht auf lokalen Maschinen), um reale 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 Multi-Agenten-Frameworks von Microsoft. Sie erhalten integrierte Agenten-Orchestrierung und Speicherverwaltung, können es aber nicht einfach in bestehende Systeme integrieren.
Browser-Use und Playwright funktionieren als eigenständige Bibliotheken. Fügen Sie in jedes Python- oder Node.js-Projekt ein. Aber Sie müssen Ihre eigene Agenten-Koordination, Fehlerbehandlung und Ergebnisspeicherung aufbauen.
Nanobrowser und BraveGPT installieren sich als Chrome-Erweiterungen. Keine Server-Einrichtung erforderlich, zum Browser hinzufügen und starten. Können nicht über wenige gleichzeitige Tabs hinaus skalieren und integrieren sich nicht mit Backend-Automatisierungs-Pipelines.
Produktionsüberlegungen
Skyvern und Browserless umfassen Unterstützung für Residential-Proxys, randomisierte Mausbewegungen und Browser-Fingerprint-Rotation. Diese Funktionen verhindern IP-Sperren und CAPTCHA-Auslöser auf geschützten Seiten.
WebVoyager und AutoWebGLM konzentrieren sich auf Navigationsalgorithmen. Agent-E erreichte 73,1% mit reinem Text-DOM-Parsing und übertraf damit WebVoyagers multimodalen Ansatz mit 57,1%. Aber Produktionsseiten mit Cloudflare oder DataDome werden Agenten ohne angemessene Anti-Erkennung blockieren.
Wichtiger Benchmark-Kontext: Browser-Use und Agent-E führten Tests lokal mit sicheren IP-Adressen durch. Skyvern führte seine Tests speziell in der Cloud-Infrastruktur durch, um reale Produktionsbedingungen zu erfüllen, bei denen Sie Bot-Erkennung, Browser-Fingerprinting und CAPTCHA-Herausforderungen ausgesetzt sind. Die Benchmark-Tests selbst laufen auf kooperativen Seiten ohne aggressiven Bot-Schutz, sodass die realen Erfolgsquoten niedriger sein werden, als diese Zahlen vermuten lassen.
Benchmark-Quellen
Diese Forschung zitieren
Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.
@misc{dilmegani2026,
author = {Dilmegani, Cem},
title = {{Beste 30+ Open-Source-Web-Agenten}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/open-source-web-agents}},
note = {AIMultiple. Abgerufen am 25. Juni 2026}
}Referenzlinks
Seien Sie der Erste, der kommentiert
Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.