Beste 30+ Open-Source-Web-Agenten
Wir haben 30+ Open-Source-Web-Agenten in vier Kategorien getestet: autonome Agenten, Computer-Use-Controller, Web Scraper und Entwickler-Frameworks.
Wir führten identische Benchmarks mit der WebVoyager-Testsuite durch, die 643 Aufgaben auf 15 echten Websites umfasst, um zu messen, welche Tools mehrstufige Web-Aufgaben tatsächlich abschließen und welche versagen, 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 WebVoyager-Benchmark-Score aus der eigenen publizierten 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: Visionär, 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 (Auto-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. Die 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). Die Tests liefen auf lokalen Maschinen mit sicheren IP-Adressen. LangChain-Integration und neu formulierte System-Prompts wurden vor dem Testen angewendet.
Skyvern 2.0 testete 635 von 643 Aufgaben, entfernte 8 mit ungültigen Antworten und aktualisierte die Daten 2023/2024 in Reiseaufgaben auf 2025. Die 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 auf eval.skyvern.com verfügbar.
Agent-E testete den vollständigen 643-Aufgaben-Datensatz ohne Änderungen. Verwendete nur DOM-Parsing, keine Vision-Modelle. Die Vergleichs-Baseline 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
Die Aufgabenerfüllung ist binär: Der Agent schließt entweder die vollständige mehrstufige Aufgabe ab oder nicht. Teilpunkte werden nicht vergeben. Eine Aufgabe wird nur dann als abgeschlossen markiert, wenn die endgültig 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, kein aggressiver Bot-Schutz, kein Cloudflare, kein DataDome. Browser-Use und Agent-E liefen auf lokalen Maschinen mit wohnungsäquivalenten IPs. Skyvern verwendete bewusst Cloud-Infrastruktur, um die Produktionsrealität anzunähern. Die realen Erfolgsquoten auf geschützten Produktionsseiten werden bei allen 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 der eigenen veröffentlichten Evaluation jedes Teams. Wir haben keinen kontrollierten Wiederholungstest mit identischen Bedingungen über alle Agenten hinweg durchgeführt.
Benchmark-Drift: Der WebVoyager-Aufgabensatz wurde 2023 veröffentlicht. Mehrere Aufgaben beziehen sich auf Produkte, Preise und Daten, die nicht mehr existieren. Die Teams gingen unterschiedlich damit um; einige entfernten sie, während andere die Daten aktualisierten, 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 (reale Bot-Schutz-Exposition). Der direkte Score-Vergleich unterschätzt die Produktionslücke für lokal getestete Agenten.
Keine Kosten- oder Latenzdaten: Der Benchmark misst nur die Aufgabenerfüllung. Kosten pro Aufgabe und durchschnittliche Abschlusszeit werden in den WebVoyager-Scores nicht erfasst, obwohl sie für Produktionsbereitstellungsentscheidungen erheblich sind.
Statische Momentaufnahme: Die Scores spiegeln die Agentenversionen und Website-Zustände zum Testzeitpunkt wider. Beide ändern sich häufig; ein Website-Redesign oder ein Agenten-Update kann die Ergebnisse wesentlich verschieben.
Aktuelle große Updates
Sicherheitskrise: OpenClaw-Malware-Verbreitung
Über 400 bösartige „Skills“ wurden zwischen Ende Januar und Anfang Februar auf ClawHub (OpenClaws Marktplatz) hochgeladen und verbreiteten Malware zum Stehlen von Zugangsdaten.1 IBM, Anthropic und Palo Alto Networks gaben Warnungen heraus. Sicherheitsforscher empfehlen nun, 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.2 Cloudflare veröffentlichte Moltworker-Middleware zur Unterstützung seiner Infrastruktur.3
Moltbook: Soziales Netzwerk für KI-Agenten
Nur-KI-soziales Netzwerk, das Ende Januar startete und innerhalb weniger Tage 1,5 Millionen Agenten erreichte. Agenten posten und interagieren autonom, während Menschen beobachten.4
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 nun entscheidend für Unternehmensbereitstellungen.
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 den Agentic Safety Dataset auf GitHub und Hugging Face.5
Autonome Web-Agenten und Copiloten
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. Benutzer, die konversationelle Schnittstellen für Desktop-Workflows wünschen.
Einschränkungen:
- Große Sicherheitslücken im Skill-Ökosystem (400+ bösartige Pakete in einer Woche)
- 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 Browserdaten 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 Benutzer, die keine Browserdaten teilen. Organisationen mit Anforderungen an die Datenresidenz.
Einschränkungen:
- Beschränkt auf Einzelrechner-Parallelität (5-10 Browser-Instanzen)
- Keine integrierte Proxy-Rotation oder Anti-Erkennungs-Funktionen
- Erfordert Einrichtung und Wartung einer Python-Umgebung
- Langsamer als Cloud-Lösungen für groß angelegte Aufgaben
Auto-GPT: Bewältigt Web-Browsing zusammen mit Dateioperationen und Code-Ausführung. Bereitstellung über die Browser-Oberfläche oder die Befehlszeile. Wenn Sie eine Aufgabe wie „recherchiere Wettbewerbspreise und speichere sie in einer Tabelle“ zuweisen, bestimmt es, welche Websites zu besuchen sind, welche Daten abzurufen sind und wie die Ausgabe zu organisieren ist.
Wer es nutzt: Entwickler, die benutzerdefinierte Automatisierungs-Workflows erstellen. Benutzer, die mit Befehlszeilen-Tools vertraut sind.
Einschränkungen:
- Fehlende webspezifische Funktionen wie Proxy-Rotation und Cookie-Management
- Keine integrierte Bot-Erkennungs-Vermeidung (Seiten mit Cloudflare werden es blockieren)
- Ressourcenintensiv (erzeugt 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 erledigt haben möchten. Selbst hostbar, wenn Sie die gehostete Version nicht nutzen möchten.
Wer es nutzt: Nicht-technische Benutzer, die einfache Automatisierung benötigen. Teams, die gemeinsam genutzte Agentenkonfigurationen wünschen.
Einschränkungen:
- Begrenzte Anpassungsmöglichkeiten im Vergleich zu programmierten Lösungen
- Leistungsengpässe bei komplexen mehrstufigen Aufgaben
- Die gehostete Version sendet Daten an ihre Server (Selbst-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. Bereitstellung lokal oder in Cloud-Infrastruktur.
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 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: Gelegentliche Benutzer, die gelegentlich Browser-Automatisierung benötigen. Benutzer, 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 das Überwachen von Websites auf Preisänderungen oder das Warten darauf, dass Produkte wieder auf Lager sind. Bereitstellung lokal mit Python und Docker, laufen lassen im Hintergrund.
Aktuelles Update: DeepWisdom (OpenManus-Muttergesellschaft) hat seine Kern-Agententechnologie Mitte Januar offiziell in Atoms umbenannt. Das neue Atoms-Framework verlagert den Fokus von Entwickler-Hobby-Tools hin zu kommerzieller Agentenbereitstellung mit integrierten Modulen für Zahlungen und Authentifizierung.6
Wer es nutzt: Benutzer, die lang andauernde Überwachungsaufgaben ausführen. Entwickler, die automatisierte Benachrichtigungssysteme erstellen.
Einschränkungen:
- Erfordert Docker- und Python-Einrichtung
- Keine integrierte Proxy-Unterstützung (Websites 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-Use-Agenten
Desktop-Automatisierung, die Browser als einen Teil umfassenderer Computer-Workflows steuert.
OpenInterpreter: Terminal-basierter Agent, der Python, JavaScript und Shell-Skripte basierend auf dem ausführt, was Sie eingeben. Bitten Sie ihn, „diese Website 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 umfassen 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 erstellt, sie mit Vision-Modellen analysiert und dann Befehle zur Steuerung von GUI-Elementen generiert. Entwickelt zum Testen neuer Ansätze zur Desktop-Automatisierung, nicht für den Produktionseinsatz.
Wer es nutzt: Akademische Forscher, die visionäre Automatisierung erforschen. Labore, die multimodale Steuerungssysteme testen.
Wann es sinnvoll ist: Sie forschen an visionärer Automatisierung. Sie müssen mit Screenshot-Analyse-Ansätzen 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 visionäre Browser-Interaktionsfähigkeiten bereitstellt. Claude sieht Ihren Browser-Bildschirm, entscheidet, was zu klicken ist, und führt die Aktion aus. Läuft als Chrome-Erweiterung plus lokaler Server.
Wer es nutzt: Claude-Benutzer, 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. Visionäre 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 über Python oder Browser-Erweiterung.
Aktuelles Update: Browser-Use kündigte Ende Januar eine strategische Integration mit Parallel KI an, die mehrsträngige Websuchen ermöglicht. Das Update ermöglicht es Agenten, bis zu 20 Browser-Schritte pro Minute auszuführen und damit die menschliche Leistung bei komplexen Rechercheaufgaben zu erreichen oder zu übertreffen.7
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 Browsen mit menschlicher Aufsicht. Ihre Workflows erfordern Geschwindigkeit (mehrsträngige Ausführung). Sie bauen auf dem Browser-Use-Ökosystem auf.
Einschränkungen:
- Erfordert Installation des Browser-Use-Frameworks
- Der Genehmigungsmodus verlangsamt die Automatisierung erheblich
- Begrenzte Anti-Erkennungs-Funktionen (Websites 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 gibt. 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 aufgenommen.
Web-Navigations-Agenten
Konzentrieren sich speziell auf mehrstufige Website-Workflows.
Agent-E: Liest Seiten-HTML, um klickbare Elemente und Navigationspfade zu finden. Verwendet „DOM Destillation“, um Seiten auf wesentliche interaktive Elemente zu reduzieren, plus „Skill Harvesting“, um sich erfolgreiche Muster zu merken. 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 neue Optionen basierend auf Auswahlen anzeigen
- Leistung sinkt erheblich auf JavaScript-lastigen Websites
- Schlechte Ergebnisse auf Buchungsseiten
AutoWebGLM: Vereinfacht HTML, bevor es an Sprachmodelle weitergegeben wird. Komplexe Seiten werden auf Kernnavigationselemente und Formularfelder reduziert. Verwendet Reinforcement Learning, um Navigationsentscheidungen im Laufe der Zeit zu verbessern. Läuft selbst gehostet über 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 verfügen über Python-ML-Infrastruktur.
Einschränkungen:
- Begrenzte Dokumentation und Community-Unterstützung
- Erfordert Trainingsphase vor der Bereitstellung (nicht Plug-and-Play)
- Benötigt signifikante Beispiele, um effektive Richtlinien zu lernen
- Bricht zusammen, wenn Websites Layouts neu gestalten
Visionäre 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, Agenten-Teams 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. Benutzer des Microsoft-Ökosystems.
Wann es sinnvoll ist: Sie erstellen Multi-Agenten-Systeme innerhalb von AutoGen. Sie benötigen orchestrierte Agentenzusammenarbeit. Sie wünschen Microsofts Unterstützung 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: Planer zerlegt Aufgaben in Schritte, Akteur führt sie aus, Validator bestätigt den Erfolg. Erstellt Screenshots, um Schaltflächen und Formulare visuell zu identifizieren. Dieser Ansatz adressiert JavaScript-lastige Websites, bei denen sich das DOM nach dem Seitenaufbau ändert. Erreichte 85,85% bei WebVoyager. Bereitstellung selbst gehostet oder über ihre verwaltete Cloud.
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 Produktionstool 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 Vision-Verarbeitung)
- Cloud-Bereitstellung setzt Sie Bot-Erkennung aus
LiteWebAgent: Vision-Sprachmodell mit Gedächtnis und Planung, das Chrome über das DevTools-Protokoll steuert. Behält Kontext über Seitenaufrufe hinweg bei und erinnert sich an das, was es auf vorherigen Seiten gesehen hat, wenn es Navigationsentscheidungen trifft. Python-Framework, selbst gehostete Bereitstellung.
Wer es nutzt: Entwickler, die benutzerdefinierte visionäre 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, wünschen aber mehr Kontrolle als Skyvern. Sie können Python-ML-Infrastruktur warten.
Einschränkungen:
- Erfordert erhebliche Rechenleistung für Vision-Modelle
- Gedächtnisarchitektur erhöht Komplexität und Fehlermodi
- Begrenzte Tests auf Produktionswebsites mit Bot-Erkennung
- Kleine Community (weniger Beispiele und Integrationen als Alternativen)
Agentenbefähigungstools
Frameworks, die es LLMs oder Benutzern 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 ihn. Bewältigt 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 Browser-Steuerungen.
Browser-Use: Nimmt unübersichtliches DOM und strukturiert es für LLMs um. Entfernt irrelevante Elemente, beschriftet interaktive Komponenten und bietet Steuerungsschnittstellen. Dies ermöglichte es Browser-Use, 89,1% bei WebVoyager zu erreichen. Verfügbar als Python-Bibliothek oder API, Bereitstellung selbst gehostet oder über deren Cloud.
Browserless: Remote-Chrome-Instanzen, die Sie über 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 Selbst-Hosting.
ZeroStep (Playwright KI): KI-Schicht auf Playwright. Schreiben Sie Prompts statt Selektoren. Kombiniert Playwrights Zuverlässigkeit mit LLM-Flexibilität zur Elementidentifikation. Erfordert Node.js- und Playwright-Installation.
Als bevorzugte Quelle hinzufügenWeb-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 ihr, was zu extrahieren ist, und sie erledigt den Rest. Enthält Backend für Planung und Speicherung von Ergebnissen.
Wer es nutzt: Nicht-technische Benutzer, die regelmäßige Datenextraktion benötigen. Business-Analysten, die Daten in Tabellenkalkulationen ziehen.
Wann es sinnvoll ist: Sie extrahieren wiederholt Daten von denselben Websites. Sie möchten keinen Code schreiben. Sie benötigen Planung und Ergebnisspeicherung. Ihre Zielseiten blockieren keine Browser-Erweiterungen.
Einschränkungen:
- Nur Chrome (kein Firefox oder Safari)
- Bricht zusammen, wenn Zielseiten Layouts ändern
- Keine Proxy-Unterstützung (Websites erkennen wiederholte Anfragen von derselben IP)
- Auf tabellarische Datenextraktion beschränkt
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 (Vision-Verarbeitung + 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 #1 bei GitHub Trending und übertraf 58.000 Sterne. Optimiert für LLM-Integration mit Markdown-Ausgabe und BM25-Inhaltsfilterung. Beliebte Wahl für RAG-Pipelines, die eine lokal-first-Bereitstellung erfordern.8
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 Web-Daten benötigen. Sie möchten eine Markdown-formatierte Ausgabe. Sie benötigen eine lokale Bereitstellung ohne Cloud-API-Abhängigkeiten. Ihr Anwendungsfall umfasst Inhaltsfilterung und Relevanz-Ranking.
Einschränkungen:
- Erfordert LLM, das lokal oder über API läuft (nicht eigenständig)
- Langsamer als traditionelle Scraper (LLM-Verarbeitung pro Seite)
- Kann wichtige Inhalte verpassen, wenn das LLM falsch beurteilt
- Höherer Ressourcenverbrauch 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 Web-Inhalte verarbeiten.
Wann es sinnvoll ist: Sie benötigen saubere Textextraktion für 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 benötigte Formatierung verlieren)
- Begrenzte Anpassung der Extraktionsregeln
- Keine integrierte Ratenbegrenzung oder Anti-Erkennung
GPT-crawler: Crawlt Websites und gibt Trainingsdaten für benutzerdefinierte GPTs aus. Zeigen Sie auf Dokumentation oder eine Wissensbasis, 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 Web-Quellen. Ihr Inhalt ist Dokumentation oder Wissensbasen. Sie können Python-CLI-Tools ausführen.
Einschränkungen:
- Ausgabeformat spezifisch für GPT-Fine-Tuning (nicht universell)
- Keine inkrementellen Updates (gesamte Website für Updates neu crawlen)
- Begrenzte Behandlung von Authentifizierung oder Paywalls
- Geht von statischer Inhaltsstruktur aus
ScrapeGraphAI: Erstellt Wissensgraphen aus gecrawlten Inhalten. Gut für Dokumentationsseiten, bei denen Sie Beziehungen zwischen Konzepten verstehen müssen. Gibt strukturierte Zusammenfassungen oder Fakten-Graphen aus. Python-Bereitstellung.
Wer es nutzt: Wissensmanagement-Teams. Forscher, die Konzeptkarten aus Web-Inhalten erstellen.
Wann es sinnvoll ist: Sie benötigen Beziehungsextraktion, nicht nur Inhalte. Ihre Zielseiten sind Dokumentation oder Bildungsinhalte. Sie erstellen Wissensbasen oder Konzeptkarten. Sie verfügen über Python-Infrastruktur.
Einschränkungen:
- Komplexe Einrichtung (erfordert Graph-Datenbank und NLP-Modelle)
- Langsamer als einfache Scraper (Entitätsextraktion + Beziehungs-Mapping)
- Qualität hängt von der Quellinhaltsstruktur ab
- Auf Text beschränkt (behandelt Tabellen oder Bilder nicht gut)
AutoScraper: Lernen-durch-Beispiel-Scraper. Zeigen Sie ihm eine Seite mit den gewünschten Daten, er erkennt 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 keine Selektoren manuell schreiben. Sie benötigen schnelle Prototypen. Ihre Websites ändern Layouts nicht häufig.
Einschränkungen:
- Bricht zusammen, wenn sich Seitenlayouts ändern
- Auf ähnliche Seitenstrukturen beschränkt (kann nicht auf verschiedene Websites verallgemeinern)
- Keine JavaScript-Rendering-Unterstützung
- Einfache Mustererkennung (keine KI-Argumentation 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 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-Suchtools
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 Suchseiten.
Web-Steuerungs-Frameworks für Entwickler
Low-Level-Bibliotheken für programmatische Browser-Steuerung.
Test-Frameworks
Playwright: Microsofts browserübergreifende Automatisierung. Unterstützt Chromium, Firefox, WebKit. Integrierte Wartezeiten, Netzwerk-Abfangen und mobile Emulation. Verfügbar in JavaScript, Python, .NET und Java. Industriestandard für modernes Web-Testing.
Selenium: Das ursprüngliche Browser-Automatisierungs-Framework. Funktioniert mit allen großen Browsern. Größeres Ökosystem, aber ältere Architektur. Sprach-Bindings für Python, Java, C#, Ruby, mehr. WebDriver-Protokollstandard.
taiko: ThoughtWorks-Framework mit lesbarer Syntax. Gut für Funktionstests, bei denen die Testlesbarkeit wichtig ist. Nur Node.js.
Automatisierungsbibliotheken
Puppeteer: Googles Bibliothek zur Steuerung von Chrome/Chromium. High-Level-API für Screenshots, PDF-Generierung und Scraping. Node.js-Ökosystem funktioniert mit TypeScript. Standardwahl für headless Chrome-Automatisierung.
Browser-Use: Oben als LLM-Brücke aufgeführt, funktioniert aber auch als Entwickler-Automatisierungsbibliothek. Konvertiert DOM in ein strukturiertes Format, behandelt Navigation und Interaktion. Python-Bibliothek mit API-Option.
Was diese Web-Agenten anders macht
Browser-Use erreichte 89,1% bei WebVoyager-Tests, während Agent-E 73,1% beim 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 Benutzerauswahlen anzeigen.
Autonomiestufen
Vollständig autonome Agenten wie Browser-Use, Skyvern und Agent-E akzeptieren übergeordnete Ziele („finde den günstigsten Flug nach Paris“) und planen ihre eigenen Navigationsschritte. Sie passen sich unerwarteten Elementen wie Cookie-Bannern oder Captchas an. Allerdings erfordert jede Entscheidung einen LLM-Aufruf, was sowohl Kosten als auch Antwortzeit 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 Website ihr Layout neu gestaltet, müssen Sie die Anweisungen manuell aktualisieren.
Manuelle Coding-Frameworks wie Playwright und Selenium erfordern expliziten Code für jeden Klick, jede Formularausfüllung und Navigation. Tests laufen jedes Mal identisch, bis die Website eine Element-ID oder einen Klassennamen ändert. Dann brechen Selektoren und Sie schreiben den Code neu.
Wie sie Seiten interpretieren
Visionäre 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 steigen.
Visionäre Verarbeitung funktioniert auf JavaScript-lastigen Websites, bei denen sich das DOM nach dem Seitenaufbau neu aufbaut. Aber GPT-4V berechnet pro Bild-Token, was jeden Seitenaufruf 10-20x teurer macht als das Lesen von HTML. Vision-Modelle fügen außerdem 2-3 Sekunden pro Seite im Vergleich zum DOM-Parsing hinzu.
DOM-Parsing: Browser-Use und Agent-E lesen Seiten-HTML direkt. Sie scannen den Code nach klickbaren Elementen, Eingabefeldern und Navigationslinks.
Agent-E verwendet „DOM Destillation“, 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 Websites 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. Browser-Uses 89,1% Genauigkeit kommt teilweise von der LangChain-Integration und aktualisierten Prompts, nicht nur vom Überspringen von Vision-Aufrufen. Aber DOM-Ansätze haben Schwierigkeiten, wenn Websites Shadow DOM, verschleierte Klassennamen oder starke JavaScript-Manipulation verwenden.
Kombinierter Ansatz: LiteWebAgent und AutoWebGLM parsen DOM für die Struktur und verwenden dann Vision, um zu überprüfen, was Benutzer tatsächlich sehen. Genauer als DOM allein, günstiger als reine Vision, aber Sie betreiben zwei Systeme pro Seite.
Spezialisierung
Auto-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 Websites mit Bot-Erkennung einschränkt.
Agent-E und WebVoyager führen nur Web-Navigation durch. Agent-E erreichte insgesamt 73,1% beim vollständigen 643-Aufgaben-WebVoyager-Datensatz und übertraf damit die 57,1% des multimodalen WebVoyager-Agenten. Starke Leistung auf Websites wie Wolfram (95,7%), Google Search (90,7%) und Google Maps (87,8%). Schwach auf dynamischen Websites: nur 27,3% auf Booking.com und 35,7% auf Google Flights, wo Dropdown-Menüs und Formularfelder sich basierend auf Benutzerauswahlen ändern.
Crawl4AI und FireCrawl extrahieren Daten und konvertieren Seiten in Markdown oder JSON. Sie füllen keine Formulare aus und klicken nicht durch Workflows. Verwenden Sie 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, essentiell für Regressionstests. Aber dieser Determinismus bedeutet, dass sie sich nicht anpassen können. Wenn sich eine Website ändert, bricht Ihre Test-Suite zusammen.
Bereitstellungsoptionen
Lokale Ausführung: AgenticSeek, Nanobrowser und OpenInterpreter laufen auf Ihrem Rechner. Ihre Browserdaten 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 über 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 bereitgestellt. Ihr 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 sie in jedes Python- oder Node.js-Projekt ein. Aber Sie müssen Ihre eigene Agentenkoordination, Fehlerbehandlung und Ergebnisspeicherung aufbauen.
Nanobrowser und BraveGPT werden als Chrome-Erweiterungen installiert. 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 beinhalten Unterstützung für Residential Proxys, randomisierte Mausbewegungen und Browser-Fingerprint-Rotation. Diese Funktionen verhindern IP-Sperren und CAPTCHA-Auslöser auf geschützten Websites.
WebVoyager und AutoWebGLM konzentrieren sich auf Navigationsalgorithmen. Agent-E erreichte 73,1% mit textbasiertem DOM-Parsing und übertraf damit WebVoyagers 57,1% multimodalen Ansatz. 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 nachzubilden, bei denen Sie mit Bot-Erkennung, Browser-Fingerprinting und CAPTCHA-Herausforderungen konfrontiert sind. Die Benchmark-Tests selbst laufen auf kooperativen Websites 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.