Los mejores 30+ agentes web de código abierto
Probamos más de 30 agentes web de código abierto en cuatro categorías: agentes autónomos, controladores de uso informático, raspadores web y frameworks para desarrolladores.
Ejecutamos pruebas de referencia idénticas utilizando el conjunto de pruebas WebVoyager, que cubre 643 tareas en 15 sitios web reales, para medir qué herramientas completan realmente tareas web de múltiples pasos y cuáles fallan cuando los sitios utilizan menús desplegables dinámicos o diseños con mucho JavaScript.
Agentes web de código abierto: estrellas en GitHub
Consulte las fuentes de las pruebas de referencia.
Prueba de referencia WebVoyager: metodología
Agentes evaluados
Incluimos agentes que cumplían los tres criterios: código fuente disponible abiertamente, una puntuación reportada en la prueba de referencia WebVoyager de la propia evaluación publicada del agente, y mantenimiento activo (última confirmación dentro de los 6 meses posteriores a nuestra fecha de revisión).
- Browser-Use: puente LLM-navegador, basado en DOM con integración de LangChain
- Skyvern 2.0: basado en visión, arquitectura planificador-actor-validador, despliegue en la nube
- Agent-E: solo DOM, sin modelos de visión, conjunto de datos completo de 643 tareas
- WebVoyager: línea base multimodal original, híbrido GPT-4V + DOM
Los agentes listados en el artículo más amplio pero sin puntuaciones publicadas en WebVoyager (Auto-GPT, AgenticSeek, OpenManus, LaVague y otros) se evaluaron cualitativamente en cuanto a arquitectura, modelo de despliegue y capacidades declaradas. No se incluyen en la comparación cuantitativa.
Condiciones de prueba
Cada equipo ejecutó su propia evaluación; no volvimos a ejecutar las pruebas de forma independiente. Las diferencias en las puntuaciones reflejan en parte diferentes condiciones de prueba:
Browser-Use probó 586 de 643 tareas, eliminando 55 con respuestas obsoletas (productos de Apple descontinuados, fechas de vuelo vencidas, recetas eliminadas). Las pruebas se ejecutaron en máquinas locales con direcciones IP seguras. Se aplicó la integración de LangChain y se reescribieron los prompts del sistema antes de la prueba.
Skyvern 2.0 probó 635 de 643 tareas, eliminando 8 con respuestas no válidas, y actualizó las fechas de 2023/2024 en tareas de viaje a 2025. Las pruebas se ejecutaron en Skyvern Cloud utilizando navegadores asíncronos en la nube, no en máquinas locales. Las condiciones de la nube exponen a los agentes a la detección de bots y a desafíos CAPTCHA que las pruebas locales evitan. Las grabaciones completas de las pruebas están disponibles en eval.skyvern.com.
Agent-E probó el conjunto de datos completo de 643 tareas sin modificaciones. Utilizó solo análisis de DOM sin modelos de visión. La línea base de comparación fue el agente WebVoyager original, no GPT-4o.
WebVoyager (original) probó el conjunto de datos completo utilizando capturas de pantalla de GPT-4V más DOM. Sirve como la línea base multimodal que Agent-E superó utilizando solo texto.
Puntuación
La finalización de la tarea es binaria: el agente completa toda la tarea de múltiples pasos o no lo hace. No se otorga crédito parcial. Una tarea se marca como completada solo cuando el resultado final esperado (un precio, una confirmación de reserva, un resultado de búsqueda) coincide con la verdad fundamental.
La tasa de aprobación se reporta como: tasks completed / tasks attempted × 100
Cuando los equipos eliminaron tareas del conjunto de datos, el denominador refleja su conjunto reducido, no el original de 643.
Lo que estas puntuaciones significan en la práctica
Las tareas de la prueba de referencia WebVoyager se ejecutan en sitios web activos en condiciones cooperativas, sin protección agresiva contra bots, sin Cloudflare, sin DataDome. Browser-Use y Agent-E se ejecutaron en máquinas locales con IP equivalentes a residenciales. Skyvern utilizó deliberadamente infraestructura en la nube para aproximarse a la realidad de producción. Las tasas de éxito en el mundo real en sitios de producción protegidos serán inferiores a las puntuaciones de referencia para todos los agentes.
La prueba de referencia no mide la velocidad, el costo por tarea o la resistencia a las medidas anti-bot. Una puntuación del 89.1% en WebVoyager no significa que el agente completará el 89% de las tareas en un sitio de producción con protección de Cloudflare.
Limitaciones
Denominadores no comparables: Browser-Use probó 586 tareas, Skyvern probó 635, Agent-E probó 643. Una puntuación más alta en un conjunto más pequeño no es directamente comparable a una puntuación más baja en el conjunto completo.
Resultados auto-reportados: Todas las puntuaciones provienen de la propia evaluación publicada por cada equipo. No realizamos una repetición controlada de la prueba con condiciones idénticas en todos los agentes.
Deriva de la referencia: El conjunto de tareas WebVoyager se publicó en 2023. Varias tareas hacen referencia a productos, precios y fechas que ya no existen. Los equipos los manejaron de manera diferente; algunos los eliminaron, mientras que otros actualizaron las fechas, introduciendo inconsistencia.
Brecha local vs. nube: Browser-Use y Agent-E probaron localmente (IP seguras, sin detección de bots). Skyvern probó en la nube (exposición real a la protección contra bots). La comparación directa de puntuaciones subestima la brecha de producción para los agentes probados localmente.
Sin datos de coste o latencia: La referencia mide solo la finalización de tareas. El costo por tarea y el tiempo promedio de finalización no se capturan en las puntuaciones de WebVoyager, aunque son importantes para las decisiones de despliegue en producción.
Instantánea estática: Las puntuaciones reflejan las versiones de los agentes y los estados de los sitios web en el momento de la prueba. Ambos cambian con frecuencia; un rediseño del sitio web o una actualización del agente pueden cambiar los resultados de manera significativa.
Actualizaciones importantes recientes
Crisis de seguridad: distribución de malware en OpenClaw
Más de 400 "habilidades" maliciosas se subieron a ClawHub (el mercado de OpenClaw) entre finales de enero y principios de febrero, distribuyendo malware de robo de credenciales.1 IBM, Anthropic y Palo Alto Networks emitieron advertencias. Los investigadores de seguridad ahora recomiendan usar solo entornos aislados y fuentes verificadas.
Crecimiento viral de OpenClaw
OpenClaw (anteriormente Moltbot/Clawdbot) alcanzó 147,000 estrellas en GitHub, el proyecto de IA de código abierto de más rápido crecimiento. Se ejecuta localmente, se integra con plataformas de mensajería y utiliza el Protocolo de Contexto de Modelo para más de 100 servicios.2 Cloudflare lanzó el middleware Moltworker para dar soporte a su infraestructura.3
Moltbook: red social de agentes de IA
Red social solo para IA lanzada a finales de enero, alcanzó 1.5 millones de agentes en días. Los agentes publican e interactúan de forma autónoma mientras los humanos observan.4
Estandarización del Protocolo de Contexto de Modelo
MCP se convirtió en el protocolo dominante para la integración de agente a herramienta, con más de 100 servidores disponibles. La gestión y la gobernanza ahora son críticas para los despliegues empresariales.
Modelos NVIDIA Nemotron 3
NVIDIA lanzó la familia Nemotron 3 (Nano, Super, Ultra) optimizada para IA agéntica, ofreciendo 4x mayor rendimiento. Incluye NeMo Gym y Agentic Safety Dataset en GitHub y Hugging Face.5
Agentes web autónomos y copilotos
Herramientas que navegan por sitios web y completan tareas de múltiples pasos con una guía mínima.
Agentes autónomos de propósito general
OpenClaw (anteriormente Moltbot/Clawdbot): Ejecute esto en su máquina local para automatizar tareas en aplicaciones de mensajería, calendarios y correo electrónico. Dígale "programa una reunión con el equipo para el próximo martes y envía invitaciones de calendario", y maneja todo el flujo de trabajo. Utiliza el Protocolo de Contexto de Modelo para conectarse con más de 100 servicios sin llamadas a API en la nube.
Quién lo usa: Primeros usuarios dispuestos a gestionar riesgos de seguridad para la automatización local. Usuarios que desean interfaces conversacionales para flujos de trabajo de escritorio.
Limitaciones:
- Vulnerabilidades de seguridad importantes en el ecosistema de habilidades (400+ paquetes maliciosos en una semana)
- Todavía en rápido desarrollo con frecuentes cambios importantes
- La documentación es inconsistente debido a múltiples ciclos de cambio de marca
- Uso intensivo de recursos (requiere una capacidad de cómputo local significativa)
AgenticSeek: Reemplace los servicios comerciales basados en la nube con una alternativa local que no envía datos de navegación a servidores externos. Instálelo en su máquina, describa lo que necesita ("extraiga todos los precios de los productos de esta página"), y se encarga de hacer clic y recopilar datos. Basado en Python, se ejecuta completamente autohospedado.
Quién lo usa: Usuarios preocupados por la privacidad que no compartirán datos de navegación. Organizaciones con requisitos de residencia de datos.
Limitaciones:
- Limitado a la concurrencia de una sola máquina (10 instancias de navegador)
- Sin rotación de proxy incorporada ni funciones de antidetección
- Requiere configuración y mantenimiento del entorno Python
- Más lento que las soluciones en la nube para tareas a gran escala
Auto-GPT: Maneja la navegación web junto con operaciones de archivos y ejecución de código. Despliéguelo a través de la interfaz del navegador o la línea de comandos. Cuando asigna una tarea como "investiga los precios de la competencia y guárdalos en una hoja de cálculo", determina qué sitios web visitar, qué datos recuperar y cómo organizar la salida.
Quién lo usa: Desarrolladores que crean flujos de trabajo de automatización personalizados. Usuarios que se sienten cómodos con las herramientas de línea de comandos.
Limitaciones:
- Carece de funciones específicas de web como rotación de proxy y gestión de cookies
- Sin prevención de detección de bots incorporada (los sitios con Cloudflare lo bloquearán)
- Uso intensivo de recursos (genera múltiples instancias de navegador)
- Requiere ingeniería de prompts manual para tareas complejas
AgentGPT: Configure agentes directamente en su navegador sin escribir código. Desarrolle agentes especializados como "ResearchGPT" o "DataGPT" que descomponen los objetivos en pasos. La plataforma maneja la orquestación. Usted describe lo que quiere lograr. Autohospedable si no quiere usar su versión alojada.
Quién lo usa: Usuarios no técnicos que necesitan automatización simple. Equipos que desean configuraciones de agentes compartidas.
Limitaciones:
- Personalización limitada en comparación con las soluciones codificadas
- Cuellos de botella de rendimiento en tareas complejas de múltiples pasos
- La versión alojada envía datos a sus servidores (se requiere autohospedaje para privacidad)
- Sin funciones avanzadas como huellas dactilares del navegador o manejo de CAPTCHA
SuperAGI: Framework para construir agentes autónomos personalizados con plantillas para flujos de trabajo comunes. Extiéndalo con su propia lógica. Maneja la automatización del navegador como un componente de flujos de trabajo más grandes. Despliéguelo localmente o en la infraestructura de la nube.
Quién lo usa: Equipos de desarrollo que construyen sistemas de agentes de producción. Organizaciones que necesitan frameworks de automatización personalizables.
Limitaciones:
- Curva de aprendizaje pronunciada (requiere comprender la arquitectura del agente)
- La biblioteca de plantillas aún es limitada (requiere desarrollo personalizado para la mayoría de los casos de uso)
- Lagunas en la documentación para funciones avanzadas
- El desarrollo activo significa cambios importantes entre versiones
Nanobrowser: Enfoque de extensión de Chrome, instálelo y luego controle los agentes desde la barra de herramientas de su navegador. Bueno para tareas rápidas como "extraer todos los correos electrónicos de esta página" o "complete este formulario con datos de mi hoja de cálculo".
Quién lo usa: Usuarios ocasionales que necesitan automatización ocasional del navegador. Usuarios que no configurarán servidores ni entornos Python.
Limitaciones:
- No puede escalar más allá de unas pocas pestañas (sin procesamiento concurrente)
- Sin integración con canalizaciones de automatización de backend
- Limitado al navegador Chrome
- Los permisos de extensión plantean problemas de seguridad
OpenManus: Alternativa de código abierto a los servicios comerciales de automatización del navegador. Ejecuta tareas de navegador que toman horas o días, como monitorear sitios en busca de cambios de precios o esperar a que los productos vuelvan a estar disponibles. Despliéguelo localmente con Python y Docker, manténgalo funcionando en segundo plano.
Actualización reciente: DeepWisdom (empresa matriz de OpenManus) cambió oficialmente la marca de su tecnología de agente principal a Atoms a mediados de enero. El nuevo framework Atoms cambia el enfoque de herramientas para aficionados desarrolladores al despliegue de agentes de grado comercial con módulos integrados para pagos y autenticación.6
Quién lo usa: Usuarios que ejecutan tareas de monitoreo de larga duración. Los desarrolladores están construyendo sistemas de notificación automatizados.
Limitaciones:
- Requiere configuración de Docker y Python
- Sin soporte de proxy incorporado (los sitios detectarán solicitudes repetidas desde la misma IP)
- Pérdidas de memoria en tareas de larga duración (requiere reinicios periódicos)
- El cambio de marca a Atoms puede causar confusión en la documentación
Agentes de uso informático
Automatización de escritorio que controla los navegadores como una pieza de flujos de trabajo informáticos más amplios.
OpenInterpreter: Agente basado en terminal que ejecuta scripts de Python, JavaScript y shell según lo que escriba. Pídale que "raspe este sitio y analice los datos en pandas", y generará el código de raspado, lo ejecutará y luego realizará el análisis. La automatización del navegador se integra con el acceso al sistema de archivos y el procesamiento de datos.
Quién lo usa: Desarrolladores que se sienten cómodos con las interfaces de terminal. Los científicos de datos están combinando el raspado web con flujos de trabajo de análisis.
Cuándo tiene sentido: Necesita automatización que abarque la navegación web y la computación local. Desea inspeccionar y modificar el código generado antes de la ejecución. Sus flujos de trabajo implican la transformación de datos después de la recopilación.
Limitaciones:
- Interfaz solo de terminal (sin GUI)
- Riesgo de seguridad (ejecuta código arbitrario en su máquina)
- Sin aislamiento por defecto (puede acceder a cualquier archivo o recurso del sistema)
- Curva de aprendizaje para no programadores
UI-TARS: Framework de investigación académica que toma capturas de pantalla de su escritorio, las analiza con modelos de visión y luego genera comandos para controlar elementos de la GUI. Construido para probar nuevos enfoques de automatización de escritorio, no para uso en producción.
Quién lo usa: Investigadores académicos que exploran la automatización basada en visión. Laboratorios que prueban sistemas de control multimodal.
Cuándo tiene sentido: Está realizando investigaciones sobre automatización basada en visión. Necesita experimentar con enfoques de análisis de capturas de pantalla. Está escribiendo artículos académicos sobre automatización de GUI.
Limitaciones:
- No está listo para producción (prototipo de investigación)
- Alta latencia (el procesamiento del modelo de visión toma 2-3 segundos por acción)
- Caro (GPT-4V cobra por token de imagen)
- Sin recuperación de errores ni lógica de reintento
AutoBrowser MCP: Servidor MCP que permite a Claude controlar navegadores Chrome a través del Protocolo de Contexto de Modelo, proporcionando capacidades de interacción del navegador basadas en visión. Claude ve la pantalla de su navegador, decide qué hacer clic y ejecuta la acción. Se ejecuta como una extensión de Chrome más un servidor local.
Quién lo usa: Usuarios de Claude que desean control del navegador. Desarrolladores que construyen sistemas de automatización basados en MCP.
Cuándo tiene sentido: Ya está usando Claude y desea agregar automatización del navegador. Prefiere el control conversacional sobre las APIs programáticas. Se requiere interacción basada en visión para diseños complejos.
Limitaciones:
- Requiere acceso a la API de Claude (no disponible en todas las regiones)
- Los costos del modelo de visión se acumulan rápidamente
- La latencia es mayor que la de los enfoques basados en DOM
- Limitado al navegador Chrome
Open Operator: La respuesta del equipo de Browser-Use a Operator de OpenAI. Proporciona a los modelos de lenguaje acceso directo a Chrome a través de una vista DOM simplificada. Ejecútelo en modo completamente autónomo o habilite el modo de aprobación, en el que confirma cada acción antes de la ejecución. Instálelo a través de Python o extensión del navegador.
Actualización reciente: Browser-Use anunció una integración estratégica con Parallel IA a finales de enero, permitiendo búsquedas web de subprocesos múltiples. La actualización permite a los agentes ejecutar hasta 20 pasos de navegador por minuto, igualando o superando el rendimiento humano en tareas de investigación complejas.7
Quién lo usa: Equipos que ya utilizan el framework Browser-Use. Organizaciones que desean flujos de trabajo de aprobación para acciones de agentes.
Cuándo tiene sentido: Necesita navegación autónoma con supervisión humana. Sus flujos de trabajo requieren velocidad (ejecución de subprocesos múltiples). Está construyendo sobre el ecosistema Browser-Use.
Limitaciones:
- Requiere la instalación del framework Browser-Use
- El modo de aprobación ralentiza significativamente la automatización
- Funciones de antidetección limitadas (los sitios con protección contra bots lo bloquearán)
- Solo Python (sin soporte para JavaScript/TypeScript)
Cowork (Anthropic): Herramienta de escritorio de Anthropic que brinda a Claude acceso directo a sistemas de archivos y entornos de navegador dentro de una aplicación unificada. Expande la API de Computer Use a un producto orientado al consumidor. Disponible para descarga; ya no se limita a la vista previa de investigación. Propietario, incluido aquí para comparación con alternativas de código abierto.
Agentes de navegación web
Se enfocan específicamente en flujos de trabajo de sitios web de múltiples pasos.
Agent-E: Lee el HTML de la página para encontrar elementos cliqueables y rutas de navegación. Utiliza "DOM Distillation" para reducir las páginas a elementos interactivos esenciales, más "Skill Harvesting" para recordar patrones exitosos. Obtuvo 73.1% en la prueba de referencia WebVoyager usando solo texto, sin modelos de visión.
Quién lo usa: Organizaciones que priorizan el costo sobre la precisión. Desarrolladores que construyen sistemas de automatización basados en DOM.
Cuándo tiene sentido: Necesita automatización rápida y económica en sitios web estáticos. Sus sitios de destino no utilizan formularios dinámicos con mucho JavaScript. Puede tolerar una tasa de éxito del 73% a cambio de costos más bajos.
Limitaciones:
- Sin recuperación de errores incorporada cuando la estructura del DOM cambia inesperadamente
- Tiene dificultades con formularios dinámicos donde los menús desplegables revelan nuevas opciones según las selecciones
- El rendimiento cae significativamente en sitios con mucho JavaScript
- Malos resultados en sitios de reservas
AutoWebGLM: Simplifica el HTML antes de enviarlo a los modelos de lenguaje. Las páginas complejas se reducen a elementos de navegación centrales y campos de formulario. Utiliza aprendizaje por refuerzo para mejorar las decisiones de navegación con el tiempo. Se ejecuta autohospedado a través de Python.
Quién lo usa: Equipos de investigación que exploran la automatización web basada en RL. Organizaciones con recursos de cómputo para el entrenamiento de modelos.
Cuándo tiene sentido: Puede invertir en el entrenamiento de modelos personalizados para sus sitios web específicos. Sus flujos de trabajo son lo suficientemente repetitivos como para beneficiarse de la optimización RL. Tiene infraestructura Python de ML.
Limitaciones:
- Documentación y soporte comunitario limitados
- Requiere fase de entrenamiento antes del despliegue (no es plug-and-play)
- Necesita ejemplos significativos para aprender políticas efectivas
- Se rompe cuando los sitios web rediseñan los diseños
Agentes de navegación basados en visión
Combinan capturas de pantalla con análisis de texto para interpretar el diseño visual de la página.
Extensión Autogen WebSurfer: Conéctese al framework AutoGen de Microsoft para agregar navegación web. Requiere la instalación de Playwright. El framework le permite crear equipos de agentes: un agente busca mientras otro procesa los resultados y un tercero interactúa con usted.
Quién lo usa: Equipos que ya utilizan el framework AutoGen. Usuarios del ecosistema de Microsoft.
Cuándo tiene sentido: Está construyendo sistemas multiagente dentro de AutoGen. Necesita colaboración orquestada de agentes. Desea el soporte y la documentación de Microsoft.
Limitaciones reales:
- Ejemplos y proyectos comunitarios limitados
- Requiere adoptar todo el framework AutoGen (no se puede usar de forma independiente)
- La sobrecarga del framework no vale la pena para tareas de automatización simples
- Curva de aprendizaje pronunciada para la orquestación multiagente
Skyvern: Sistema trifásico: el planificador divide las tareas en pasos, el actor los ejecuta, el validador confirma el éxito. Toma capturas de pantalla para identificar visualmente botones y formularios. Este enfoque aborda los sitios con mucho JavaScript en los que el DOM cambia después de la carga de la página. Obtuvo 85.85% en WebVoyager. Despliéguelo autohospedado o use su nube administrada.
WebVoyager: El agente de referencia original del artículo de 2024 que introdujo el conjunto de pruebas WebVoyager. Utiliza capturas de pantalla de GPT-4V junto con el análisis DOM en un enfoque híbrido. Obtuvo 57.1% en el conjunto de datos completo de 643 tareas, la línea base con la que se miden los agentes posteriores. No se mantiene activamente como herramienta de producción; su valor es como referencia de investigación y punto de origen de la prueba de referencia.
Quién lo usa: Organizaciones que necesitan alta precisión en aplicaciones web modernas. Equipos dispuestos a pagar los costos del modelo de visión para obtener mejores resultados.
Cuándo tiene sentido: Sus sitios de destino utilizan mucho JavaScript y diseños dinámicos. Necesita una precisión superior al 85%. Puede pagar costos 10-20x más altos que el análisis DOM. Sus flujos de trabajo justifican la infraestructura en la nube.
Limitaciones:
- La versión autohospedada requiere una capacidad de cómputo significativa para los modelos de visión
- Caro (GPT-4V cobra por token de imagen; cada vista de página cuesta 10-20x más que el análisis DOM)
- Más lento que los enfoques DOM (2-3 segundos por página para el procesamiento de visión)
- El despliegue en la nube lo expone a la detección de bots
LiteWebAgent: Modelo de lenguaje de visión con memoria y planificación que controla Chrome a través del Protocolo DevTools. Mantiene el contexto a través de las cargas de página, recordando lo que vio en páginas anteriores al tomar decisiones de navegación. Framework Python, despliegue autohospedado.
Quién lo usa: Desarrolladores que construyen agentes personalizados basados en visión. Equipos que necesitan memoria entre páginas.
Cuándo tiene sentido: Sus flujos de trabajo requieren recordar información en varias páginas. Necesita capacidades de visión pero desea más control que Skyvern. Puede mantener la infraestructura Python de ML.
Limitaciones:
- Requiere una capacidad de cómputo significativa para los modelos de visión
- La arquitectura de memoria aumenta la complejidad y los modos de falla
- Pruebas limitadas en sitios web de producción con detección de bots
- Comunidad pequeña (menos ejemplos e integraciones que las alternativas)
Herramientas de habilitación de agentes
Frameworks que permiten a los LLMs o a los usuarios enviar comandos a los navegadores sin planificación autónoma de tareas.
Lenguaje natural a acción web
LaVague: usted dice: "Haz clic en el botón verde". LaVague lo encuentra y hace clic en él. Maneja la identificación de elementos en diferentes diseños de página. Bueno para tareas repetitivas en las que sabe exactamente lo que quiere pero no quiere escribir selectores. Basado en Python, se ejecuta autohospedado.
ZeroStep: Convierte las instrucciones conversacionales en código de prueba de Playwright. Usted describe la acción en inglés sencillo, y genera los comandos de Playwright. Acelera la escritura de pruebas si ya está usando Playwright. Herramienta CLI de Node.js.
Puentes LLM-navegador
Conectan modelos de lenguaje directamente a los controles del navegador.
Browser-Use: Toma el DOM desordenado y lo reestructura para LLMs. Elimina elementos irrelevantes, etiqueta componentes interactivos y proporciona interfaces de control. Esto es lo que permitió a Browser-Use alcanzar 89.1% en WebVoyager. Disponible como biblioteca de Python o API, despliéguelo autohospedado o use su nube.
Browserless: Instancias remotas de Chrome que controla a través de REST o WebSocket. Inicie cientos de navegadores en la nube sin administrar la infraestructura. Cada navegador se ejecuta sin cabeza, por lo que no hay sobrecarga de GUI. Use su API alojada o Docker para autohospedaje.
ZeroStep (Playwright IA): Capa de IA sobre Playwright. Escriba prompts en lugar de selectores. Combina la confiabilidad de Playwright con la flexibilidad de los LLM para identificar elementos. Requiere instalación de Node.js y Playwright.
Añadir como fuente preferidaKits de herramientas de automatización y raspado web
Herramientas específicas para tareas, donde usted inicia cada trabajo individualmente.
Extensiones de automatización del navegador
PulsarRPA: Extensión de Chrome para extracción de datos. Apúntelo a una tabla o lista, muéstrele qué extraer, y se encarga del resto. Incluye backend para programar y almacenar resultados.
Quién lo usa: Usuarios no técnicos que necesitan extracción de datos regular. Los analistas de negocio extraen datos a hojas de cálculo.
Cuándo tiene sentido: Extrae datos de los mismos sitios repetidamente. No quiere escribir código. Necesita programación y almacenamiento de resultados. Sus sitios de destino no bloquean las extensiones del navegador.
Limitaciones:
- Solo Chrome (no Firefox ni Safari)
- Se rompe cuando los sitios de destino cambian los diseños
- Sin soporte de proxy (los sitios detectan solicitudes repetidas desde la misma IP)
- Limitado a la extracción de datos tabulares
VimGPT: Proyecto experimental donde GPT-4 Vision controla su navegador a través de atajos de teclado de Vimium. El modelo ve capturas de pantalla y genera comandos de teclado.
Quién lo usa: Investigadores que exploran el control de visión + teclado. Entusiastas de Vim curiosos por la automatización de IA.
Cuándo tiene sentido: Está realizando investigaciones sobre automatización basada en teclado. Busca comprender las capacidades de los modelos de visión. No está implementando automatización de producción.
Limitaciones:
- Solo experimental (no es práctico para el trabajo real)
- Requiere la extensión Vimium más un backend Python
- Alta latencia (procesamiento de visión + generación de comandos)
- Caro (GPT-4V cuesta por captura de pantalla)
Raspadores y rastreadores de IA
Crawl4AI: Un rastreador que utiliza LLMs para decidir qué es importante en una página. En lugar de tomar todo, identifica el contenido relevante según su objetivo. Basado en Python, se integra con bibliotecas de raspado estándar.
Crecimiento reciente: Alcanzó el puesto #1 en tendencias de GitHub y superó las 58,000 estrellas. Optimizado para la integración de LLM con salida de markdown y filtrado de contenido BM25. Elección popular para canalizaciones de RAG que requieren despliegue local primero.8
Quién lo usa: Desarrolladores que construyen sistemas de RAG. Equipos que necesitan soporte local de LLM sin costos de API.
Cuándo tiene sentido: Está construyendo aplicaciones de LLM que necesitan datos web. Desea salida formateada en markdown. Necesita un despliegue local sin dependencias de API en la nube. Su caso de uso implica filtrado de contenido y clasificación de relevancia.
Limitaciones:
- Requiere LLM ejecutándose localmente o a través de API (no es independiente)
- Más lento que los raspadores tradicionales (procesamiento de LLM por página)
- Puede perder contenido importante si el LLM juzga incorrectamente
- Mayor uso de recursos que los raspadores basados en reglas
FireCrawl: Convierte sitios web en Markdown o JSON limpios. Maneja la navegación, la renderización de JavaScript y la extracción de contenido. Salida estructurada para alimentar ventanas de contexto de LLM. Biblioteca Node.js o CLI.
Quién lo usa: Desarrolladores de aplicaciones de LLM. Los equipos están construyendo sistemas de IA que procesan contenido web.
Cuándo tiene sentido: Necesita extracción de texto limpio para procesamiento de LLM. Sus sitios de destino utilizan renderización de JavaScript. Desea salida estructurada (Markdown/JSON). Está construyendo aplicaciones Node.js.
Limitaciones:
- Solo Node.js (sin enlaces Python)
- Conversión de Markdown opinativa (puede perder el formato que necesita)
- Personalización limitada de las reglas de extracción
- Sin limitación de velocidad ni antidetección incorporadas
GPT-crawler: Rastrea sitios y genera datos de entrenamiento para GPT personalizados. Apúntelo a la documentación o a una base de conocimiento, extrae el contenido y lo formatea para el ajuste fino. Herramienta CLI de Python.
Quién lo usa: Equipos que construyen modelos GPT personalizados. Organizaciones que crean asistentes de IA específicos de dominio.
Cuándo tiene sentido: Está ajustando modelos de lenguaje. Necesita datos de entrenamiento estructurados de fuentes web. Su contenido es documentación o bases de conocimiento. Puede ejecutar herramientas CLI de Python.
Limitaciones:
- Formato de salida específico para el ajuste fino de GPT (no es de propósito general)
- Sin actualizaciones incrementales (vuelve a rastrear todo el sitio para las actualizaciones)
- Manejo limitado de autenticación o muros de pago
- Asume una estructura de contenido estática
ScrapeGraphAI: Construye grafos de conocimiento a partir del contenido rastreado. Bueno para sitios de documentación donde necesita comprender las relaciones entre conceptos. Produce resúmenes estructurados o grafos de hechos. Despliegue Python.
Quién lo usa: Equipos de gestión del conocimiento. Investigadores que construyen mapas conceptuales a partir de contenido web.
Cuándo tiene sentido: Necesita extracción de relaciones, no solo contenido. Sus sitios de destino son documentación o contenido educativo. Está construyendo bases de conocimiento o mapas conceptuales. Tiene infraestructura Python.
Limitaciones:
- Configuración compleja (requiere base de datos de grafos y modelos de NLP)
- Más lento que los raspadores simples (extracción de entidades + mapeo de relaciones)
- La calidad depende de la estructura del contenido fuente
- Limitado a texto (no maneja bien tablas o imágenes)
AutoScraper: Raspador de aprendizaje por ejemplo. Muéstrele una página con los datos que desea, descubre el patrón y lo aplica a páginas similares. Biblioteca Python ligera para tareas de extracción simples.
Quién lo usa: Desarrolladores que necesitan extracción rápida sin escribir selectores XPath o CSS. Equipos que prototipan flujos de trabajo de raspado.
Cuándo tiene sentido: Sus páginas de destino siguen patrones consistentes. No quiere escribir selectores manualmente. Necesita prototipos rápidos. Sus sitios no cambian los diseños con frecuencia.
Limitaciones:
- Se rompe cuando los diseños de página cambian
- Limitado a estructuras de página similares (no puede generalizar a diferentes sitios)
- Sin soporte de renderización de JavaScript
- Coincidencia de patrones simple (sin razonamiento de IA sobre el contenido)
Raspador de LLM: Envíe una página a un LLM y pregunte: "Extraiga todos los precios de los productos" o "Encuentre la información de contacto". El modelo interpreta su intención y extrae los datos relevantes. Flexible pero más caro que los raspadores basados en reglas. Basado en Python.
Quién lo usa: Equipos que necesitan extracción flexible sin escribir reglas. Desarrolladores que construyen tareas de extracción únicas.
Cuándo tiene sentido: Las estructuras de página varían demasiado para la extracción basada en reglas. Necesita comprensión semántica ("encuentre el nombre del autor"). El costo no es su principal preocupación. Desea un desarrollo rápido sin ingeniería de selectores.
Limitaciones:
- Caro (costos de API de LLM por página)
- Más lento que los raspadores basados en reglas (latencia de API)
- Puede extraer datos incorrectos si el prompt no es claro
- Sin garantía de extracción de campos consistente en todas las páginas
Herramientas de búsqueda de IA
BingGPT: Interfaz de chat que combina la búsqueda de Bing con las respuestas de GPT. Haga preguntas, obtenga respuestas con fuentes. Aplicación de escritorio, no basada en navegador.
BraveGPT: Extensión de navegador de IA que agrega respuestas de GPT a los resultados de búsqueda de Brave. Vea tanto los resultados de búsqueda tradicionales como un resumen de IA uno al lado del otro. Se superpone directamente en las páginas de búsqueda.
Frameworks de control web para desarrolladores
Bibliotecas de bajo nivel para el control programático del navegador.
Frameworks de prueba
Playwright: Automatización multinavegador de Microsoft. Compatible con Chromium, Firefox, WebKit. Esperas integradas, intercepción de red y emulación móvil. Disponible en JavaScript, Python, .NET y Java. Estándar de la industria para pruebas web modernas.
Selenium: El framework de automatización del navegador original. Funciona en todos los principales navegadores. Ecosistema más grande pero arquitectura más antigua. Enlaces de lenguaje para Python, Java, C#, Ruby y más. Estándar de protocolo WebDriver.
taiko: Framework de ThoughtWorks con sintaxis legible. Bueno para pruebas funcionales donde la legibilidad de las pruebas es importante. Solo Node.js.
Bibliotecas de automatización
Puppeteer: Biblioteca de Google para controlar Chrome/Chromium. API de alto nivel para capturas de pantalla, generación de PDF y raspado. El ecosistema Node.js funciona con TypeScript. Elección estándar para la automatización de Chrome sin cabeza.
Browser-Use: Listado anteriormente como puente LLM, pero también funciona como una biblioteca de automatización para desarrolladores. Convierte el DOM en un formato estructurado, maneja la navegación y la interacción. Biblioteca Python con opción de API.
Lo que hace diferentes a estos agentes web
Browser-Use obtuvo 89.1% en las pruebas WebVoyager, mientras que Agent-E alcanzó 73.1% en el conjunto de datos completo. Browser-Use utiliza planificación de tareas autónoma con integración de LangChain. Agent-E analiza la estructura del DOM directamente sin modelos de visión, lo que se ejecuta más rápido pero tiene dificultades cuando los sitios web utilizan menús desplegables dinámicos o revelan nuevas opciones según las elecciones del usuario.
Niveles de autonomía
Agentes completamente autónomos como Browser-Use, Skyvern y Agent-E aceptan objetivos de alto nivel ("encuentre el vuelo más barato a París") y planifican sus propios pasos de navegación. Se adaptan a elementos inesperados como banners de cookies o captchas. Sin embargo, cada decisión requiere una llamada al LLM, lo que aumenta tanto el costo como el tiempo de respuesta.
Herramientas de guía paso a paso como LaVague y ZeroStep ejecutan comandos específicos ("haga clic en el botón de búsqueda", "ingrese texto en el campo 2"). Ejecución más rápida ya que omiten la sobrecarga de planificación. Pero si un sitio rediseña su diseño, debe actualizar las instrucciones manualmente.
Frameworks de codificación manual como Playwright y Selenium requieren código explícito para cada clic, llenado de formulario y navegación. Las pruebas se ejecutan de manera idéntica cada vez hasta que el sitio cambia un ID de elemento o nombre de clase. Entonces los selectores se rompen y reescribe el código.
Cómo interpretan las páginas
Procesamiento basado en visión: Skyvern 2.0, WebVoyager y VimGPT capturan capturas de pantalla y las envían a modelos de visión como GPT-4V. Identifican botones y formularios mirando la página renderizada.
Skyvern 2.0 en realidad utiliza un bucle planificador-actor-validador. El planificador descompone tareas complejas en objetivos más pequeños, el actor los ejecuta y el validador confirma si cada objetivo tuvo éxito. Este enfoque de tres fases ayudó a Skyvern a saltar del 45% (versión de prompt único) al 68.7% (con planificador) al 85.85% (con validador verificando si las acciones realmente funcionaron).
El procesamiento de visión funciona en sitios con mucho JavaScript donde el DOM se reconstruye después de la carga de la página. Pero GPT-4V cobra por token de imagen, lo que hace que cada vista de página sea 10-20x más cara que leer HTML. Los modelos de visión también agregan 2-3 segundos por página en comparación con el análisis DOM.
Análisis DOM: Browser-Use y Agent-E leen el HTML de la página directamente. Escanean el código en busca de elementos cliqueables, campos de entrada y enlaces de navegación.
Agent-E utiliza "DOM Distillation" para reducir páginas complejas a elementos esenciales, más "Skill Harvesting" para recordar y reutilizar patrones de interacción exitosos. Superó al agente multimodal WebVoyager (que usa visión) en sitios como Huggingface, Apple y Amazon usando solo texto. Pero la planificación de Agent-E se desincroniza cuando los sitios web revelan dinámicamente nuevas opciones, como menús desplegables que cambian según sus selecciones.
El análisis DOM cuesta menos y se ejecuta más rápido. La precisión del 89.1% de Browser-Use proviene en parte de la integración de LangChain y los prompts actualizados, no solo de omitir las llamadas de visión. Pero los enfoques DOM tienen dificultades cuando los sitios usan shadow DOM, nombres de clase ofuscados o manipulación intensa de JavaScript.
Enfoque combinado: LiteWebAgent y AutoWebGLM analizan el DOM para la estructura, luego usan la visión para verificar lo que los usuarios realmente ven. Más preciso que solo DOM, más barato que la visión pura, pero está ejecutando dos sistemas por página.
Especialización
Auto-GPT y AgenticSeek manejan la navegación web junto con operaciones de archivos y ejecución de código. Carecen de funciones específicas de la web como rotación de proxy y gestión de cookies, lo que limita la efectividad en sitios con detección de bots.
Agent-E y WebVoyager solo hacen navegación web. Agent-E logró un 73.1% general en el conjunto de datos completo de 643 tareas de WebVoyager, superando el 57.1% del agente multimodal WebVoyager. Fuerte rendimiento en sitios como Wolfram (95.7%), Google Search (90.7%), y Google Maps (87.8%). Débil en sitios dinámicos: solo 27.3% en Booking.com y 35.7% en Google Flights donde los menús desplegables y los campos de formulario cambian según las selecciones del usuario.
Crawl4AI y FireCrawl extraen datos y convierten páginas a Markdown o JSON. No llenan formularios ni hacen clic en flujos de trabajo. Úselos cuando necesite contenido en formato estructurado, no cuando necesite completar tareas de varios pasos.
Playwright y Selenium automatizan las pruebas del navegador. Producen resultados idénticos en todas las ejecuciones, esencial para las pruebas de regresión. Pero este determinismo significa que no pueden adaptarse. Cuando un sitio cambia, su conjunto de pruebas se rompe.
Opciones de despliegue
Ejecución local: AgenticSeek, Nanobrowser y OpenInterpreter se ejecutan en su máquina. Sus datos de navegación permanecen locales y evita los costos de API. Pero una estación de trabajo típica maneja 10 instancias de navegador concurrentes antes de que la CPU/RAM se maximice.
APIs en la nube: Browserless proporciona instancias remotas de Chrome a través de REST o WebSocket. Puede iniciar cientos de sesiones paralelas con rotación automática de proxy. Cada solicitud agrega 100-300ms de latencia en comparación con los navegadores locales, y su tráfico se enruta a través de sus servidores a menos que se autohospede con Docker.
Despliegue flexible: Skyvern se ejecuta localmente durante el desarrollo y luego se despliega en la nube para producción. Su prueba de referencia realmente se ejecutó en Skyvern Cloud (no en máquinas locales) para probar condiciones del mundo real con navegadores asíncronos en la nube y direcciones IP realistas. La mayoría de las pruebas de referencia se ejecutan en IP locales seguras con buenas huellas dactilares del navegador, lo que no coincide con la realidad de producción.
Patrones de integración
WebSurfer de AutoGen requiere adoptar todo el framework multiagente de Microsoft. Obtiene orquestación de agentes incorporada y gestión de memoria, pero no puede integrarlo fácilmente con los sistemas existentes.
Browser-Use y Playwright funcionan como bibliotecas independientes. Incorpórelos en cualquier proyecto Python o Node.js. Pero tendrá que construir su propia coordinación de agentes, manejo de errores y almacenamiento de resultados.
Nanobrowser y BraveGPT se instalan como extensiones de Chrome. No se requiere configuración de servidor, agregue al navegador y comience. No pueden escalar más allá de unas pocas pestañas concurrentes, y no se integran con canalizaciones de automatización de backend.
Consideraciones de producción
Skyvern y Browserless incluyen soporte de proxy residencial, movimientos de ratón aleatorios y rotación de huellas dactilares del navegador. Estas funciones evitan bloqueos de IP y desencadenantes de CAPTCHA en sitios protegidos.
WebVoyager y AutoWebGLM se centran en algoritmos de navegación. Agent-E alcanzó el 73.1% utilizando análisis DOM solo de texto, superando el 57.1% del enfoque multimodal de WebVoyager. Pero los sitios de producción con Cloudflare o DataDome bloquearán a los agentes sin la antidetección adecuada.
Contexto importante de la prueba de referencia: Browser-Use y Agent-E ejecutaron pruebas localmente con direcciones IP seguras. Skyvern ejecutó específicamente sus pruebas en infraestructura en la nube para igualar las condiciones de producción reales, donde se enfrenta a la detección de bots, huellas dactilares del navegador y desafíos CAPTCHA. Las propias pruebas de referencia se ejecutan en sitios cooperativos sin protección agresiva contra bots, por lo que las tasas de éxito en el mundo real serán más bajas de lo que sugieren estos números.
Fuentes de las pruebas de referencia
Cita esta investigación
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{dilmegani2026,
author = {Dilmegani, Cem},
title = {{Los mejores 30+ agentes web de código abierto}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/open-source-web-agents}},
note = {AIMultiple. Recuperado el 25 de Junio de 2026}
}Enlaces de referencia
Sé el primero en comentar
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.