Testamos mais de 30 agentes web de código aberto em quatro categorias: agentes autônomos, controladores de uso do computador, web scrapers e frameworks para desenvolvedores.

Executamos testes de desempenho idênticos usando o conjunto de testes WebVoyager, que abrange 643 tarefas em 15 sites reais, para medir quais ferramentas realmente concluem tarefas web de várias etapas e quais falham quando os sites usam menus suspensos dinâmicos ou layouts com uso intensivo de JavaScript.

Agentes Web de Código Aberto: Estrelas do GitHub

Consulte as fontes de referência.

Avaliação: Benchmark Web Voyager

Resultados do teste de desempenho do Web Voyager

O teste de benchmark avalia 643 tarefas em diversos sites reais, como GitHub, Wikipedia, Booking.com, Flights, Apple, Amazon, Hugging Face e outros 12 sites. As tarefas incluem envio de formulários, navegação entre várias páginas, operações de busca, interações com menus suspensos e seleção de datas.

Melhores desempenhos:

• Utilização do navegador: 89,1%
• Skyvern 2.0: 85,85%
• Agente-E: 73,1%
• WebVoyager: 57,1%

Comparando os testes:

Cada equipe modificou o parâmetro de referência de forma diferente, o que dificulta a comparação direta das pontuações.

O Browser-Use testou 586 tarefas após remover 55 tarefas obsoletas (produtos Apple não mais disponíveis, datas de voos expiradas, receitas excluídas dos sites de origem). Os testes foram executados em máquinas locais usando a API GPT-4o para avaliação. Alterações técnicas: migração da API OpenAI para LangChain, reescrita das mensagens do sistema.

A Skyvern executou 635 tarefas na Skyvern Cloud usando navegadores assíncronos na nuvem, e não IPs locais seguros. Removemos 8 tarefas com respostas inválidas. Atualizamos as datas de 2023/2024 nas tarefas de voos/hotéis para 2025. Os testes na nuvem expõem os agentes à detecção de bots e CAPTCHA, algo que os testes locais evitam. As gravações completas dos testes estão disponíveis em eval.skyvern.com, mostrando cada ação e decisão. Recentemente, realizamos a "Semana de Lançamento" (final de janeiro), apresentando o SDK v1+ com suporte para os modos incorporado (local) e remoto (nuvem), além do novo recurso "Upload de SOP" que importa documentos de procedimentos operacionais padrão para orientar tarefas na web sem necessidade de intervenção manual. ¹

O Agente-E testou o conjunto de dados completo de 643 tarefas sem modificações. Utilizou apenas análise DOM, sem modelos de visão ou capturas de tela. Linha de base de comparação: agente WebVoyager original, não avaliação GPT-4o. O desempenho caiu em sites com formulários dinâmicos, onde a estrutura DOM muda após a entrada do usuário (menus suspensos revelando novos campos com base nas seleções). Desempenho forte em sites estáticos: Wolfram (95,7%), Google Search (90,7%), Google Maps (87,8%). Desempenho fraco em sites dinâmicos: Booking.com (27,3%), Google Flights (35,7%).

Limitação crítica: Esses testes de desempenho são executados em sites cooperativos sem proteção robusta contra bots. As taxas de sucesso no mundo real serão menores ao enfrentar bots como Cloudflare, DataDome ou defesas similares. O Skyvern realizou testes em infraestrutura de nuvem para simular condições de produção, enquanto o Browser-Use e o Agent-E utilizaram máquinas locais com endereços IP permitidos.

Atualizações importantes recentes

Crise de segurança: Distribuição do malware OpenClaw

Mais de 400 "skills" maliciosas foram carregadas no ClawHub (mercado da OpenClaw) entre o final de janeiro e o início de fevereiro, distribuindo malware para roubo de credenciais. ² IBM, Anthropic e a Palo Alto Networks emitiram alertas. Pesquisadores de segurança agora recomendam o uso apenas de ambientes isolados e fontes verificadas.

Crescimento viral do OpenClaw

O OpenClaw (anteriormente Moltbot/Clawdbot) alcançou 147.000 estrelas no GitHub, sendo o projeto de IA de código aberto com o crescimento mais rápido. Funciona localmente, integra-se com plataformas de mensagens e utiliza o Protocolo de Contexto de Modelo para mais de 100 serviços. ³ Cloudflare lançou o middleware Moltworker para dar suporte à sua infraestrutura. ⁴

Moltbook: Rede Social de Agentes de IA

Uma rede social baseada exclusivamente em inteligência artificial, lançada no final de janeiro, alcançou 1,5 milhão de usuários em poucos dias. Os usuários publicam e interagem de forma autônoma enquanto humanos observam. ⁵

Padronização do Protocolo de Contexto do Modelo

O MCP tornou-se o protocolo dominante para integração de agentes e ferramentas, com mais de 100 servidores disponíveis. Gerenciamento e governança são agora essenciais para implantações corporativas.

NVIDIA Modelos Nemotron 3

A família Nemotron 3 (Nano, Super, Ultra), otimizada para IA agente, foi lançada em NVIDIA e oferece um desempenho 4 vezes maior. Inclui o NeMo Gym e o conjunto de dados de segurança agente no GitHub e no Hugging Face. ⁶

Agentes Web Autônomos e Copilotos

Ferramentas que permitem navegar em sites e concluir tarefas complexas com o mínimo de orientação.

Agentes Autônomos de Propósito Geral

OpenClaw (anteriormente Moltbot/Clawdbot) : Execute este programa em sua máquina local para automatizar tarefas em aplicativos de mensagens, calendários e e-mail. Diga a ele "agende uma reunião com a equipe para a próxima terça-feira e envie convites para o calendário" e ele cuidará de todo o fluxo de trabalho. Utiliza o Protocolo de Contexto de Modelo para se conectar com mais de 100 serviços sem chamadas de API na nuvem.

Quem usa: Usuários pioneiros dispostos a gerenciar os riscos de segurança para automação local. Usuários que desejam interfaces conversacionais para fluxos de trabalho em desktops.

Limitações:

• Grandes vulnerabilidades de segurança no ecossistema de habilidades (mais de 400 pacotes maliciosos em uma semana)
• Ainda em rápido desenvolvimento, com frequentes alterações que quebram a compatibilidade.
• A documentação é inconsistente devido aos múltiplos ciclos de reformulação da marca.
• Uso intensivo de recursos (exige poder computacional local significativo)

AgenticSeek: Substitua serviços comerciais baseados em nuvem por uma alternativa local que não envia dados de navegação para servidores externos. Instale-o em sua máquina, descreva suas necessidades ("extrair todos os preços de produtos desta página") e ele cuidará dos cliques e da coleta de dados. Baseado em Python, funciona totalmente em servidor próprio.

Quem usa: Usuários preocupados com a privacidade que não compartilham dados de navegação. Organizações com requisitos de residência de dados.

Limitações:

• Limitado à concorrência em uma única máquina (5 a 10 instâncias do navegador)
• Sem rotação de proxy integrada ou recursos anti-detecção.
• Requer configuração e manutenção do ambiente Python.
• Mais lento do que soluções em nuvem para tarefas de grande escala.

Auto-GPT: Gerencia a navegação na web juntamente com operações de arquivo e execução de código. Implante através da interface do navegador ou da linha de comando. Quando você atribui uma tarefa como "pesquisar preços da concorrência e salvar em uma planilha", ele determina quais sites visitar, quais dados recuperar e como organizar a saída.

Quem usa: Desenvolvedores que criam fluxos de trabalho de automação personalizados. Usuários familiarizados com ferramentas de linha de comando.

Limitações:

• Não possui funcionalidades específicas para a web, como rotação de proxy e gerenciamento de cookies.
• Não há mecanismo integrado para evitar a detecção de bots (sites com Cloudflare irão bloqueá-lo).
• Consome muitos recursos (inicia várias instâncias do navegador)
• Requer engenharia manual de instruções para tarefas complexas.

AgentGPT: Configure agentes diretamente no seu navegador sem escrever código. Desenvolva agentes especializados, como "ResearchGPT" ou "DataGPT", que decompõem objetivos em etapas. A plataforma cuida da orquestração. Você descreve o que deseja realizar. Pode ser hospedado por você mesmo, caso não queira usar a versão hospedada por eles.

Quem usa: Usuários sem conhecimento técnico que precisam de automação simples. Equipes que desejam configurações de agentes compartilhadas.

Limitações:

• Personalização limitada em comparação com soluções codificadas.
• Gargalos de desempenho em tarefas complexas de várias etapas
• A versão hospedada envia dados para os servidores deles (hospedagem própria necessária para privacidade).
• Sem funcionalidades avançadas como identificação de navegador ou tratamento de CAPTCHA.

SuperAGI: Framework para criar agentes autônomos personalizados com modelos para fluxos de trabalho comuns. Expanda-o com sua própria lógica. Lida com a automação do navegador como um componente de fluxos de trabalho maiores. Implante localmente ou envie para a infraestrutura em nuvem.

Quem usa: Equipes de desenvolvimento que criam sistemas de agentes de produção. Organizações que precisam de estruturas de automação personalizáveis.

Limitações:

• Curva de aprendizado acentuada (requer compreensão da arquitetura do agente)
• A biblioteca de modelos ainda é limitada (requer desenvolvimento personalizado para a maioria dos casos de uso).
• Lacunas na documentação de funcionalidades avançadas
• Desenvolvimento ativo significa alterações que quebram a compatibilidade entre versões.

Nanobrowser: extensão para Chrome. Instale-a e controle os agentes a partir da barra de ferramentas do seu navegador. Ideal para tarefas rápidas como "extrair todos os e-mails desta página" ou "preencher este formulário com dados da minha planilha".

Quem usa: Usuários casuais que precisam de automação ocasional no navegador. Usuários que não querem configurar servidores ou ambientes Python.

Limitações:

• Não é possível expandir além de algumas abas (sem processamento simultâneo).
• Sem integração com pipelines de automação de backend
• Limitado ao navegador Chrome
• Permissões de extensão levantam preocupações de segurança

OpenManus : Alternativa de código aberto aos serviços comerciais de automação de navegadores. Executa tarefas no navegador que levariam horas ou dias, como monitorar sites em busca de alterações de preços ou aguardar a reposição de produtos em estoque. Implante localmente com Python e Docker e mantenha-o em execução em segundo plano.

Atualização recente: A DeepWisdom (empresa controladora da OpenManus) renomeou oficialmente sua tecnologia principal de agentes para Atoms em meados de janeiro. A nova estrutura Atoms muda o foco de ferramentas para desenvolvedores amadores para a implantação de agentes de nível comercial com módulos integrados para pagamentos e autenticação. ⁷

Quem utiliza: Usuários que executam tarefas de monitoramento de longa duração. Desenvolvedores estão criando sistemas de notificação automatizados.

Limitações:

• Requer configuração do Docker e do Python.
• Sem suporte integrado para proxy (os sites detectarão solicitações repetidas do mesmo IP).
• Vazamentos de memória em tarefas de longa duração (requerem reinicializações periódicas)
• A mudança de nome para Atoms pode causar confusão na documentação.

Agentes de uso de computador

Automação de desktop que controla navegadores como parte de fluxos de trabalho de computador mais amplos.

OpenInterpreter: Agente baseado em terminal que executa scripts em Python, JavaScript e shell com base no que você digita. Peça para ele "extrair dados deste site e analisá-los no pandas", e ele gera o código de extração, o executa e realiza a análise. A automação do navegador se integra ao acesso ao sistema de arquivos e ao processamento de dados.

Quem usa: Desenvolvedores familiarizados com interfaces de terminal. Cientistas de dados estão combinando web scraping com fluxos de trabalho de análise.

Quando faz sentido: Você precisa de automação que abranja desde a navegação na web até a computação local. Você deseja inspecionar e modificar o código gerado antes da execução. Seus fluxos de trabalho envolvem transformação de dados após a coleta.

Limitações:

• Interface somente de terminal (sem GUI)
• Risco de segurança (executa código arbitrário em sua máquina)
• Sem sandbox por padrão (pode acessar qualquer arquivo ou recurso do sistema)
• Curva de aprendizado para não programadores

UI-TARS: Framework de pesquisa acadêmica que captura imagens da sua área de trabalho, as analisa com modelos de visão computacional e, em seguida, gera comandos para controlar elementos da interface gráfica. Desenvolvido para testar novas abordagens de automação de desktops, não para uso em produção.

Quem utiliza: Pesquisadores acadêmicos que exploram a automação baseada em visão computacional. Laboratórios que testam sistemas de controle multimodal.

Quando faz sentido: Você está conduzindo pesquisas sobre automação baseada em visão computacional. Você precisa experimentar abordagens de análise de capturas de tela. Você está escrevendo artigos acadêmicos sobre automação de interfaces gráficas de usuário (GUI).

Limitações:

• Não está pronto para produção (protótipo de pesquisa)
• Alta latência (o processamento do modelo de visão leva de 2 a 3 segundos por ação)
• Caro (GPT-4V cobrados por token de imagem)
• Sem lógica de recuperação de erros ou de repetição

AutoBrowser MCP: Servidor MCP que permite ao Claude controlar navegadores Chrome através do Protocolo de Contexto de Modelo (MCP), fornecendo recursos de interação com o navegador baseados em visão. O Claude vê a tela do seu navegador, decide em que clicar e executa a ação. Funciona como uma extensão do Chrome e também como um servidor local.

Quem usa: Usuários do Claude que desejam controle do navegador. Desenvolvedores que criam sistemas de automação baseados em MCP.

Quando faz sentido: Você já usa o Claude e quer adicionar automação ao navegador. Você prefere o controle conversacional em vez de APIs programáticas. A interação baseada em visão é necessária para layouts complexos.

Limitações:

• Requer acesso à API Claude (não disponível em todas as regiões)
• Os custos do modelo Vision aumentam rapidamente.
• A latência é maior do que a das abordagens baseadas em DOM.
• Limitado ao navegador Chrome

Open Operator: Resposta da equipe Browser-Use ao Operator de OpenAI. Fornece aos modelos de linguagem acesso direto ao Chrome por meio de uma visualização DOM simplificada. Execute-o em modo totalmente autônomo ou habilite o modo de aprovação, no qual você confirma cada ação antes da execução. Instale via Python ou extensão do navegador.

Atualização recente: No final de janeiro, a Browser-Use anunciou uma integração estratégica com a Parallel AI, possibilitando buscas na web com múltiplos threads. A atualização permite que os agentes executem até 20 etapas de navegação por minuto, igualando ou superando o desempenho humano em tarefas de pesquisa complexas. ⁸

Quem usa: Equipes que já utilizam o framework Browser-Use. Organizações que desejam fluxos de trabalho de aprovação para ações de agentes.

Quando faz sentido: Você precisa de navegação autônoma com supervisão humana. Seus fluxos de trabalho exigem velocidade (execução multithread). Você está construindo sobre o ecossistema de uso do navegador.

Limitações:

• Requer a instalação do framework Browser-Use
• O modo de aprovação torna a automação significativamente mais lenta.
• Recursos limitados de proteção contra detecção (sites com proteção contra bots irão bloqueá-lo)
• Somente Python (sem suporte a JavaScript/TypeScript)

Claude Cowork: Uma prévia de pesquisa anunciada recentemente expande a API "Uso do Computador" do Claude para interagir diretamente com sistemas de arquivos e ambientes de navegador em um aplicativo de desktop unificado. Estabelece um novo padrão para agentes de código aberto. ⁹

Quem usa: Usuários pioneiros com acesso antecipado para pesquisa. Equipes estão avaliando recursos de uso de computadores de última geração.

Quando faz sentido: Você deseja automação unificada de arquivos e navegador. Você se sente confortável com recursos experimentais que podem mudar. Você precisa de controle de desktop baseado em visão computacional.

Limitações:

• Apenas para pré-visualização da pesquisa (disponibilidade limitada)
• Proprietário (não de código aberto, incluído para fins de comparação)
• O preço ainda não foi anunciado.
• O conjunto de funcionalidades pode sofrer alterações significativas antes do lançamento geral.

Agentes de navegação web

Foque especificamente em fluxos de trabalho de sites com várias etapas.

Agente-E : Lê o HTML da página para encontrar elementos clicáveis e caminhos de navegação. Usa "Destilação DOM" para reduzir as páginas aos elementos interativos essenciais, além de "Coleta de Habilidades" para memorizar padrões de sucesso. Obteve uma pontuação de 73,1% no benchmark WebVoyager usando apenas texto, sem modelos de visão.

Quem usa: Organizações que priorizam o custo em detrimento da precisão. Desenvolvedores que criam sistemas de automação baseados em DOM.

Quando faz sentido: Você precisa de automação rápida e barata em sites estáticos. Seus sites-alvo não usam formulários dinâmicos com uso intensivo de JavaScript. Você pode tolerar uma taxa de sucesso de 73% em troca de custos mais baixos.

Limitações:

• Não há recuperação de erros integrada quando a estrutura do DOM muda inesperadamente.
• Dificuldades com formulários dinâmicos onde menus suspensos revelam novas opções com base nas seleções.
• O desempenho cai significativamente em sites que utilizam muito JavaScript.
• Resultados ruins em sites de reservas

AutoWebGLM : Simplifica o HTML antes de alimentá-lo aos modelos de linguagem. Páginas complexas são reduzidas a elementos de navegação essenciais e campos de formulário. Utiliza aprendizado por reforço para aprimorar as decisões de navegação ao longo do tempo. Executa em ambiente auto-hospedado via Python.

Quem utiliza: Equipes de pesquisa que exploram a automação web baseada em aprendizado por reforço. Organizações com recursos computacionais para treinamento de modelos.

Quando faz sentido: Você pode investir no treinamento de modelos personalizados para seus sites específicos. Seus fluxos de trabalho são repetitivos o suficiente para se beneficiarem da otimização por aprendizado por reforço. Você possui infraestrutura de aprendizado de máquina em Python.

Limitações:

• Documentação e apoio da comunidade limitados
• Requer fase de treinamento antes da implantação (não é plug-and-play).
• São necessários exemplos significativos para aprender políticas eficazes.
• Interrupções quando os sites redesenham seus layouts

Agentes de navegação baseados em visão

Combine capturas de tela com análise de texto para interpretar o layout visual da página.

Extensão Autogen WebSurfer : Integre-a à estrutura AutoGen de Microsoft para adicionar navegação na web. Requer a instalação do Playwright. A estrutura permite criar equipes de agentes: um agente pesquisa enquanto outro processa os resultados e um terceiro interage com você.

Quem usa: Equipes que já utilizam o framework AutoGen. Usuários do ecossistema Microsoft.

Quando faz sentido: Você está criando sistemas multiagentes no AutoGen. Você precisa de colaboração orquestrada entre agentes. Você deseja o suporte e a documentação do Microsoft.

Limitações reais:

• Exemplos limitados e projetos comunitários
• Requer a adoção de toda a estrutura AutoGen (não pode ser usada isoladamente).
• A sobrecarga do framework não compensa para tarefas de automação simples.
• Curva de aprendizado acentuada para orquestração multiagente

Skyvern : Sistema de três fases: o planejador divide as tarefas em etapas, o ator as executa e o validador confirma o sucesso. Captura telas para identificar visualmente botões e formulários. Essa abordagem é ideal para sites com uso intensivo de JavaScript, nos quais o DOM muda após o carregamento da página. Obteve uma pontuação de 85,85% no WebVoyager. Implante em um ambiente autohospedado ou utilize a nuvem gerenciada deles.

WebVoyager : Um sistema de três fases onde o planejador divide as tarefas em etapas, o executor as executa e o validador confirma o sucesso. Captura screenshots para identificar visualmente botões e formulários. Lida com sites que utilizam muito JavaScript, onde o DOM muda após o carregamento da página. Obteve uma pontuação de 85,85% no WebVoyager. Implante em um ambiente auto-hospedado ou utilize uma nuvem gerenciada.

Atualização recente: A Skyvern realizou a Semana de Lançamento no final de janeiro, lançando o SDK v1+ com bibliotecas de cliente em Python e TypeScript. O SDK suporta os modos incorporado (local) e remoto (nuvem), com compartilhamento do estado do navegador por meio do protocolo Chrome DevTools. Pode ser combinado com ações do Playwright para habilitar fluxos de trabalho de automação híbrida. ¹⁰

Quem usa: Organizações que precisam de alta precisão em aplicativos web modernos. Equipes dispostas a pagar o custo do modelo de visão para obter melhores resultados.

Quando faz sentido: Seus sites-alvo usam JavaScript pesado e layouts dinâmicos. Você precisa de uma precisão de 85% ou mais. Você pode arcar com custos 10 a 20 vezes maiores do que a análise do DOM. Seus fluxos de trabalho justificam a infraestrutura em nuvem.

Limitações:

• A versão auto-hospedada exige poder computacional significativo para modelos de visão.
• Caro (GPT-4V cobra por token de imagem; cada visualização de página custa de 10 a 20 vezes mais do que a análise do DOM)
• Mais lento que as abordagens DOM (2 a 3 segundos por página para processamento visual)
• A implantação na nuvem expõe você à detecção de bots.

LiteWebAgent : Modelo de linguagem de visão com memória e planejamento que controla o Chrome através do protocolo DevTools. Mantém o contexto entre carregamentos de página, lembrando o que viu em páginas anteriores ao tomar decisões de navegação. Framework Python, implantação auto-hospedada.
Quem usa: Desenvolvedores que criam agentes personalizados baseados em visão computacional. Equipes precisam de memória entre páginas.
Quando faz sentido: Seus fluxos de trabalho exigem a memorização de informações em várias páginas. Você precisa de recursos de visão computacional, mas deseja mais controle do que o Skyvern oferece. Você consegue manter a infraestrutura de aprendizado de máquina em Python.

Limitações:

• Requer poder computacional significativo para modelos de visão.
• A arquitetura de memória aumenta a complexidade e os modos de falha.
• Testes limitados em sites de produção com detecção de bots
• Comunidade pequena (menos exemplos e integrações do que as alternativas)

Ferramentas de habilitação de agentes

Frameworks que permitem que LLMs ou usuários enviem comandos para navegadores sem planejamento autônomo de tarefas.

Ação de linguagem natural para web

LaVague : você diz: "Clique no botão verde". O LaVague o encontra e clica. Ele lida com a identificação de elementos em diferentes layouts de página. Ótimo para tarefas repetitivas em que você sabe exatamente o que quer, mas não quer escrever seletores. Baseado em Python, funciona em servidor próprio.

ZeroStep : Transforma instruções conversacionais em código de teste do Playwright. Você descreve a ação em linguagem natural e ele gera os comandos do Playwright. Agiliza a escrita de testes se você já usa o Playwright. Ferramenta de linha de comando para Node.js.

Pontes LLM-Browser

Conecte modelos de linguagem diretamente aos controles do navegador.

Browser-Use : Pega o DOM desorganizado e o reestrutura para LLMs (Lower Learning Models). Remove elementos irrelevantes, rotula componentes interativos e fornece interfaces de controle. Foi isso que permitiu ao Browser-Use atingir 89,1% no WebVoyager. Disponível como biblioteca Python ou API, pode ser implantado em servidores próprios ou na nuvem.

Browserless : instâncias remotas do Chrome que você controla via REST ou WebSocket. Crie centenas de navegadores na nuvem sem precisar gerenciar a infraestrutura. Cada navegador é executado sem interface gráfica (headless), eliminando a sobrecarga da interface gráfica do usuário (GUI). Use a API hospedada ou o Docker para hospedagem própria.

ZeroStep (IA do Playwright) : Camada de IA sobreposta ao Playwright. Escreva prompts em vez de seletores. Combina a confiabilidade do Playwright com a flexibilidade do LLM para identificar elementos. Requer a instalação do Node.js e do Playwright.

To get up to date on enterprise AI and software, follow us:

Cem Dilmegani

Principal Analyst

Siga-nos

Ferramentas de Automação e Extração de Dados da Web

Ferramentas específicas para cada tarefa, onde você inicia cada trabalho individualmente.

Extensões de Automação do Navegador

PulsarRPA : extensão do Chrome para extração de dados. Basta apontar para uma tabela ou lista, indicar o que deseja extrair e ela cuida do resto. Inclui um sistema de backend para agendamento e armazenamento de resultados.

Quem usa: Usuários sem conhecimento técnico que precisam extrair dados regularmente. Analistas de negócios que importam dados para planilhas.

Quando faz sentido: Você extrai dados repetidamente dos mesmos sites. Você não quer escrever código. Você precisa de agendamento e armazenamento de resultados. Seus sites de destino não bloqueiam extensões de navegador.

Limitações:

• Somente para Chrome (sem Firefox ou Safari)
• Interrompe quando os sites de destino alteram seus layouts.
• Sem suporte a proxy (os sites detectam solicitações repetidas do mesmo IP)
• Limitado à extração de dados tabulares

VimGPT : Projeto experimental onde o GPT-4 Vision controla seu navegador através de atalhos de teclado do Vimium. O modelo vê capturas de tela e gera comandos de teclado.

Quem usa: Pesquisadores que exploram visão computacional e controle por teclado. Entusiastas do Vim têm curiosidade sobre a automação por IA.

Quando faz sentido: Você está conduzindo pesquisas sobre automação controlada por teclado. Você busca entender as capacidades dos modelos de visão. Você não está implementando automação em produção.

Limitações:

• Experimental apenas (não prático para uso real)
• Requer a extensão Vimium e o backend Python.
• Alta latência (processamento de visão + geração de comandos)
• Caro (custo de GPT-4V por captura de tela)

Rastejadores e coletores de IA

Crawl4AI : Um rastreador que usa Modelos de Aprendizado de Liderança (LLMs) para determinar o que é importante em uma página. Em vez de coletar tudo, ele identifica o conteúdo relevante com base no seu objetivo. Baseado em Python, integra-se com bibliotecas de raspagem padrão.

Crescimento recente: Alcançou o 1º lugar nos Trending Topics do GitHub e ultrapassou 58.000 estrelas. Otimizado para integração com LLM, com saída em Markdown e filtragem de conteúdo BM25. Escolha popular para pipelines RAG que exigem implantação local prioritária. ¹¹

Quem usa: Desenvolvedores que criam sistemas RAG. Equipes que precisam de suporte local para LLM sem custos de API.

Quando faz sentido: Você está criando aplicativos LLM que precisam de dados da web. Você deseja uma saída formatada em Markdown. Você precisa de uma implantação local sem dependências de API na nuvem. Seu caso de uso envolve filtragem de conteúdo e classificação por relevância.

Limitações:

• Requer o LLM em execução localmente ou via API (não independente).
• Mais lento que os scrapers tradicionais (processamento LLM por página)
• Pode-se perder conteúdo importante se o LLM julgar incorretamente.
• Maior consumo de recursos do que os scrapers baseados em regras.

FireCrawl : Converte sites em Markdown ou JSON limpos. Lida com navegação, renderização de JavaScript e extração de conteúdo. A saída é estruturada para ser usada em janelas de contexto do LLM. Biblioteca Node.js ou CLI.

Quem usa: Desenvolvedores de aplicativos de mestrado em Direito (LLM). Equipes estão criando sistemas de IA que processam conteúdo da web.

Quando faz sentido: Você precisa de extração de texto limpa para processamento LLM. Seus sites de destino usam renderização em JavaScript. Você deseja uma saída estruturada (Markdown/JSON). Você está desenvolvendo aplicações Node.js.

Limitações:

• Somente Node.js (sem suporte para Python)
• Conversão para Markdown com base em opiniões (pode resultar na perda da formatação necessária)
• Personalização limitada das regras de extração
• Sem limitação de taxa ou sistema anti-detecção integrados.

GPT-crawler : Rastreia sites e gera dados de treinamento para GPTs personalizados. Aponte-o para a documentação ou uma base de conhecimento; ele extrai o conteúdo e o formata para ajuste fino. Ferramenta de linha de comando em Python.

Quem usa: Equipes que desenvolvem modelos GPT personalizados. Organizações estão criando assistentes de IA específicos para seus domínios.

Quando faz sentido: Você está ajustando modelos de linguagem. Você precisa de dados de treinamento estruturados de fontes da web. Seu conteúdo é documentação ou bases de conhecimento. Você pode executar ferramentas de linha de comando do Python.

Limitações:

• Formato de saída específico para ajuste fino do GPT (não de uso geral)
• Sem atualizações incrementais (é necessário rastrear todo o site novamente em busca de atualizações).
• Gerenciamento limitado de autenticação ou paywalls
• Pressupõe estrutura de conteúdo estática

ScrapeGraphAI : Constrói grafos de conhecimento a partir de conteúdo coletado. Ideal para sites de documentação onde é necessário compreender as relações entre conceitos. Gera resumos estruturados ou grafos factuais. Implantação em Python.

Quem usa: Equipes de gestão do conhecimento. Pesquisadores podem criar mapas conceituais a partir de conteúdo da web.

Quando faz sentido: Você precisa extrair relacionamentos, não apenas conteúdo. Seus sites de destino são documentação ou conteúdo educacional. Você está criando bases de conhecimento ou mapas conceituais. Você possui infraestrutura Python.

Limitações:

• Configuração complexa (requer banco de dados de grafos e modelos de PNL)
• Mais lento que simples scrapers (extração de entidades + mapeamento de relacionamentos)
• A qualidade depende da estrutura do conteúdo original.
• Limitado a texto (não lida bem com tabelas ou imagens)

AutoScraper: Extrator de dados que aprende por meio de exemplos. Mostre a ele uma página com os dados desejados, ele identifica o padrão e o aplica a páginas semelhantes. Biblioteca Python leve para tarefas simples de extração.

Quem usa: Desenvolvedores que precisam de extração rápida sem escrever XPath ou seletores CSS. Equipes estão criando protótipos de fluxos de trabalho de raspagem de dados.

Quando faz sentido: Suas páginas de destino seguem padrões consistentes. Você não quer escrever seletores manualmente. Você precisa de protótipos rápidos. Seus sites não mudam de layout com frequência.

Limitações:

• Quebras de página ocorrem quando o layout da página muda.
• Limitado a estruturas de página semelhantes (não é possível generalizar para sites diferentes)
• Sem suporte para renderização em JavaScript
• Reconhecimento simples de padrões (sem raciocínio de IA sobre o conteúdo)

LLM Scraper : Envie uma página para um LLM e pergunte: "Extraia todos os preços dos produtos" ou "Encontre informações de contato". O modelo interpreta sua intenção e extrai os dados relevantes. Flexível, porém mais caro do que os scrapers baseados em regras. Desenvolvido em Python.

Quem usa: Equipes que precisam de extração flexível sem escrever regras. Desenvolvedores que criam tarefas de extração pontuais.

Quando faz sentido: As estruturas das páginas variam muito para que a extração baseada em regras funcione. Você precisa de compreensão semântica ("encontre o nome do autor"). O custo não é sua principal preocupação. Você quer um desenvolvimento rápido sem precisar de engenharia de seletores.

Limitações:

• Caro (custos da API LLM por página)
• Mais lento que os scrapers baseados em regras (latência da API)
• Pode extrair dados incorretos se a instrução não for clara.
• Não há garantia de extração consistente dos campos em todas as páginas.

Ferramentas de busca com IA

BingGPT : Interface de bate-papo que combina a busca do Bing com respostas do Google Search Console. Faça perguntas e obtenha respostas com fontes. Aplicativo para desktop, não baseado em navegador.

BraveGPT : extensão de navegador com IA que adiciona respostas GPT aos resultados da Busca Brave. Veja os resultados da busca tradicional e um resumo gerado por IA lado a lado. Sobrepõe-se diretamente às páginas de busca.

Frameworks de controle web para desenvolvedores

Bibliotecas de baixo nível para controle programático do navegador.

Estruturas de teste

Automação multiplataforma do Playwright: Microsoft. Compatível com Chromium, Firefox e WebKit. Inclui esperas integradas, interceptação de rede e emulação de dispositivos móveis. Disponível em JavaScript, Python, .NET e Java. Padrão da indústria para testes web modernos.

Selenium : O framework original para automação de navegadores. Funciona em todos os principais navegadores. Ecossistema amplo, porém com arquitetura mais antiga. Possui interfaces para Python, Java, C#, Ruby e outras linguagens. Protocolo padrão WebDriver.

Taiko : Framework da ThoughtWorks com sintaxe legível. Ideal para testes funcionais onde a legibilidade do teste é importante. Exclusivo para Node.js.

Bibliotecas de Automação

Puppeteer : Biblioteca de Google para controlar o Chrome/Chromium. API de alto nível para capturas de tela, geração de PDFs e extração de dados. O ecossistema Node.js funciona com TypeScript. Escolha padrão para automação headless do Chrome.

Uso no navegador : Listado anteriormente como ponte para LLM, mas também funciona como uma biblioteca de automação para desenvolvedores. Converte o DOM em um formato estruturado, lida com navegação e interação. Biblioteca Python com opção de API.

O que torna esses agentes da Web diferentes?

O Browser-Use obteve 89,1% nos testes do WebVoyager (após a remoção de 55 tarefas obsoletas), enquanto o Agent-E alcançou 73,1% no conjunto de dados completo. O Browser-Use utiliza planejamento autônomo de tarefas com integração ao LangChain. O Agent-E analisa a estrutura DOM diretamente, sem modelos de visão, o que resulta em maior velocidade de execução, porém apresenta dificuldades quando os sites utilizam menus suspensos dinâmicos ou revelam novas opções com base nas escolhas do usuário.

Níveis de Autonomia

Agentes totalmente autônomos como Browser-Use, Skyvern e Agent-E aceitam objetivos de alto nível (“encontrar o voo mais barato para Paris”) e planejam seus próprios passos de navegação. Eles se adaptam a elementos inesperados, como banners de cookies ou captchas. No entanto, cada decisão requer uma chamada LLM, aumentando tanto o custo quanto o tempo de resposta.

Ferramentas de orientação passo a passo, como LaVague e ZeroStep, executam comandos específicos (“clique no botão de pesquisa”, “digite o texto no campo 2”). A execução é mais rápida, pois dispensam a necessidade de planejamento prévio. No entanto, se um site redesenhar seu layout, será necessário atualizar as instruções manualmente.

Frameworks de codificação manual como Playwright e Selenium exigem código explícito para cada clique, preenchimento de formulário e navegação. Os testes são executados de forma idêntica todas as vezes, até que o site altere o ID ou o nome da classe de um elemento. Nesse caso, os seletores param de funcionar e você precisa reescrever o código.

Como eles interpretam as páginas

Processamento baseado em visão: Skyvern 2.0, WebVoyager e VimGPT capturam screenshots e as enviam para modelos de visão como o GPT-4V. Eles identificam botões e formulários analisando a página renderizada.

O Skyvern 2.0 utiliza um ciclo de planejamento-ator-validação. O planejador divide tarefas complexas em objetivos menores, o ator os executa e o validador confirma se cada objetivo foi alcançado. Essa abordagem em três fases ajudou o Skyvern a saltar de 45% (versão com um único comando) para 68,7% (com planejador) e para 85,85% (com validador verificando se as ações realmente funcionaram).

O processamento de visão funciona em sites com uso intensivo de JavaScript, onde o DOM é reconstruído após o carregamento da página. Mas o GPT-4V cobra por token de imagem, tornando cada visualização de página de 10 a 20 vezes mais cara do que a leitura de HTML. Os modelos de visão também adicionam de 2 a 3 segundos por página em comparação com a análise do DOM.

Análise do DOM: o Browser-Use e o Agent-E leem o HTML da página diretamente. Eles examinam o código em busca de elementos clicáveis, campos de entrada e links de navegação.

O Agent-E usa "Destilação DOM" para reduzir páginas complexas a elementos essenciais, além de "Coleta de Habilidades" para memorizar e reutilizar padrões de interação bem-sucedidos. Ele superou o agente multimodal WebVoyager (que usa visão computacional) em sites como Huggingface, Apple e Amazon, usando apenas texto. Mas o planejamento do Agent-E fica dessincronizado quando os sites revelam dinamicamente novas opções — como menus suspensos que mudam com base nas suas seleções.

A análise do DOM custa menos e é executada mais rapidamente. A precisão de 89,1% do Browser-Use provém em parte da integração com o LangChain e de avisos atualizados, e não apenas da omissão de chamadas de visão. No entanto, as abordagens baseadas no DOM apresentam dificuldades quando os sites utilizam Shadow DOM, nomes de classes ofuscados ou manipulação complexa de JavaScript.

Abordagem combinada: LiteWebAgent e AutoWebGLM analisam o DOM em busca de estrutura e, em seguida, usam visão computacional para verificar o que os usuários realmente veem. Mais preciso do que apenas o DOM, mais barato do que visão computacional pura, mas você está executando dois sistemas por página.

Especialização

O Auto-GPT e o AgenticSeek lidam com a navegação na web, além de operações com arquivos e execução de código. Eles não possuem recursos específicos para a web, como rotação de proxy e gerenciamento de cookies, o que limita sua eficácia em sites com detecção de bots.

O Agent-E e o WebVoyager realizam apenas navegação na web. O Agent-E alcançou 73,1% no geral no conjunto de dados completo do WebVoyager, composto por 643 tarefas, superando os 57,1% do agente multimodal WebVoyager. Apresentou um desempenho sólido em sites como Wolfram (95,7%), Google Search (90,7%) e Google Maps (87,8%). Teve um desempenho fraco em sites dinâmicos: apenas 27,3% no Booking.com e 35,7% no Google Flights, onde menus suspensos e campos de formulário mudam de acordo com as seleções do usuário.

O Crawl4AI e o FireCrawl extraem dados e convertem páginas para Markdown ou JSON. Eles não preenchem formulários nem executam fluxos de trabalho automatizados. Use-os quando precisar de conteúdo em formato estruturado, não quando precisar concluir tarefas com várias etapas.

Playwright e Selenium automatizam testes de navegador. Eles produzem resultados idênticos em todas as execuções, o que é essencial para testes de regressão. Mas esse determinismo significa que eles não conseguem se adaptar. Quando um site muda, seu conjunto de testes para de funcionar.

Opções de Implantação

Execução local: AgenticSeek, Nanobrowser e OpenInterpreter são executados em sua máquina. Seus dados de navegação permanecem locais e você evita custos de API. No entanto, uma estação de trabalho típica suporta de 5 a 10 instâncias simultâneas de navegadores antes de atingir a capacidade máxima de CPU/RAM.

APIs na nuvem: O Browserless fornece instâncias remotas do Chrome via REST ou WebSocket. Você pode criar centenas de sessões paralelas com rotação automática de proxy. Cada solicitação adiciona de 100 a 300 ms de latência em comparação com navegadores locais, e seu tráfego é roteado pelos servidores deles, a menos que você hospede os servidores por conta própria com Docker.

Implantação flexível: o Skyvern é executado localmente durante o desenvolvimento e, em seguida, é implantado na nuvem para produção. Seu benchmark foi executado no Skyvern Cloud (e não em máquinas locais) para testar condições reais com navegadores de nuvem assíncronos e endereços IP realistas. A maioria dos benchmarks é executada em IPs locais seguros com boas impressões digitais de navegador, o que não corresponde à realidade de produção.

Padrões de integração

O WebSurfer da AutoGen exige a adoção de toda a estrutura multiagente do Microsoft. Você obtém orquestração de agentes e gerenciamento de memória integrados, mas não pode integrá-lo facilmente a sistemas existentes.

O Browser-Use e o Playwright funcionam como bibliotecas independentes. Basta adicioná-los a qualquer projeto Python ou Node.js. No entanto, você precisará desenvolver sua própria coordenação de agentes, tratamento de erros e armazenamento de resultados.

O Nanobrowser e o BraveGPT são instalados como extensões do Chrome. Não requerem configuração de servidor — basta adicionar ao navegador e iniciar. Não suportam mais do que algumas abas simultâneas e não se integram com fluxos de automação de back-end.

Considerações sobre a produção

O Skyvern e o Browserless incluem suporte a proxy residencial, movimentos aleatórios do mouse e rotação da impressão digital do navegador. Esses recursos impedem bloqueios de IP e acionamentos de CAPTCHA em sites protegidos.

WebVoyager e AutoWebGLM focam em algoritmos de navegação. O Agent-E alcançou 73,1% usando análise DOM somente de texto, superando os 57,1% da abordagem multimodal do WebVoyager. Mas sites de produção com Cloudflare ou DataDome bloquearão agentes sem uma antidetecção adequada.

Contexto importante para os testes de benchmark: o Browser-Use e o Agent-E executaram testes localmente com endereços IP seguros. A Skyvern, especificamente, executou seus testes em infraestrutura de nuvem para simular condições reais de produção, onde você enfrenta detecção de bots, identificação de navegadores e desafios CAPTCHA. Os próprios testes de benchmark são executados em sites cooperativos sem proteção robusta contra bots, portanto, as taxas de sucesso no mundo real serão menores do que esses números sugerem.

Fontes de referência

• Uso do navegador ¹²
• Skyvern 2.0 ¹³
• Agente-E ¹⁴
• WebVoyager ¹⁵

Links de referência

1.

Skyvern Launch Week Day 5″ Skyvern Blog.

2.

3.

4.

Clawdbot to Moltbot to OpenClaw: The AI agent generating buzz and fear globally

CNBC

5.

OpenClaw, Moltbook and the future of AI agents | IBM

6.

NVIDIA Debuts Nemotron 3 Family of Open Models | NVIDIA Newsroom

7.

Huawei announces all intelligence strategy to promote deep AI integration across industries

8.

Browser Use <> Parallel AI - The Future of Web Search

Browser Use

9.

Claude Cowork Tutorial: How to Use Anthropic's AI Desktop Agent | DataCamp

DataCamp

10.

Launch week Day 5: Skyvern x Make.com

Skyvern Blog

11.

Best open-source web crawlers in 2026

Firecrawl

12.

Browser Use = state of the art Web Agent

Browser Use

13.

Skyvern Browser Agent 2.0: How We Reached State of the Art in Evals

Skyvern Blog

14.

Our Agent-E SOTA Results on the WebVoyager Benchmark

15.

[2401.13919] WebVoyager: Building an End-to-End Web Agent with Large Multimodal Models

Cem Dilmegani

Analista Principal

Siga-nos

Cem é o analista principal da AIMultiple desde 2017. A AIMultiple fornece informações para centenas de milhares de empresas (segundo o SimilarWeb), incluindo 55% das empresas da Fortune 500, todos os meses. O trabalho de Cem foi citado por importantes publicações globais, como Business Insider, Forbes e Washington Post, além de empresas globais como Deloitte e HPE, ONGs como o Fórum Econômico Mundial e organizações supranacionais como a Comissão Europeia. Você pode ver mais empresas e recursos renomados que mencionaram a AIMultiple. Ao longo de sua carreira, Cem atuou como consultor de tecnologia, comprador de tecnologia e empreendedor na área. Ele assessorou empresas em suas decisões tecnológicas na McKinsey & Company e na Altman Solon por mais de uma década. Também publicou um relatório da McKinsey sobre digitalização. Liderou a estratégia de tecnologia e a área de compras de uma empresa de telecomunicações, reportando-se diretamente ao CEO. Além disso, liderou o crescimento comercial da empresa de tecnologia avançada Hypatos, que atingiu uma receita recorrente anual de sete dígitos e uma avaliação de nove dígitos, partindo de zero, em apenas dois anos. O trabalho de Cem no Hypatos foi noticiado por importantes publicações de tecnologia, como TechCrunch e Business Insider. Cem participa regularmente como palestrante em conferências internacionais de tecnologia. Ele se formou em engenharia da computação pela Universidade Bogazici e possui um MBA pela Columbia Business School.

Ver perfil completo

Seja o primeiro a comentar

Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios.

Nome

Endereço de email

Comentário

0/450

Postar comentário