Melhores 30+ Agentes Web de Código Aberto
Testámos 30+ agentes web de código aberto em quatro categorias: agentes autónomos, controladores de uso de computador, web scrapers e frameworks para programadores.
Executámos benchmarks idênticos usando a suite de testes WebVoyager, que abrange 643 tarefas em 15 websites reais, para medir quais ferramentas realmente completam tarefas web de múltiplos passos e quais falham quando os sites usam dropdowns dinâmicos ou layouts com JavaScript pesado.
Agentes Web de Código Aberto: Estrelas no GitHub
Benchmark WebVoyager: Metodologia
Agentes testados
Incluímos agentes que cumpriram os três critérios: código-fonte disponível abertamente, uma pontuação reportada no benchmark WebVoyager da própria avaliação publicada do agente e manutenção ativa (último commit dentro de 6 meses da nossa data de revisão).
- Browser-Use: Ponte LLM-navegador, baseado em DOM com integração LangChain
- Skyvern 2.0: Baseado em visão, arquitetura planeador-ator-validador, implementação na cloud
- Agent-E: Apenas DOM, sem modelos de visão, dataset completo de 643 tarefas
- WebVoyager: Baseline multimodal original, híbrido GPT-4V + DOM
Os agentes listados no artigo mais amplo mas sem pontuações WebVoyager publicadas (Auto-GPT, AgenticSeek, OpenManus, LaVague e outros) foram avaliados qualitativamente quanto à arquitetura, modelo de implementação e capacidades declaradas. Não estão incluídos na comparação quantitativa.
Condições de teste
Cada equipa executou a sua própria avaliação; não reexecutámos testes de forma independente. As diferenças de pontuação refletem parcialmente diferentes condições de teste:
Browser-Use testou 586 de 643 tarefas, removendo 55 com respostas desatualizadas (produtos Apple descontinuados, datas de voos expiradas, receitas eliminadas). Os testes foram executados em máquinas locais com endereços IP seguros. A integração LangChain e prompts de sistema reescritos foram aplicados antes dos testes.
Skyvern 2.0 testou 635 de 643 tarefas, removendo 8 com respostas inválidas, e atualizou datas de 2023/2024 em tarefas de viagens para 2025. Os testes foram executados no Skyvern Cloud usando navegadores cloud assíncronos — não máquinas locais. As condições de cloud expõem os agentes à deteção de bots e desafios CAPTCHA que os testes locais evitam. As gravações completas dos testes estão disponíveis em eval.skyvern.com.
Agent-E testou o dataset completo de 643 tarefas sem modificações. Usou apenas parsing DOM, sem modelos de visão. A baseline de comparação foi o agente WebVoyager original, não o GPT-4o.
WebVoyager (original) testou o dataset completo usando capturas de ecrã GPT-4V mais DOM. Serve como baseline multimodal que o Agent-E superou usando apenas texto.
Pontuação
A conclusão de tarefas é binária: ou o agente completa a tarefa completa de múltiplos passos ou não completa. Não é atribuído crédito parcial. Uma tarefa é marcada como completa apenas quando o resultado final esperado (um preço, uma confirmação de reserva, um resultado de pesquisa) corresponde à verdade de referência.
A taxa de aprovação é reportada como: tasks completed / tasks attempted × 100
Onde as equipas removeram tarefas do dataset, o denominador reflete o seu conjunto reduzido, não os 643 originais.
O que estas pontuações significam na prática
As tarefas do benchmark WebVoyager são executadas em websites reais em condições cooperativas, sem proteção agressiva contra bots, sem Cloudflare, sem DataDome. O Browser-Use e o Agent-E foram executados em máquinas locais com IPs equivalentes a residenciais. O Skyvern usou deliberadamente infraestrutura cloud para aproximar a realidade de produção. As taxas de sucesso no mundo real em sites de produção protegidos serão inferiores às pontuações de benchmark para todos os agentes.
O benchmark não mede velocidade, custo por tarefa ou resiliência a medidas anti-bot. Uma pontuação de 89,1% no WebVoyager não significa que o agente completará 89% das tarefas num site de produção com proteção Cloudflare.
Limitações
Denominadores não comparáveis: O Browser-Use testou 586 tarefas, o Skyvern testou 635, o Agent-E testou 643. Uma pontuação mais alta num conjunto mais pequeno não é diretamente comparável a uma pontuação mais baixa no conjunto completo.
Resultados auto-reportados: Todas as pontuações provêm da própria avaliação publicada de cada equipa. Não executámos um re-teste controlado com condições idênticas em todos os agentes.
Deriva do benchmark: O conjunto de tarefas WebVoyager foi publicado em 2023. Várias tarefas referenciam produtos, preços e datas que já não existem. As equipas trataram-nas de forma diferente; algumas removeram-nas, enquanto outras atualizaram as datas, introduzindo inconsistência.
Lacuna local vs. cloud: O Browser-Use e o Agent-E testaram localmente (IPs seguros, sem deteção de bots). O Skyvern testou na cloud (exposição real à proteção contra bots). A comparação direta de pontuações subestima a lacuna de produção para agentes testados localmente.
Sem dados de custo ou latência: O benchmark mede apenas a conclusão de tarefas. O custo por tarefa e o tempo médio de conclusão não são capturados nas pontuações WebVoyager, embora sejam significativamente importantes para decisões de implementação em produção.
Retrato estático: As pontuações refletem as versões dos agentes e os estados dos websites no momento do teste. Ambos mudam frequentemente; um redesenho de website ou atualização de agente pode alterar os resultados materialmente.
Grandes Atualizações Recentes
Crise de Segurança: Distribuição de Malware OpenClaw
Mais de 400 "skills" maliciosas foram carregadas no ClawHub (marketplace do OpenClaw) entre o final de janeiro e o início de fevereiro, distribuindo malware de roubo de credenciais.1 A IBM, a Anthropic e a Palo Alto Networks emitiram avisos. Os investigadores de segurança recomendam agora usar apenas ambientes isolados e fontes verificadas.
Crescimento Viral do OpenClaw
O OpenClaw (anteriormente Moltbot/Clawdbot) alcançou 147.000 estrelas no GitHub, o projeto de IA de código aberto com crescimento mais rápido. Executa localmente, integra-se com plataformas de mensagens e usa o Model Context Protocol para 100+ serviços.2 A Cloudflare lançou o middleware Moltworker para suportar a sua infraestrutura.3
Moltbook: Rede Social de Agentes de IA
Rede social exclusiva para IA lançada no final de janeiro, alcançou 1,5 milhões de agentes em dias. Os agentes publicam e interagem autonomamente enquanto os humanos observam.4
Padronização do Model Context Protocol
O MCP tornou-se o protocolo dominante para integração agente-ferramenta, com mais de 100 servidores disponíveis. A gestão e governação são agora críticas para implementações empresariais.
Modelos NVIDIA Nemotron 3
A NVIDIA lançou a família Nemotron 3 (Nano, Super, Ultra) otimizada para IA agêntica, oferecendo 4x maior rendimento. Inclui NeMo Gym e Agentic Safety Dataset no GitHub e Hugging Face.5
Agentes Web Autónomos e Copilotos
Ferramentas que navegam em websites e completam tarefas de múltiplos passos com orientação mínima.
Agentes Autónomos de Uso Geral
OpenClaw (anteriormente Moltbot/Clawdbot): Execute isto na sua máquina local para automatizar tarefas em apps de mensagens, calendários e email. Diga-lhe "agenda uma reunião com a equipa para a próxima terça-feira e envia convites de calendário" e ele trata de todo o fluxo de trabalho. Usa o Model Context Protocol para se conectar a 100+ serviços sem chamadas API à cloud.
Quem usa: Early adopters dispostos a gerir riscos de segurança para automação local. Utilizadores que querem interfaces conversacionais para fluxos de trabalho no desktop.
Limitações:
- Vulnerabilidades de segurança graves no ecossistema de skills (400+ pacotes maliciosos numa semana)
- Ainda em desenvolvimento rápido com alterações disruptivas frequentes
- Documentação inconsistente devido a múltiplos ciclos de rebranding
- Intensivo em recursos (requer capacidade de computação local significativa)
AgenticSeek: Substitua serviços comerciais baseados na cloud por uma alternativa local que não envia dados de navegação para servidores externos. Instale-o na sua máquina, descreva o que precisa ("extrai todos os preços dos produtos desta página") e ele trata de clicar e recolher dados. Baseado em Python, executado totalmente em self-hosted.
Quem usa: Utilizadores preocupados com a privacidade que não partilharão dados de navegação. Organizações com requisitos de residência de dados.
Limitações:
- Limitado à concorrência numa única máquina (5-10 instâncias de navegador)
- Sem rotação de proxy integrada ou funcionalidades anti-deteção
- Requer configuração e manutenção do ambiente Python
- Mais lento que soluções cloud para tarefas em grande escala
Auto-GPT: Trata da navegação web juntamente com operações de ficheiros e execução de código. Implemente via interface do navegador ou linha de comandos. Quando atribui uma tarefa como "pesquisa preços da concorrência e guarda numa folha de cálculo", ele determina quais websites visitar, que dados obter e como organizar o resultado.
Quem usa: Programadores que constroem fluxos de trabalho de automação personalizados. Utilizadores confortáveis com ferramentas de linha de comandos.
Limitações:
- Falta de funcionalidades específicas para web, como rotação de proxy e gestão de cookies
- Sem prevenção de deteção de bots integrada (sites com Cloudflare bloqueá-lo-ão)
- Intensivo em recursos (cria múltiplas instâncias de navegador)
- Requer engenharia manual de prompts para tarefas complexas
AgentGPT: Configure agentes diretamente no seu navegador sem escrever código. Desenvolva agentes especializados como "ResearchGPT" ou "DataGPT" que decompõem objetivos em passos. A plataforma trata da orquestração. Você descreve o que quer realizar. Self-hostable se não quiser usar a versão hospedada deles.
Quem usa: Utilizadores não técnicos que precisam de automação simples. Equipas que querem configurações de agentes partilhadas.
Limitações:
- Personalização limitada em comparação com soluções codificadas
- Gargalos de desempenho em tarefas complexas de múltiplos passos
- A versão hospedada envia dados para os seus servidores (self-hosting necessário para privacidade)
- Sem funcionalidades avançadas como fingerprinting de navegador ou tratamento de CAPTCHA
SuperAGI: Framework para construir agentes autónomos personalizados com templates para fluxos de trabalho comuns. Estenda-o com a sua própria lógica. Trata da automação do navegador como um componente de fluxos de trabalho maiores. Implemente localmente ou envie para infraestrutura cloud.
Quem usa: Equipas de desenvolvimento que constroem sistemas de agentes de produção. Organizações que precisam de frameworks de automação personalizáveis.
Limitações:
- Curva de aprendizagem acentuada (requer compreensão da arquitetura de agentes)
- Biblioteca de templates ainda limitada (requer desenvolvimento personalizado para a maioria dos casos de uso)
- Lacunas de documentação para funcionalidades avançadas
- Desenvolvimento ativo significa alterações disruptivas entre versões
Nanobrowser: Abordagem de extensão Chrome, instale-a e depois controle agentes a partir da barra de ferramentas do seu navegador. Bom para tarefas rápidas como "extrai todos os emails desta página" ou "preenche este formulário com dados da minha folha de cálculo".
Quem usa: Utilizadores casuais que precisam de automação ocasional do navegador. Utilizadores que não configurarão servidores ou ambientes Python.
Limitações:
- Não pode escalar além de alguns separadores (sem processamento simultâneo)
- Sem integração com pipelines de automação de backend
- Limitado ao navegador Chrome
- As permissões da extensão levantam preocupações de segurança
OpenManus: Alternativa de código aberto a serviços comerciais de automação de navegador. Executa tarefas de navegador que levam horas ou dias, como monitorizar sites para alterações de preços ou esperar que produtos voltem a estar em stock. Implemente localmente com Python e Docker, mantenha-o em execução em segundo plano.
Atualização recente: A DeepWisdom (empresa-mãe do OpenManus) rebatizou oficialmente a sua tecnologia de agente principal para Atoms em meados de janeiro. A nova framework Atoms muda o foco de ferramentas de hobby para programadores para implementação de agentes de nível comercial com módulos integrados para pagamentos e autenticação.6
Quem usa: Utilizadores que executam tarefas de monitorização de longa duração. Programadores que constroem sistemas de notificação automatizados.
Limitações:
- Requer configuração de Docker e Python
- Sem suporte de proxy integrado (sites detetarão pedidos repetidos do mesmo IP)
- Fugas de memória em tarefas de longa execução (requer reinícios periódicos)
- O rebranding para Atoms pode causar confusão na documentação
Agentes de Uso de Computador
Automação de desktop que controla navegadores como uma peça de fluxos de trabalho de computador mais amplos.
OpenInterpreter: Agente baseado em terminal que executa scripts Python, JavaScript e shell com base no que digita. Peça-lhe para "fazer scrape deste site e analisar os dados em pandas" e ele gera o código de scraping, executa-o e depois realiza a análise. A automação do navegador integra-se com o acesso ao sistema de ficheiros e processamento de dados.
Quem usa: Programadores confortáveis com interfaces de terminal. Cientistas de dados que combinam web scraping com fluxos de trabalho de análise.
Quando faz sentido: Precisa de automação que abrange navegação web e computação local. Quer inspecionar e modificar código gerado antes da execução. Os seus fluxos de trabalho envolvem transformação de dados após a recolha.
Limitações:
- Interface apenas de terminal (sem GUI)
- Risco de segurança (executa código arbitrário na sua máquina)
- Sem sandboxing por padrão (pode aceder a qualquer ficheiro ou recurso do sistema)
- Curva de aprendizagem para não programadores
UI-TARS: Framework de investigação académica que tira capturas de ecrã do seu desktop, analisa-as com modelos de visão e depois gera comandos para controlar elementos GUI. Construído para testar novas abordagens à automação de desktop, não para uso em produção.
Quem usa: Investigadores académicos que exploram automação baseada em visão. Laboratórios que testam sistemas de controlo multimodal.
Quando faz sentido: Está a conduzir investigação sobre automação baseada em visão. Precisa de experimentar abordagens de análise de capturas de ecrã. Está a escrever artigos académicos sobre automação GUI.
Limitações:
- Não está pronto para produção (protótipo de investigação)
- Alta latência (o processamento do modelo de visão demora 2-3 segundos por ação)
- Caro (GPT-4V cobra por token de imagem)
- Sem recuperação de erros ou lógica de repetição
AutoBrowser MCP: Servidor MCP que permite ao Claude controlar navegadores Chrome através do Model Context Protocol, fornecendo capacidades de interação com o navegador baseadas em visão. O Claude vê o ecrã do seu navegador, decide no que clicar e executa a ação. Funciona como uma extensão Chrome mais um servidor local.
Quem usa: Utilizadores do Claude que querem controlo de navegador. Programadores que constroem sistemas de automação baseados em MCP.
Quando faz sentido: Já está a usar o Claude e quer adicionar automação de navegador. Prefere controlo conversacional em vez de APIs programáticas. A interação baseada em visão é necessária para layouts complexos.
Limitações:
- Requer acesso à API do Claude (não disponível em todas as regiões)
- Os custos do modelo de visão acumulam-se rapidamente
- A latência é maior que a das abordagens baseadas em DOM
- Limitado ao navegador Chrome
Open Operator: A resposta da equipa do Browser-Use ao Operator da OpenAI. Fornece aos modelos de linguagem acesso direto ao Chrome através de uma visão DOM simplificada. Execute-o em modo totalmente autónomo ou ative o modo de aprovação, no qual confirma cada ação antes da execução. Instale via Python ou extensão do navegador.
Atualização recente: O Browser-Use anunciou integração estratégica com a Parallel IA no final de janeiro, permitindo pesquisas web multi-threaded. A atualização permite que os agentes executem até 20 passos de navegador por minuto, igualando ou excedendo o desempenho humano em tarefas de investigação complexas.7
Quem usa: Equipas que já usam a framework Browser-Use. Organizações que querem fluxos de trabalho de aprovação para ações de agentes.
Quando faz sentido: Precisa de navegação autónoma com supervisão humana. Os seus fluxos de trabalho requerem velocidade (execução multi-threaded). Está a construir no ecossistema Browser-Use.
Limitações:
- Requer instalação da framework Browser-Use
- O modo de aprovação abranda significativamente a automação
- Funcionalidades anti-deteção limitadas (sites com proteção contra bots bloqueá-lo-ão)
- Apenas Python (sem suporte JavaScript/TypeScript)
Cowork (Anthropic): Ferramenta de desktop da Anthropic que dá ao Claude acesso direto a sistemas de ficheiros e ambientes de navegador dentro de uma aplicação unificada. Expande a API Computer Use para um produto orientado ao consumidor. Disponível para download; já não está limitado à pré-visualização de investigação. Proprietário, incluído aqui para comparação com alternativas de código aberto.
Agentes de Navegação Web
Focam-se especificamente em fluxos de trabalho de websites de múltiplos passos.
Agent-E: Lê o HTML da página para encontrar elementos clicáveis e caminhos de navegação. Usa "DOM Distillation" para reduzir páginas a elementos interativos essenciais, mais "Skill Harvesting" para lembrar padrões bem-sucedidos. Pontuou 73,1% no benchmark WebVoyager usando texto puro, sem modelos de visão.
Quem usa: Organizações que priorizam custo em vez de precisão. Programadores que constroem sistemas de automação baseados em DOM.
Quando faz sentido: Precisa de automação rápida e barata em websites estáticos. Os seus sites-alvo não usam formulários dinâmicos pesados em JavaScript. Pode tolerar uma taxa de sucesso de 73% em troca de custos mais baixos.
Limitações:
- Sem recuperação de erros integrada quando a estrutura DOM muda inesperadamente
- Dificuldades com formulários dinâmicos onde menus dropdown revelam novas opções com base em seleções
- O desempenho cai significativamente em sites pesados em JavaScript
- Maus resultados em sites de reservas
AutoWebGLM: Simplifica o HTML antes de o fornecer a modelos de linguagem. Páginas complexas são reduzidas a elementos de navegação principais e campos de formulário. Usa aprendizagem por reforço para melhorar decisões de navegação ao longo do tempo. Executado em self-hosted via Python.
Quem usa: Equipas de investigação que exploram automação web baseada em RL. Organizações com recursos de computação para treino de modelos.
Quando faz sentido: Pode investir no treino de modelos personalizados para os seus websites específicos. Os seus fluxos de trabalho são suficientemente repetitivos para beneficiar da otimização RL. Tem infraestrutura Python ML.
Limitações:
- Documentação e apoio da comunidade limitados
- Requer fase de treino antes da implementação (não é plug-and-play)
- Precisa de exemplos significativos para aprender políticas eficazes
- Falha quando websites redesenham layouts
Agentes de Navegação Baseados em Visão
Combinam capturas de ecrã com análise de texto para interpretar o layout visual da página.
Extensão Autogen WebSurfer: Plugue na framework AutoGen da Microsoft para adicionar navegação web. Requer instalação do Playwright. A framework permite criar equipas de agentes, um agente pesquisa enquanto outro processa resultados e um terceiro interage consigo.
Quem usa: Equipas que já usam a framework AutoGen. Utilizadores do ecossistema Microsoft.
Quando faz sentido: Está a construir sistemas multi-agente dentro do AutoGen. Precisa de colaboração orquestrada de agentes. Quer o suporte e documentação da Microsoft.
Limitações reais:
- Exemplos e projetos da comunidade limitados
- Requer a adoção de toda a framework AutoGen (não pode usar standalone)
- A sobrecarga da framework não vale a pena para tarefas de automação simples
- Curva de aprendizagem acentuada para orquestração multi-agente
Skyvern: Sistema de três fases: o planeador divide tarefas em passos, o ator executa-os, o validador confirma o sucesso. Tira capturas de ecrã para identificar visualmente botões e formulários. Esta abordagem aborda sites pesados em JavaScript nos quais o DOM muda após o carregamento da página. Pontuou 85,85% no WebVoyager. Implemente em self-hosted ou use a cloud gerida deles.
WebVoyager: O agente de benchmark original do artigo de 2024 que introduziu a suite de testes WebVoyager. Usa capturas de ecrã GPT-4V juntamente com parsing DOM numa abordagem híbrida. Pontuou 57,1% no dataset completo de 643 tarefas, a baseline contra a qual os agentes subsequentes se medem. Não é ativamente mantido como ferramenta de produção; o seu valor é como referência de investigação e ponto de origem do benchmark.
Quem usa: Organizações que precisam de alta precisão em web apps modernas. Equipas dispostas a pagar custos de modelo de visão por melhores resultados.
Quando faz sentido: Os seus sites-alvo usam JavaScript pesado e layouts dinâmicos. Precisa de 85%+ de precisão. Pode suportar custos 10-20x mais altos que o parsing DOM. Os seus fluxos de trabalho justificam infraestrutura cloud.
Limitações:
- A versão self-hosted requer computação significativa para modelos de visão
- Caro (GPT-4V cobra por token de imagem; cada visualização de página custa 10-20x mais que o parsing DOM)
- Mais lento que abordagens DOM (2-3 segundos por página para processamento de visão)
- A implementação na cloud expõe-no à deteção de bots
LiteWebAgent: Modelo de linguagem de visão com memória e planeamento que controla o Chrome através do DevTools Protocol. Mantém contexto entre carregamentos de página, lembrando o que viu em páginas anteriores ao tomar decisões de navegação. Framework Python, implementação self-hosted.
Quem usa: Programadores que constroem agentes personalizados baseados em visão. Equipas que precisam de memória entre páginas.
Quando faz sentido: Os seus fluxos de trabalho requerem lembrar informações em múltiplas páginas. Precisa de capacidades de visão mas quer mais controlo que o Skyvern. Pode manter infraestrutura Python ML.
Limitações:
- Requer computação significativa para modelos de visão
- A arquitetura de memória aumenta a complexidade e os modos de falha
- Testes limitados em websites de produção com deteção de bots
- Comunidade pequena (menos exemplos e integrações que alternativas)
Ferramentas de capacitação de agentes
Frameworks que permitem que LLMs ou utilizadores enviem comandos para navegadores sem planeamento autónomo de tarefas.
Linguagem Natural para Ação Web
LaVague: você diz "Clica no botão verde". O LaVague encontra-o e clica. Trata da identificação de elementos em diferentes layouts de página. Bom para tarefas repetitivas onde sabe exatamente o que quer mas não quer escrever seletores. Baseado em Python, executado em self-hosted.
ZeroStep: Transforma instruções conversacionais em código de teste Playwright. Você descreve a ação em inglês simples, ele gera os comandos Playwright. Acelera a escrita de testes se já estiver a usar Playwright. Ferramenta CLI Node.js.
Pontes LLM-Navegador
Conectam modelos de linguagem diretamente aos controlos do navegador.
Browser-Use: Pega no DOM confuso e reestrutura-o para LLMs. Remove elementos irrelevantes, rotula componentes interativos e fornece interfaces de controlo. Foi isto que permitiu ao Browser-Use atingir 89,1% no WebVoyager. Disponível como biblioteca Python ou API, implemente em self-hosted ou use a cloud deles.
Browserless: Instâncias remotas do Chrome que controla via REST ou WebSocket. Lance centenas de navegadores na cloud sem gerir infraestrutura. Cada navegador executa em headless, sem sobrecarga de GUI. Use a API hospedada deles ou Docker para self-hosting.
ZeroStep (Playwright IA): Camada de IA sobre o Playwright. Escreva prompts em vez de seletores. Combina a fiabilidade do Playwright com a flexibilidade de LLM para identificar elementos. Requer instalação de Node.js e Playwright.
Adicionar como fonte preferencialToolkits de Automação Web & Scraping
Ferramentas específicas para tarefas, onde inicia cada trabalho individualmente.
Extensões de Automação de Navegador
PulsarRPA: Extensão Chrome para extração de dados. Aponte-a para uma tabela ou lista, mostre-lhe o que extrair e ela trata do resto. Inclui backend para agendamento e armazenamento de resultados.
Quem usa: Utilizadores não técnicos que precisam de extração regular de dados. Analistas de negócio que extraem dados para folhas de cálculo.
Quando faz sentido: Extrai dados dos mesmos sites repetidamente. Não quer escrever código. Precisa de agendamento e armazenamento de resultados. Os seus sites-alvo não bloqueiam extensões de navegador.
Limitações:
- Apenas Chrome (sem Firefox ou Safari)
- Falha quando sites-alvo mudam layouts
- Sem suporte de proxy (sites detetam pedidos repetidos do mesmo IP)
- Limitado à extração de dados tabulares
VimGPT: Projeto experimental onde a Visão GPT-4 controla o seu navegador através de atalhos de teclado Vimium. O modelo vê capturas de ecrã e gera comandos de teclado.
Quem usa: Investigadores que exploram controlo por visão + teclado. Entusiastas do Vim curiosos sobre automação com IA.
Quando faz sentido: Está a conduzir investigação sobre automação orientada por teclado. Procura compreender as capacidades dos modelos de visão. Não está a implementar automação de produção.
Limitações:
- Apenas experimental (não é prático para trabalho real)
- Requer extensão Vimium mais backend Python
- Alta latência (processamento de visão + geração de comandos)
- Caro (custos GPT-4V por captura de ecrã)
Scrapers e Crawlers com IA
Crawl4AI: Um crawler que usa LLMs para decidir o que é importante numa página. Em vez de agarrar tudo, identifica conteúdo relevante com base no seu objetivo. Baseado em Python, integra-se com bibliotecas de scraping padrão.
Crescimento recente: Alcançou o #1 no trending 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 de RAG que requerem implementação local-first.8
Quem usa: Programadores que constroem sistemas de RAG. Equipas que precisam de suporte local a LLM sem custos de API.
Quando faz sentido: Está a construir aplicações LLM que precisam de dados web. Quer saída formatada em markdown. Precisa de implementação local sem dependências de API cloud. O seu caso de uso envolve filtragem de conteúdo e classificação de relevância.
Limitações:
- Requer LLM a executar localmente ou via API (não é standalone)
- Mais lento que scrapers tradicionais (processamento LLM por página)
- Pode perder conteúdo importante se o LLM julgar incorretamente
- Maior uso de recursos que scrapers baseados em regras
FireCrawl: Converte websites em Markdown limpo ou JSON. Trata da navegação, renderização JavaScript e extração de conteúdo. Saída estruturada para alimentar janelas de contexto de LLM. Biblioteca Node.js ou CLI.
Quem usa: Programadores de aplicações LLM. Equipas que constroem sistemas de IA que processam conteúdo web.
Quando faz sentido: Precisa de extração limpa de texto para processamento por LLM. Os seus sites-alvo usam renderização JavaScript. Quer saída estruturada (Markdown/JSON). Está a construir aplicações Node.js.
Limitações:
- Apenas Node.js (sem bindings Python)
- Conversão Markdown opinativa (pode perder formatação de que precisa)
- Personalização limitada das regras de extração
- Sem limitação de taxa ou anti-deteção integradas
GPT-crawler: Rastreia sites e produz dados de treino para GPTs personalizados. Aponte-o para documentação ou uma base de conhecimento, ele extrai conteúdo e formata-o para fine-tuning. Ferramenta CLI Python.
Quem usa: Equipas que constroem modelos GPT personalizados. Organizações que criam assistentes de IA específicos de domínio.
Quando faz sentido: Está a fazer fine-tuning de modelos de linguagem. Precisa de dados de treino estruturados de fontes web. O seu conteúdo é documentação ou bases de conhecimento. Pode executar ferramentas CLI Python.
Limitações:
- Formato de saída específico para fine-tuning de GPT (não é de uso geral)
- Sem atualizações incrementais (re-rastreia todo o site para atualizações)
- Tratamento limitado de autenticação ou paywalls
- Assume estrutura de conteúdo estática
ScrapeGraphAI: Constrói grafos de conhecimento a partir de conteúdo rastreado. Bom para sites de documentação onde precisa de entender relações entre conceitos. Produz resumos estruturados ou grafos de factos. Implementação Python.
Quem usa: Equipas de gestão de conhecimento. Investigadores que constroem mapas conceptuais a partir de conteúdo web.
Quando faz sentido: Precisa de extração de relações, não apenas conteúdo. Os seus sites-alvo são documentação ou conteúdo educacional. Está a construir bases de conhecimento ou mapas conceptuais. Tem infraestrutura Python.
Limitações:
- Configuração complexa (requer base de dados de grafos e modelos NLP)
- Mais lento que scrapers simples (extração de entidades + mapeamento de relações)
- A qualidade depende da estrutura do conteúdo fonte
- Limitado a texto (não lida bem com tabelas ou imagens)
AutoScraper: Scraper de aprendizagem por exemplo. Mostre-lhe uma página com os dados que quer, ele descobre o padrão e aplica-o a páginas semelhantes. Biblioteca Python leve para tarefas de extração simples.
Quem usa: Programadores que precisam de extração rápida sem escrever seletores XPath ou CSS. Equipas que prototipam fluxos de trabalho de scraping.
Quando faz sentido: As suas páginas-alvo seguem padrões consistentes. Não quer escrever seletores manualmente. Precisa de protótipos rápidos. Os seus sites não mudam layouts frequentemente.
Limitações:
- Falha quando layouts de página mudam
- Limitado a estruturas de página semelhantes (não pode generalizar para sites diferentes)
- Sem suporte a renderização JavaScript
- Correspondência de padrões simples (sem raciocínio de IA sobre conteúdo)
LLM Scraper: Envie uma página para um LLM e pergunte "Extrai todos os preços dos produtos" ou "Encontra informações de contacto". O modelo interpreta a sua intenção e extrai dados relevantes. Flexível mas mais caro que scrapers baseados em regras. Baseado em Python.
Quem usa: Equipas que precisam de extração flexível sem escrever regras. Programadores que constroem tarefas de extração pontuais.
Quando faz sentido: As estruturas de página variam demasiado para extração baseada em regras. Precisa de compreensão semântica ("encontra o nome do autor"). O custo não é a sua principal preocupação. Quer desenvolvimento rápido sem engenharia de seletores.
Limitações:
- Caro (custos de API de LLM por página)
- Mais lento que scrapers baseados em regras (latência de API)
- Pode extrair dados errados se o prompt não for claro
- Sem garantia de extração consistente de campos entre páginas
Ferramentas de Pesquisa com IA
BingGPT: Interface de chat que combina pesquisa Bing com respostas GPT. Faça perguntas, obtenha respostas com fontes. Aplicação desktop, não baseada em navegador.
BraveGPT: Extensão de navegador com IA que adiciona respostas GPT aos resultados de pesquisa Brave. Veja tanto os resultados de pesquisa tradicionais como um resumo de IA lado a lado. Sobreposta diretamente nas páginas de pesquisa.
Frameworks de Controlo Web para Programadores
Bibliotecas de baixo nível para controlo programático do navegador.
Frameworks de Teste
Playwright: Automação cross-browser da Microsoft. Suporta Chromium, Firefox, WebKit. Esperas integradas, interceção de rede e emulação móvel. Disponível em JavaScript, Python, .NET e Java. Padrão da indústria para testes web modernos.
Selenium: A framework original de automação de navegador. Funciona em todos os principais navegadores. Ecossistema maior mas arquitetura mais antiga. Language bindings para Python, Java, C#, Ruby e mais. Padrão de protocolo WebDriver.
taiko: Framework da ThoughtWorks com sintaxe legível. Bom para testes funcionais onde a legibilidade do teste importa. Apenas Node.js.
Bibliotecas de Automação
Puppeteer: Biblioteca da Google para controlar Chrome/Chromium. API de alto nível para capturas de ecrã, geração de PDF e scraping. Ecossistema Node.js funciona com TypeScript. Escolha padrão para automação headless do Chrome.
Browser-Use: Listado anteriormente como ponte LLM, mas também funciona como biblioteca de automação para programadores. Converte DOM para um formato estruturado, trata de navegação e interação. Biblioteca Python com opção de API.
O Que Torna Estes Agentes Web Diferentes
O Browser-Use pontuou 89,1% nos testes WebVoyager, enquanto o Agent-E alcançou 73,1% no dataset completo. O Browser-Use usa planeamento autónomo de tarefas com integração LangChain. O Agent-E faz parsing da estrutura DOM diretamente sem modelos de visão, o que executa mais rápido mas tem dificuldades quando websites usam dropdowns dinâmicos ou revelam novas opções baseadas em escolhas do utilizador.
Níveis de Autonomia
Agentes totalmente autónomos como Browser-Use, Skyvern e Agent-E aceitam objetivos de alto nível ("encontra o voo mais barato para Paris") e planeiam os seus próprios passos de navegação. Adaptam-se a elementos inesperados como banners de cookies ou captchas. No entanto, cada decisão requer uma chamada LLM, aumentando tanto o custo como o tempo de resposta.
Ferramentas de orientação passo a passo como LaVague e ZeroStep executam comandos específicos ("clica no botão pesquisar", "insere texto no campo 2"). Execução mais rápida pois saltam a sobrecarga de planeamento. Mas se um site redesenhar o seu layout, precisa de atualizar instruções manualmente.
Frameworks de codificação manual como Playwright e Selenium requerem código explícito para cada clique, preenchimento de formulário e navegação. Os testes executam de forma idêntica cada vez até que o site mude um ID de elemento ou nome de classe. Depois os seletores quebram e reescreve o código.
Como Interpretam Páginas
Processamento baseado em visão: Skyvern 2.0, WebVoyager e VimGPT capturam capturas de ecrã e enviam-nas para modelos de visão como GPT-4V. Identificam botões e formulários olhando para a página renderizada.
O Skyvern 2.0 usa na verdade um ciclo planeador-ator-validador. O planeador divide tarefas complexas em objetivos mais pequenos, o ator executa-os e o validador confirma se cada objetivo foi bem-sucedido. Esta abordagem de três fases ajudou o Skyvern a saltar de 45% (versão de prompt único) para 68,7% (com planeador) para 85,85% (com validador a verificar se as ações realmente funcionaram).
O processamento por visão funciona em sites pesados em JavaScript onde o DOM se reconstrói após o carregamento da página. Mas o GPT-4V cobra por token de imagem, tornando cada visualização de página 10-20x mais cara que ler HTML. Os modelos de visão também adicionam 2-3 segundos por página em comparação com o parsing DOM.
Parsing DOM: Browser-Use e Agent-E leem o HTML da página diretamente. Examinam o código em busca de elementos clicáveis, campos de entrada e links de navegação.
O Agent-E usa "DOM Distillation" para reduzir páginas complexas a elementos essenciais, mais "Skill Harvesting" para lembrar e reutilizar padrões de interação bem-sucedidos. Superou o agente multimodal WebVoyager (que usa visão) em sites como Huggingface, Apple e Amazon usando apenas texto. Mas o planeamento do Agent-E perde a sincronia quando websites revelam dinamicamente novas opções – como menus dropdown que mudam com base nas suas seleções.
O parsing DOM custa menos e executa mais rápido. A precisão de 89,1% do Browser-Use vem em parte da integração LangChain e prompts atualizados, não apenas de saltar chamadas de visão. Mas as abordagens DOM têm dificuldades quando sites usam shadow DOM, nomes de classe ofuscados ou manipulação pesada de JavaScript.
Abordagem combinada: LiteWebAgent e AutoWebGLM fazem parsing do DOM para estrutura, depois usam visão para verificar o que os utilizadores realmente veem. Mais preciso que apenas DOM, mais barato que visão pura, mas está a executar dois sistemas por página.
Especialização
Auto-GPT e AgenticSeek tratam da navegação web juntamente com operações de ficheiros e execução de código. Faltam-lhes funcionalidades específicas da web como rotação de proxy e gestão de cookies, limitando a eficácia em sites com deteção de bots.
Agent-E e WebVoyager fazem apenas navegação web. O Agent-E alcançou 73,1% geral no dataset completo WebVoyager de 643 tarefas, superando os 57,1% do agente multimodal WebVoyager. Forte desempenho em sites como Wolfram (95,7%), Google Search (90,7%) e Google Maps (87,8%). Fraco em sites dinâmicos: apenas 27,3% no Booking.com e 35,7% no Google Flights onde menus dropdown e campos de formulário mudam com base em seleções do utilizador.
Crawl4AI e FireCrawl extraem dados e convertem páginas para Markdown ou JSON. Não preenchem formulários nem clicam em fluxos de trabalho. Use-os quando precisa de conteúdo em formato estruturado, não quando precisa de completar tarefas de múltiplos passos.
Playwright e Selenium automatizam testes de navegador. Produzem resultados idênticos entre execuções, essencial para testes de regressão. Mas este determinismo significa que não podem adaptar-se. Quando um site muda, a sua suite de testes quebra.
Opções de Implementação
Execução local: AgenticSeek, Nanobrowser e OpenInterpreter executam na sua máquina. Os seus dados de navegação permanecem locais e evita custos de API. Mas uma estação de trabalho típica lida com 5-10 instâncias de navegador simultâneas antes de CPU/RAM esgotarem.
APIs cloud: Browserless fornece instâncias remotas do Chrome via REST ou WebSocket. Pode lançar centenas de sessões paralelas com rotação automática de proxy. Cada pedido adiciona 100-300ms de latência em comparação com navegadores locais, e o seu tráfego passa pelos servidores deles a menos que faça self-host com Docker.
Implementação flexível: Skyvern executa localmente durante o desenvolvimento e depois implementa na cloud para produção. O benchmark deles realmente foi executado no Skyvern Cloud (não em máquinas locais) para testar condições do mundo real com navegadores cloud assíncronos e endereços IP realistas. A maioria dos benchmarks é executada em IPs locais seguros com boas fingerprints de navegador, o que não corresponde à realidade de produção.
Padrões de Integração
O WebSurfer do AutoGen requer a adoção de toda a framework multi-agente da Microsoft. Obtém orquestração de agentes e gestão de memória integradas, mas não pode integrá-lo facilmente com sistemas existentes.
Browser-Use e Playwright funcionam como bibliotecas standalone. Coloque-as em qualquer projeto Python ou Node.js. Mas construirá a sua própria coordenação de agentes, tratamento de erros e armazenamento de resultados.
Nanobrowser e BraveGPT instalam-se como extensões Chrome. Sem necessidade de configuração de servidor, adicione ao navegador e comece. Não podem escalar além de alguns separadores simultâneos e não se integram com pipelines de automação de backend.
Considerações de Produção
Skyvern e Browserless incluem suporte a proxy residencial, movimentos de rato aleatórios e rotação de fingerprint do navegador. Estas funcionalidades previnem bans de IP e acionadores de CAPTCHA em sites protegidos.
WebVoyager e AutoWebGLM focam-se em algoritmos de navegação. O Agent-E alcançou 73,1% usando parsing DOM apenas com texto, superando a abordagem multimodal de 57,1% do WebVoyager. Mas sites de produção com Cloudflare ou DataDome bloquearão agentes sem anti-deteção adequada.
Contexto importante do benchmark: Browser-Use e Agent-E executaram testes localmente com endereços IP seguros. O Skyvern executou especificamente os seus testes em infraestrutura cloud para corresponder a condições reais de produção, onde se enfrenta deteção de bots, fingerprinting de navegador e desafios CAPTCHA. Os próprios testes de benchmark são executados em sites cooperativos sem proteção agressiva contra bots, por isso as taxas de sucesso no mundo real serão inferiores às que estes números sugerem.
Fontes dos benchmarks
Cite esta pesquisa
Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.
@misc{dilmegani2026,
author = {Dilmegani, Cem},
title = {{Melhores 30+ Agentes Web de Código Aberto}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/open-source-web-agents}},
note = {AIMultiple. Acessado em 25 Junho 2026}
}Links de referência
Seja o primeiro a comentar
Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.