Os melhores agentes de navegador com IA - 2026

Quem confere toda manhã o status de envio de cinquenta pedidos no portal de um fornecedor bate na primeira parede assim que tenta passar a tarefa a um modelo de linguagem: o modelo não tem uma API para chamar, só uma página web. Um agente de navegador com IA preenche essa lacuna. Ele lê a página para o modelo, executa em um navegador real a decisão "clique nesse botão" e mostra o resultado de volta ao modelo. Em 2026, todo framework que faz isso responde de um jeito diferente à mesma pergunta: como o modelo enxerga a página?

Neste artigo comparamos seis frameworks de código aberto que permitem a um LLM usar uma página web: Browser Use, Stagehand, Skyvern, Playwright MCP, Magnitude e Notte, com uma seção curta sobre os agentes fechados da OpenAI e da Anthropic. Os critérios são a percepção da página, quem tem o loop de controle, o custo em tokens, se você pode trazer o próprio navegador e proxy, a linguagem e a licença. Licenças e número de estrelas foram lidos nos repositórios do GitHub em 7 de outubro de 2026. Em vez de passos de instalação, apontamos para o guia de integração de cada framework.

O que é um agente de navegador com IA?#

Um agente de navegador com IA é a camada de software que permite a um modelo de linguagem ver uma página web e agir sobre ela. O modelo não consegue usar um navegador sozinho; ele recebe texto e devolve texto. O framework do agente é o tradutor no meio: converte a página em uma forma que o modelo entende, transforma a decisão do modelo em comandos de clique, digitação e rolagem, e leva o resultado de volta ao modelo.

O loop roda em quatro passos:

1. Observar. O framework captura o estado atual da página: DOM, árvore de acessibilidade ou captura de tela.
2. Decidir. O modelo lê a observação e escolhe a próxima ação: "digite o número do pedido no campo 3".
3. Agir. O framework executa a ação no navegador por meio do Playwright ou do Chrome DevTools Protocol (CDP).
4. Verificar. O novo estado da página é capturado; se o objetivo não foi alcançado, o loop recomeça.

As diferenças entre os frameworks aparecem nesses quatro passos: o que mostram, quem decide e qual protocolo entrega a ação.

Como o agente enxerga a página?#

Há três métodos, e cada um puxa custo, precisão e resiliência em uma direção diferente.

• Extração do DOM. O framework encontra os elementos interativos da página, numera cada um e entrega ao modelo uma lista curta. Por ser texto, é barato e não precisa de modelo de visão; sofre em interfaces desenhadas em canvas. O Browser Use segue esse caminho.
• Árvore de acessibilidade. Captura-se a árvore de texto que a página expõe aos leitores de tela; cada elemento tem um papel e um nome, e os elementos decorativos ficam de fora. O Playwright MCP usa esse snapshot, e o Stagehand poda a árvore antes de entregá-la.
• Captura de tela. O modelo vê a página como uma pessoa veria e devolve uma coordenada em pixels. Precisa de um modelo de visão e gasta mais tokens por passo, mas não deixa escapar nada que o DOM possa esconder. Skyvern e Magnitude seguem esse caminho.

Em um formulário e uma tabela padrão, um método baseado em texto é barato e estável ao mesmo tempo; em mapas, gráficos ou componentes desenhados sob medida, não há como fugir das capturas de tela.

O que observar ao escolher um agente de navegador?#

• Percepção da página. DOM, árvore de acessibilidade ou captura de tela, escolhido conforme o tipo de site em que você vai trabalhar.
• Quem tem o loop de controle? Em alguns frameworks você descreve a tarefa e o modelo escolhe os passos; em outros você programa cada passo e o modelo só localiza o elemento. O primeiro é flexível; o segundo, previsível.
• Custo em tokens. O agente envia a página ao modelo a cada passo. Uma tarefa de vinte passos são vinte páginas, e com capturas de tela essa conta cresce várias vezes.
• Seu próprio navegador e proxy. O framework aceita o seu Chromium local ou um endpoint CDP remoto, e qual parâmetro recebe o proxy?
• Linguagem e licença. Python ou TypeScript; MIT e Apache, ou AGPL e SSPL, que impõem condições ao uso comercial.

Os 6 melhores frameworks de código aberto para agentes de navegador#

1. Browser Use#

Um framework Python, licença MIT, 117 mil estrelas no GitHub (outubro de 2026). Extrai a página do DOM, numera os elementos interativos e entrega ao modelo uma lista; use_vision acrescenta uma captura de tela. Controla o navegador diretamente por CDP: um Chromium local, o perfil do Chrome do seu sistema ou um navegador remoto via cdp_url. Além do próprio modelo bu-2-0, suporta OpenAI, Anthropic, Google e modelos locais via Ollama; o proxy entra como ProxySettings(server, username, password, bypass). Código e documentação estão no repositório no GitHub.

Prós

• Você descreve a tarefa e o modelo escolhe os passos; um protótipo são dez linhas de código
• Proxy autenticado em um só parâmetro, sem que as credenciais cheguem ao modelo
• Qualquer provedor de modelo, incluindo modelos locais
• allowed_domains limita aonde o agente pode ir

Contras

• A mesma tarefa pode seguir um caminho diferente em duas execuções
• Em páginas pesadas a lista do DOM cresce, e com ela a conta de tokens
• Fraco em interfaces canvas se as capturas de tela não forem ativadas

Para quem: equipes Python que querem descrever uma tarefa e recolher o resultado.

2. Stagehand (Browserbase)#

SDKs para TypeScript, Python e Go, licença MIT, 25 mil estrelas no GitHub (outubro de 2026). Sobre uma API no estilo do Playwright (goto, click, locator) acrescenta três passos em linguagem natural: act executa uma ação, extract devolve dados validados por esquema e observe devolve seletores reais. Transporta a página como uma árvore de acessibilidade podada. Roda com um Chrome local ou na nuvem da Browserbase; em um navegador local você pode definir um servidor proxy e uma lista de bypass, enquanto proxies com usuário e senha hoje só são suportados do lado da Browserbase.

Prós

• O loop de controle é seu: cada passo está no código e pode ser testado
• extract devolve dados tipados diretamente
• Uma só API em três linguagens

Contras

• Sem proxy autenticado em navegador local; é preciso lista de IPs autorizados
• Tarefas totalmente autônomas pedem mais código do que no Browser Use
• Os recursos de nuvem dependem de uma conta Browserbase

Para quem: equipes TypeScript que querem ver os passos do navegador no código, e quem adiciona IA a testes Playwright já existentes.

3. Skyvern#

Python, AGPL-3.0, 23 mil estrelas no GitHub (outubro de 2026). Em vez de XPath, entende a página combinando um modelo de visão com o DOM; nas próprias palavras do projeto, um "enxame de agentes" compreende o site, planeja e executa. Foi feito para preenchimento de formulários e trabalho em portais; roda em servidor próprio com Docker Compose e suporta OpenAI, Anthropic, Gemini, Bedrock e Ollama. Você conecta o próprio navegador com BROWSER_TYPE=cdp-connect e BROWSER_REMOTE_DEBUGGING_URL, e o proxy é definido ao iniciar esse Chrome.

Prós

• A percepção visual o faz funcionar em interfaces legadas e complexas
• Definições de fluxo de trabalho e uma interface, não só uma biblioteca
• Hospedado nos seus próprios servidores

Contras

• A AGPL obriga a compartilhar o código se você o embutir em um produto
• Passos visuais consomem mais tokens
• A instalação, com Postgres e a interface, é mais pesada que a dos outros

Para quem: equipes que preenchem formulários em muitos portais e gerenciam o fluxo por uma interface visual.

4. Playwright MCP (Microsoft)#

Um servidor de Model Context Protocol, Apache-2.0, 38 mil estrelas no GitHub (outubro de 2026). É uma ferramenta, não um agente: o loop de controle fica no cliente MCP, seja ele o Claude Code, o Cursor ou o VS Code. Entrega a página como um snapshot de acessibilidade, então não precisa de modelo de visão; --caps=vision liga um modo baseado em coordenadas. O navegador é configurado por flags: --proxy-server, --proxy-bypass, --cdp-endpoint, --isolated, --user-data-dir. Os detalhes estão no repositório do Playwright MCP.

Prós

• Encaixa em cinco minutos no agente de programação que você já usa
• O snapshot de texto é rápido e barato
• --allowed-hosts restringe aonde o agente pode ir

Contras

• Não executa tarefas sozinho; precisa de um cliente MCP
• Um proxy autenticado não pode ser passado embutindo as credenciais no endereço
• Não foi projetado para tarefas autônomas longas

Para quem: desenvolvedores que querem dar acesso a um navegador a um agente de programação.

5. Magnitude#

TypeScript, Apache-2.0, 4 mil estrelas no GitHub (outubro de 2026). Define-se como "vision-first": um modelo com ancoragem visual olha a página e devolve coordenadas em pixels, sem ler o DOM. O Claude Sonnet 4 é recomendado, e o Qwen-2.5VL 72B também funciona. Como fica em cima do Playwright, o campo proxy do Playwright entra em browser.launchOptions, e cdp conecta a um navegador já aberto. A equipe deslocou o foco para um motor de inferência; o agente de navegador continua em um repositório separado.

Prós

• Funciona em interfaces que não têm DOM ou o escondem
• As opções do Playwright passam direto
• Executor de testes embutido e asserções visuais

Contras

• Uma captura de tela a cada passo; entre os custos em tokens mais altos da lista
• Um modelo com capacidade de visão é obrigatório
• Comunidade e documentação ficam atrás dos três primeiros

Para quem: equipes que testam aplicações baseadas em canvas e fazem regressão visual.

6. Notte#

Um framework Python com SDK para Node, SSPL-1.0, 2 mil estrelas no GitHub (outubro de 2026). Passa a página por uma camada de percepção: observe devolve o estado da página em uma forma que o modelo consegue ler, com ações endereçadas por ID, e scrape devolve dados estruturados. Localmente você abre notte.Session() com a sua própria chave de LLM; na nuvem o mesmo código roda via NotteClient. Os proxies são definidos com ExternalProxy(server, username, password).

Prós

• Do local para a nuvem com uma única mudança de import
• Proxy externo autenticado em um só objeto
• Descrições compactas da página economizam tokens

Contras

• A SSPL condiciona oferecê-lo como serviço ao compartilhamento do código
• Comunidade pequena
• Alguns recursos exigem conta na nuvem

Para quem: equipes pequenas que começam localmente e planejam escalar na nuvem.

Agentes fechados: modo agente do ChatGPT e computer use do Claude#

Dois produtos fechados não pertencem a esta lista, mas aparecem em toda comparação. O Operator, que a OpenAI anunciou no início de 2025, foi incorporado ao modo agente do ChatGPT em julho do mesmo ano; o agente roda no navegador virtual da própria OpenAI, e você não pode trazer o seu navegador nem o seu proxy. É um produto para usuário final, não um framework.

A ferramenta computer use da Anthropic é o oposto: o Claude tira uma captura de tela e devolve coordenadas de mouse e teclado, mas o ambiente e o loop são executados por você. A versão atual, computer_toolset_20260801, está em disponibilidade geral, e a referência oficial inclui uma aplicação de exemplo baseada em Docker. Como o navegador vive no seu contêiner, você mesmo entrega o proxy a ele, o que faz dela a opção fechada mais próxima da tabela abaixo.

Tabelas comparativas#

Licenças e número de estrelas vêm dos repositórios do GitHub, em 7 de outubro de 2026. "—" marca um recurso que não existe ou que não conseguimos verificar.

Percepção da página e loop de controle#

Licença e comunidade#

Proxy e custo#

A coluna de tokens é relativa: frameworks que enviam um snapshot de texto gastam pouco por passo, e frameworks que enviam uma captura de tela a cada passo gastam muito. O número exato depende do modelo, da página e da quantidade de passos.

Qual proxy para esses agentes?#

O IP de saída do agente precisa continuar o mesmo durante toda uma tarefa de vários passos. O portal em que você faz login ou a loja em que você enche um carrinho amarra a sessão a um IP; se o IP muda no terceiro passo, a sessão cai e o agente recomeça. Por isso as tarefas de agente usam Proxies de sessão fixa: o mesmo IP fica fixo até o trabalho terminar.

O tipo de IP também importa. Um agente que precisa ver preços, estoque ou resultados de busca de um país a partir de dentro desse país precisa de Proxies residenciais; um IP de datacenter mostra outro preço ou nem recebe a página. Em todos os frameworks o proxy é entregue pelo parâmetro de inicialização do navegador: o campo proxy nos frameworks baseados em Playwright, a flag --proxy-server em um Chrome controlado por CDP. O conjunto completo de campos está na documentação de rede do Playwright.

Escrevemos os passos de configuração separadamente para cada framework. Proxies autenticados com ProxySettings e a verificação do IP de saída no Browser Use estão em Browser Use com proxy; as flags do Playwright MCP e a correção do problema do proxy autenticado, no guia do Playwright MCP; a opção proxy do Playwright sobre a qual Stagehand e Magnitude se apoiam, e a sua limitação com SOCKS5, no guia de proxy para Playwright.

Um proxy não torna o agente invisível, e não deveria. Quando o agente visita um site, o robots.txt e os termos de uso continuam sendo responsabilidade sua; andar em velocidade humana, limitar a taxa de requisições ao mesmo alvo e tentar primeiro a API oficial tornam o agente mais confiável. Usar proxy para contornar proteção contra bots não é o assunto deste artigo.

Erros comuns#

• O mesmo método de percepção para todo site. Ligar capturas de tela em um formulário padrão multiplica o custo; insistir no DOM em um canvas deixa o agente cego.
• Proxy rotativo em tarefa de vários passos. A sessão cai quando o IP muda a cada requisição; tarefas que exigem login usam sessão fixa.
• Sem limite de passos. Um modelo que não alcança o objetivo fica no loop e queima tokens; todo framework tem um limite como max_steps.
• Credenciais no prompt. As senhas do proxy e do site vão no parâmetro do navegador ou em uma variável de ambiente, nunca para o modelo.
• Sem restrição de domínio. Uma instrução escondida em uma página pode mandar o agente para outro site; uma lista de domínios permitidos reduz esse risco.
• Embutir sem ler a licença. AGPL e SSPL não são a mesma coisa que MIT.

Qual agente para cada trabalho?#

Perguntas frequentes#

Qual é o melhor agente de navegador com IA em 2026?#

Não há uma resposta única; depende do site e da equipe. Browser Use para resultados rápidos em Python, Stagehand para um fluxo controlado em TypeScript, Skyvern ou Magnitude para sites visuais e Playwright MCP para adicionar um navegador a um agente de programação.

Qual é a diferença entre um agente de navegador e o Playwright?#

O Playwright é uma biblioteca de automação em que você escreve cada passo; um agente de navegador deixa um modelo de linguagem escolher o passo. Stagehand e Magnitude rodam em cima do Playwright, enquanto o Browser Use controla o navegador diretamente por CDP.

Um agente de navegador precisa de modelo de visão?#

Não. Browser Use, Stagehand, Playwright MCP e Notte entregam a página como texto e funcionam com modelos de texto. Skyvern e Magnitude trabalham a partir de capturas de tela e precisam de um modelo com capacidade de visão.

Quantos tokens um agente de navegador consome?#

Tantas páginas quantos passos tiver. Com um snapshot de texto o custo por passo é baixo; com captura de tela é várias vezes maior, e o número exato depende do modelo e da página. Um limite de passos define o teto do custo.

Posso dar meu próprio proxy a um agente de navegador?#

Sim, nos seis frameworks de código aberto: a opção proxy nos baseados em Playwright, a flag --proxy-server em um Chrome controlado por CDP. O modo agente do ChatGPT roda no próprio navegador e não aceita proxy.

Um agente de navegador respeita o robots.txt?#

Não por conta própria; nenhum dos frameworks impõe isso. Você restringe os domínios que o agente pode visitar, você define o limite de taxa e você garante que ele siga as regras do site.

Em resumo#

O que separa os agentes de navegador em 2026 não é o modelo, e sim como mostram a página ao modelo e com quem deixam o controle: DOM e árvore de acessibilidade são baratos e estáveis; capturas de tela são caras, mas funcionam em qualquer interface. Teste o framework nos seus próprios sites com uma tarefa de cinco passos; a conta de tokens e a taxa de sucesso dizem o que as tabelas não conseguem. Quando o seu agente partir para uma tarefa de vários passos e precisar de uma sessão com IP fixo, dê uma olhada nos nossos serviços de proxy.