网页机器人八引擎实测横评

本期聚焦 Claude Code 生态中一个长期被低估、却在 2026 年上半年迎来爆发的赛道——浏览器自动化与网页抓取 Skills。我通过 npx skills find 拉取了 skills.sh 市场在 browser、playwright、scrape、scraping 四个关键词下的全部上架条目，并以 GitHub README 原文 + 安装量数据为基准，对当前装机量排名靠前的八个引擎做了横向实测分析。这八个引擎覆盖了四条截然不同的技术路线：原生 Rust CLI（agent-browser）、官方 Playwright CLI（playwright-cli）、即时代码生成（playwright-skill）、反检测与人机接力（browser-act）、Actor 市场代理（apify）、AI 结构化抽取（just-scrape）、爬取中台（firecrawl）以及复用用户真实会话（use-my-browser）。整体结论是：浏览器自动化 Skills 已从"调用 Playwright 写脚本"的单点工具，演化成包含反检测、并行隔离、人机协作、Token 效率优化的完整栈，且每条路线都有清晰的商业化出口。

一、评测维度与权重

二、八引擎横向对比总表

三、逐个深度评测

1. agent-browser（vercel-labs）—— Rust 原生 CLI 的性能标杆

维度	权重	评价标准
功能完整度	25%	是否覆盖打开/点击/填表/截图/抓取/反检测全链路？开箱即用程度
上手难度	20%	安装步骤、依赖体积、是否需要 API Key 或付费额度
变现潜力	25%	能否包装成 SaaS、按调用计费、做行业数据产品
训练营适用性	15%	是否适合做 1–2 天的教学案例，命令可复现性
社区活跃度	15%	GitHub Star、Fork、skills.sh 安装量、更新频率

引擎	装机量	技术栈	核心卖点	功能	上手	变现	教学	社区	综合
agent-browser (vercel)	450K	Rust+CDP	原生 CLI、ref 索引、跨平台	★★★★★	★★★★	★★★★	★★★★	★★★★★	4.6
playwright-cli (microsoft)	57.4K	Node CLI	官方血统、Token 高效	★★★★	★★★★★	★★★	★★★★★	★★★★★	4.2
firecrawl (cli)	57.7K	Node+API	search/scrape/crawl/map 一体	★★★★★	★★★★★	★★★★★	★★★★	★★★★★	4.7
use-my-browser (xixu-me)	213.7K	CDP attach	复用登录态、零成本	★★★	★★★★★	★★★	★★★★	★★★	3.6
apify-ultimate-scraper	11.9K	Actor 市场	30,000+ Actors 兜底	★★★★★	★★★★	★★★★★	★★★★	★★★★★	4.6
just-scrape (scrapegraphai)	173.3K	Bun+TS	AI 结构化抽取 + monitor	★★★★	★★★★	★★★★	★★★★	★★★★	4.1
browser-act	40.5K	CLI	反检测三层 + 人机接力	★★★★★	★★★	★★★★★	★★★	★★★★	4.2
playwright-skill (lackeyjb)	社区版	Playwright	即时代码生成、可见浏览器	★★★★	★★★★	★★★	★★★★	★★★★	3.8

npm install -g agent-browser，首次运行 agent-browser install 自动从 Chrome for Testing 下载浏览器，无需 Playwright 或 Node 运行时支撑守护进程。装机量 450.1K、GitHub Star 36.1k、Fork 2.3k，是本赛道当之无愧的流量王者。

它的核心设计是"为 AI agent 优化的 CLI"：snapshot 返回带 @e2 引用的无障碍树，click @e2、fill @e3 "..." 直接按引用操作，避免了把整个 DOM 或 JSON 塞进上下文。覆盖dblclick、hover、drag、upload、scroll、select、check 等近 30 个原子命令，外加 screenshot --annotate（带编号标注）、pdf、eval、get text/html/value/attr 等取值命令，以及 chat "<指令>" 自然语言单轮控制与交互式 REPL。亮点细节是"点击被遮挡时提前失败"——遇到同意横幅或弹窗会直接报错提示先关闭，而不是盲目重试。

变现路径清晰：其 connect <port> 支持 CDP 接入，可作为企业 RPA 或自动化测试 SaaS 的底层执行引擎，按会话计费空间大。训练营适配性高，一个下午可讲完核心命令。唯一短板是需要 Node 24+/pnpm 11+ 才能从源码构建，Linux 还需 --with-deps 装系统库，对纯前端学员略重。

2. playwright-cli（microsoft 官方）—— 官方血统的 Token 效率派

npm install -g @playwright/cli@latest + playwright-cli install --skills，装机量 57.4K。这是微软官方维护的 Skills，最大卖点是它自己在 README 里点出的 CLI vs MCP 取舍：现代编码 agent 越来越倾向 CLI + Skills 而非 MCP，因为 CLI 调用更省 Token——不必把庞大的工具 schema 和冗长的无障碍树灌进上下文。

支持 --headed 可见模式、-s= 多会话隔离、--persistent 持久化 profile，cookies 在会话内保留。即便不装 skills，agent 也能读 playwright-cli --help 自行上手，"无 skills 也能跑"的鲁棒性是教学场景的福音。演示 demo 用 TodoMVC（demo.playwright.dev/todomvc）跑通添加、勾选、截图全流程。

变现潜力相对中性——官方免费工具，更适合作为内部测试基座而非直接卖钱。但训练营适用性满分：命令语义与 Playwright API 高度一致，学完即可迁移到正式测试代码，是承接前端自动化测试课程的黄金教具。社区活跃度满分（微软背书、持续更新）。

3. firecrawl CLI —— 抓取中台的全家桶

npm install -g firecrawl-cli 或 npx [email protected] init -y --browser 一键装 CLI、鉴权、并向所有检测到的编辑器注入 skills。scrape 关键词装机量 57.7K。

它的设计把 skills 分成三类：CLI skills（教 agent 用 search/scrape/interact/map/crawl/agent 做实时网页工作）、Build skills（教 agent 把 Firecrawl 集成进应用代码、选端点、接 SDK）、Workflow skills（产出研究简报、SEO 审计、QA 报告、线索列表、知识库、设计系统抽取等交付物）。firecrawl setup defaults 甚至能把 Firecrawl 设成 agent 的默认 web provider，禁用原生 fetch/search，所有网页工作路由到 Firecrawl。

变现潜力满分：它本身就是 credits 计费的商业产品，skills 是获客漏斗。把 agent 训练成"先想交付物类型、再选 Firecrawl 能力"的工作流，直接对应代运营、SEO 机构、线索挖掘公司的真实需求。训练营可设计成"一句话生成竞品 SEO 审计报告"的实战项目。唯一注意点是强依赖 Firecrawl 账号与额度，免费层有限。

4. use-my-browser（xixu-me）—— 零成本复用登录态

npx skills add xixu-me/skills，装机量高达 213.7K，在所有浏览器 skills 中仅次于 agent-browser。它的差异化非常明确：当工作依赖渲染后状态、已登录流程、文件上传、媒体、DOM 检查或浏览器专属故障时，直接挂载用户真实浏览器会话，而不是开一个干净的无状态实例。

价值在于解决了登录墙痛点——很多内部系统、企业后台、付费内容站点无法用 cookie 注入绕过，但用户本机浏览器里早就登好了。通过 CDP attach 复用，agent 拿到的是"真人正在用的浏览器"。仓库本身是个 skills 合集（develop-userscripts、github-actions-docs、openclaw、readme-i18n 等），use-my-browser 是其中之一，还配套 Skills Vault（skvlt.yaml）做可移植基线。

变现潜力偏弱——它本质是"省事技巧"，难独立定价；但作为大型自动化产品里"过登录"的前置环节，是不可或缺的拼图。训练营适用性高，适合讲"什么时候该用真实会话 vs 干净实例"的工程判断。

5. apify-ultimate-scraper —— 30,000+ Actors 的市场代理

npx skills add https://github.com/apify/agent-skills --skill apify-ultimate-scraper，装机量 11.9K，但背后是 Apify 整个生态——130+ 精选 Actor + 30,000+ Store Actor 兜底。

覆盖 Instagram、Facebook、TikTok、YouTube、X、LinkedIn、Reddit、Google Maps、Google Search、Amazon、Walmart、eBay、Booking、TripAdvisor、Airbnb、Yelp、Telegram 等几乎所有主流平台。Agent 不需要自己写抓取逻辑，只需描述目标（如"抓 Google Maps 上 Brooklyn 评分低于 4 星的意大利餐厅，爬评论、找老板邮箱、导 CSV"），skill 自动选 Actor、塑形输入、管理运行、格式化结果。配套 skills 还能从零创建 Actor、把现有代码"Actor 化"、自动生成 output schema、通过 apify-client 集成进应用。

变现潜力满分：它就是"按调用计费"的标准商业模式，每个 Actor run 都是付费单元。把这套 skill 包装成"行业数据产品工厂"（竞品情报、市场调研、品牌声誉、网红筛选、AI 搜索可见度）直接对标咨询公司的交付物，定价空间从几百到几万。训练营适合做"一句话出商业报告"的演示，但深度定制需要讲清 Actor 开发。

6. just-scrape（scrapegraphai）—— AI 结构化抽取 + 监控

npm install -g just-scrape@latest，装机量 173.3K。它是 ScrapeGraphAI 的 CLI 封装，命令面聚焦：scrape（输出 markdown/html/screenshot/links/images/summary/branding/结构化 JSON）、extract（按 prompt + schema 抽结构化 JSON）、search（搜索并对结果跑抽取）、crawl（在限定站段内收多页）、monitor（定时巡检 + webhook 通知）、外加 history/credits/validate 运营命令。

技术栈是 Node 22+ / Bun / TypeScript ESM / citty / @clack/prompts，仓库结构工整（commands 一文件一命令、lib 放配置解析、tests 有冒烟测试），是教学"如何封装一个生产级 CLI skill"的范本。亮点是 monitor 命令——把抓取变成持续监控，适合价格追踪、舆情、库存预警这类需要定时巡检的场景，变现上可直接做"监控即服务"。

需要 SGAI_API_KEY（scrapegraphai.com/dashboard），按 credits 计费，免费额度有限。功能完整度中上，缺浏览器交互（不能点击/填表），定位是"抽取"而非"操作"。

7. browser-act —— 反检测三层防线 + 人机接力

装机量 40.5K（另有 skill-forge 变体 32K）。它的 README 直接亮出"agent 专用浏览器必须做对四件事"的框架，是本批次工程思考最系统的产品。

三层突破：环境层（隐身指纹伪造、TLS 轮换、代理切换，让大多数拦截根本不触发）、执行层（solve-captcha 自动解验证码、stealth-extract 一命令拉受保护页面）、人工层（remote-assist 生成实时 URL，用户从任意设备接管，完成后 agent 无缝继续）。三种浏览器模式：chrome（复用本地登录态）、stealth 隐私模式（批量无登录抓取，每会话新指纹+零残留）、stealth 固定身份（登录账号/多浏览器并行，稳定指纹+稳定 IP 不被标记为机器人）。零干扰并发：跨浏览器并行（独立 cookie/指纹/代理，站点无法关联）、同浏览器多会话（共享登录态、独立执行）。为 agent 推理设计：紧凑索引文本输出比 JSON/HTML 省 Token 数倍，state 返回索引列表、click 3/input 2 "..." 按索引操作，无需解析 DOM。

变现潜力满分——反检测是硬需求，黑产灰产之外的合法场景（舆情、电商比价、地产数据）同样需要绕过 Cloudflare/Akamai。安全设计也到位：敏感操作（建/删浏览器、导入 Profile、改代理、隐私开关）需显式批准，且批准不跨会话延续，在 Skill 层强制而非配置项。短板是概念多、上手曲线陡，适合中高级学员。

8. playwright-skill（lackeyjb）—— 即时代码生成派

社区驱动（非市场统计装机量），作为 Claude Code Plugin 分发：/plugin marketplace add lackeyjb/playwright-skill + /plugin install playwright-skill@playwright-skill，再 npm run setup。

与前几个"提供固定命令"的路线不同，它的核心理念是 Claude 自主为你的具体请求编写并执行任意 Playwright 自动化代码——不是调用预置脚本，而是现写现跑。特性包括默认 headless: false 可见浏览器、通用执行器避免模块解析错误、渐进式披露（精简 SKILL.md，完整 API 参考按需加载）、智能临时文件管理避免竞态。结构是 plugin 嵌套 skill（.claude-plugin/ + skills/playwright-skill/SKILL.md），手动安装需注意只拷贝内层 skill 文件夹。

变现潜力中性——免费社区 skill，更适合作为"agent 写代码"能力的展示与二次开发底座。训练营价值在于讲清"命令式 skill"与"代码生成式 skill"两种范式的差异与取舍，是 skill 设计模式教学的优质案例。

四、Skills 生态分类思维导图

mindmap
  root((浏览器自动化<br/>与抓取 Skills))
    执行内核
      原生 CLI
        agent-browser(Rust/CDP)
        playwright-cli(官方 Node)
      代码生成
        playwright-skill(即时编写)
    数据获取
      抽取中台
        firecrawl(search/crawl/map)
        just-scrape(AI 结构化)
      Actor 市场
        apify(30K+ Actors)
    特殊能力
      反检测
        browser-act(三层突破)
      会话复用
        use-my-browser(登录态挂载)
    商业化出口
      按调用计费(firecrawl/apify/just-scrape)
      反检测服务(browser-act)
      底层引擎授权(agent-browser)

五、推荐排行榜

按综合得分 1. firecrawl（4.7）—— 全家桶 + 强变现 + 官方运营 2. agent-browser（4.6）—— 性能标杆 + 装机量第一 3. apify-ultimate-scraper（4.6）—— 市场代理 + 海量平台覆盖 4. browser-act（4.2）—— 反检测最系统 5. playwright-cli（4.2）—— 官方血统 + Token 最优

按变现潜力（想做产品/接单） 1. apify-ultimate-scraper —— 数据产品工厂，交付物即咨询报告 2. firecrawl —— credits 漏斗，SEO/线索/知识库工作流现成 3. browser-act —— 反检测刚需，比价/舆情/地产数据直接对接付费客户

按训练营适用性（想教学） 1. playwright-cli —— 官方语义，学完迁移正式测试代码 2. agent-browser —— 命令清晰，一个下午跑通全链路 3. just-scrape —— 仓库结构工整，教"如何封装生产级 CLI skill"

按上手零成本（个人自用） 1. use-my-browser —— 复用真实会话，过登录墙神器 2. playwright-cli —— 免账号、免额度 3. playwright-skill —— 装完即写代码

六、选型结论与延伸思考

如果只能装一个：个人开发者选 agent-browser（性能、装机量、社区三重保障），做商业产品的团队选 firecrawl 或 apify（变现闭环现成），要啃硬骨头（反爬/登录墙）选 browser-act + use-my-browser 组合。

值得关注的趋势有三：其一，CLI + Skills 正在系统性取代 MCP 成为编码 agent 的浏览器交互首选，playwright-cli 官方明确点出 Token 效率是关键，agent-browser 的索引引用设计（@e2/click 3）正是为省 Token 而生；其二，"抓取"与"操作"正在分化——firecrawl/just-scrape/apify 专注把网页变数据，agent-browser/playwright-cli/browser-act 专注让 agent 像人一样点击填写，混用比单押更合理；其三，人机协作（human-in-the-loop）成为反检测与复杂流程的标配，browser-act 的 remote-assist 让 agent 卡住时真人从手机接管，这套模式可迁移到所有需要"最后一公里人工确认"的自动化场景。

下一个值得深挖的方向是这些引擎与内容创作 Skills 的衔接——抓取到的原始数据如何喂给长文/SEO/社媒引擎，形成"数据采集 → 结构化 → 内容生成 → 分发"的端到端管线，那将是本轮评测生态向下游的自然延伸。