夜雨聆风Agent Skills Hub 上浏览器自动化类目的总 Star 数高达42.6 万。30 个工具，比 Web 开发多 3 倍，比 GitHub MCP 多 8 倍,没有一个赛道比它更拥挤。
为什么？浏览器是 AI Agent 和真实世界之间最宽的那扇门，能操作浏览器，就能操作互联网上几乎一切信息。这个逻辑太直白了，直白到所有人都冲了进来。
问题是：30 个工具，5 种路线，你选哪条？
五大派系
把 30 个工具摊开看，格局很清晰。
派系一：Agent 浏览器框架
这是最核心的赛道。给 AI Agent 一双手，让它像人一样操作网页。
browser-use（96.6k Star，评分 57，Python）
断层第一。几乎成了"AI 浏览器自动化"的代名词。它的核心思路：把网页变成 Agent 可访问的结构化信息，然后让 LLM 决定下一步操作。简单，直接，有效。
agent-browser（35.1k Star，Rust，Vercel 出品）
Vercel Labs 做的。Rust 写的浏览器自动化 CLI。定位精准：给 AI Agent 用的浏览器命令行工具。Vercel 的品牌背书加上 Rust 的性能优势，让它在速度敏感场景有竞争力。
stagehand（22.9k Star，TypeScript，Browserbase 出品）
定位是"Browser Agent 的 SDK"。和 browser-use 的区别：stagehand 更偏开发者体验，提供更结构化的 API。Browserbase 同时还做了 mcp-server-browserbase（3.3k Star）和 skills（2.8k Star），三条产品线覆盖 MCP、Agent SDK 和 Claude Skill 三个接入层。
nanobrowser（12.4k Star，TypeScript）
Chrome 扩展形态。不需要本地部署，装个插件就能跑多 Agent 工作流。定位是 OpenAI Operator 的开源替代。
这四个工具代表了 Agent 浏览器框架的四种思路：Python 通用框架（browser-use）、Rust 高性能 CLI（agent-browser）、TypeScript SDK（stagehand）、浏览器扩展（nanobrowser）。
派系二：中文平台爬虫
这个派系的存在本身就是一个信号：中文互联网的数据需求足够大，撑起了一个独立赛道。
MediaCrawler（50.6k Star，Python）
小红书、抖音、快手、B 站、微博、百度贴吧、知乎。七个平台，笔记、视频、评论、帖子全覆盖。5 万 Star 说明需求有多真实。
Agent-Reach（20.9k Star，Python）
定位更广：让 AI Agent 看见整个互联网。支持 Twitter、Reddit、YouTube、GitHub、B 站、小红书。零 API 费用，一条命令搞定。
feedgrab（471 Star，Python）
通用内容抓取器。微信、小红书、X/Twitter、YouTube、B 站、Telegram、RSS，7 个平台。Star 数不多，覆盖的平台很实用。
AutoCLI（2.7k Star，Rust）
55+ 个站点，覆盖 B 站、知乎、Twitter、YouTube、微博、Reddit、Facebook、Instagram、TikTok、Notion、Cursor。还能控制 Electron 桌面应用，集成 gh、docker、kubectl 等本地 CLI。功能密度极高。
中文平台爬虫的共性：绕过平台 API 限制，直接操作浏览器获取数据。这条路有法律灰度，也有技术壁垒。5 万 Star 的 MediaCrawler 证明，需求不会因为灰度而消失。
派系三：自适应爬虫框架
Scrapling（58.0k Star，Python，评分 56）
自适应爬虫框架。从单次请求到大规模爬取，一套框架搞定。它的核心能力：自动适应网页结构变化。传统爬虫一改版就挂，Scrapling 能自己调整选择器。
firecrawl-mcp-server（6.5k Star，JavaScript，评分 56）
Firecrawl 官方 MCP 服务器。把网页爬取和搜索能力接入 Cursor、Claude 等 LLM 客户端。评分和 Scrapling 并列 56，说明 MCP 化的爬虫工具质量已经追上原生框架。
这两个工具解决的是同一个问题：让爬虫不那么脆。网页结构变了，反爬策略升级了，工具得自己扛住。
派系四：MCP 浏览器服务器
这个派系最值得关注的不是哪个工具最强，而是谁在背后。
playwright-mcp（33.1k Star，TypeScript，评分 60，Microsoft 出品）
全场最高评分。微软把 Playwright 封装成 MCP 服务器，让任何支持 MCP 的 LLM 都能直接操控浏览器。Playwright 本身就是浏览器自动化的工业标准，MCP 化之后，Agent 生态直接继承了它的全部能力。
mcp-chrome（10.7k Star，TypeScript）
Chrome 扩展形式的 MCP 服务器。你的 Chrome 浏览器直接变成 AI 可操控的工具。支持复杂自动化、内容分析、语义搜索。不需要额外部署浏览器，用你已经在用的那个。
browser-tools-mcp（7.1k Star，JavaScript）
从 Cursor 和其他 MCP 兼容 IDE 直接监控浏览器日志。开发调试场景很实用。
browser-use-mcp-server（811 Star，Python）
把 browser-use 封装成 MCP 服务器。从 Cursor 等工具直接浏览网页。
MCP 浏览器服务器的意义：它把浏览器自动化从"独立工具"变成了"Agent 生态的一个组件"。你不需要单独跑一个爬虫脚本，MCP 协议让浏览器能力像调用函数一样简单。
派系五：网站转 CLI
OpenCLI（23.3k Star，JavaScript）+ opencli（14.2k Star，TypeScript）
同一个作者的两个项目。核心思路：把任何网站变成 CLI 命令。AI Agent 用命令行操作网页，不需要 GUI。还支持复用你 Chrome 的登录态，不需要 API Key。
这个派系的野心很大：不只是自动化浏览器，而是重新定义 Agent 和 Web 的交互方式。命令行比浏览器更高效，也更符合 Agent 的工作模式。
评分和 Star 的错位
playwright-mcp 的 Star 只有 browser-use 的三分之一，评分却高出 3 分。firecrawl-mcp-server 的 Star 只有 6.5k，评分和 58k Star 的 Scrapling 持平。
评分体系衡量的是代码质量、文档完整度和维护活跃度。Star 衡量的是传播广度和话题热度。两者交叉看，才能识别出被低估的工具。
firecrawl-mcp-server 就是一个典型：6.5k Star，评分 56。如果你只看 Star 榜，会错过它。
Rust 的渗透
30 个工具里，3 个用 Rust 写的：agent-browser（35.1k）、obscura（14.1k）、AutoCLI（2.7k）。
Rust 在浏览器自动化场景有两个天然优势：反检测能力更强（编译型语言，运行时特征少），并发性能更好（大规模爬取场景）。obscura 直接把自己定位为"AI Agent 的无头浏览器"，Anti-detection 是核心卖点。
camofox-browser（228 Star）更极端：专门做反检测浏览器服务器，用 Camoufox 引擎包装 REST API。虽然 Star 不多，方向值得关注。
Python 占了大多数（browser-use、MediaCrawler、Scrapling、Agent-Reach），但 Rust 正在从性能和反检测两个切面渗透。这个趋势在 2027 年会更明显。
选型决策树
根据你的场景，走不同的路。
场景一：让 AI Agent 自动操作网页完成任务
首选 browser-use。生态最成熟，社区最大，Python 上手快。如果你用 TypeScript，选 stagehand。如果你追求极致性能，选 agent-browser（Rust）。
场景二：抓取中文社交平台数据
MediaCrawler 是唯一的选择。七个平台全覆盖，5 万 Star 的社区验证。需要更广的覆盖面，加 Agent-Reach 或 AutoCLI。
场景三：在 MCP 生态里操控浏览器
playwright-mcp。微软出品，评分最高，Playwright 的工业级能力直接继承。需要用你自己的 Chrome 浏览器，选 mcp-chrome。
场景四：大规模爬取，网页结构经常变
Scrapling。自适应选择器是杀手锏。需要 MCP 接入，选 firecrawl-mcp-server。
场景五：让 Agent 用命令行操作网站
OpenCLI。复用 Chrome 登录态，不需要 API Key，55+ 站点覆盖。
被忽视的风险
浏览器自动化工具的法律灰度，尤其是中文平台爬虫这一块，需要单独说。
MediaCrawler 50.6k Star，没有标注 License。这意味着使用条款不明确，商业用途有风险。sp500-mcp-server 用的是 AGPL-3.0，对商业部署有限制。
反检测工具（obscura、camofox-browser）的技术本身不违法，用途可能踩线。爬取公开数据和绕过平台反爬机制之间的边界，在不同司法辖区定义不同。
选工具之前，先想清楚你的使用场景在法律上站不站得住。技术能力跑在合规前面，是这个赛道最常见的坑。
总结一个
42 万 Star 背后的信号很清楚：浏览器自动化是 AI Agent 落地的第一站。Agent 要做事，先得能看见和操作互联网。浏览器是唯一的通用入口。
五派并存说明这件事还没有最优解。browser-use 的通用框架、playwright-mcp 的工业标准、Scrapling 的自适应、OpenCLI 的命令行范式、MediaCrawler 的中文平台覆盖，各自解决不同切面的问题。
对开发者来说，现在入场不算晚。30 个工具之间还有大量缝隙：中文平台爬虫缺少 MCP 化的方案，自适应爬虫和 Agent 框架的集成还不够丝滑，反检测能力还没有成为标配。每一个缝隙都是一个可以深扎的方向。
相关链接：
• Agent Skills Hub 完整榜单：https://agentskillshub.top/best/browser-automation/ • browser-use：https://github.com/browser-use/browser-use • playwright-mcp：https://github.com/microsoft/playwright-mcp • Scrapling：https://github.com/D4Vinci/Scrapling • MediaCrawler：https://github.com/NanmiCoder/MediaCrawler • agent-browser：https://github.com/vercel-labs/agent-browser • OpenCLI：https://github.com/jackwener/OpenCLI
