Alternativas a Firecrawl para VPS: Draco y Hound
Comparamos el consumo de RAM y la compatibilidad API de Draco, Hound y Firecrawl. Guía para instalar la opción más ligera y conectar un agente mediante el protocolo MCP.
Qué debe hacer una alternativa autoalojada a Firecrawl
Una alternativa autoalojada a Firecrawl tiene una función: recibir una URL y devolver la página como Markdown limpio que un agente pueda leer. Las API alojadas cobran por página, por lo que la factura aumenta según la cantidad de páginas que consulte el agente. Un VPS que ya paga puede realizar el mismo trabajo. Los proyectos se diferencian en una cuestión: ¿es necesario iniciar en su servidor un navegador headless (un motor de navegador real que se ejecuta sin ventana)?
La respuesta determina el consumo de memoria, el coste de cada página y qué páginas devuelven contenido vacío. Esta guía compara Draco, Hound y la versión autoalojada de Firecrawl, instala la opción más ligera en una versión fijada y la conecta a un agente mediante MCP (model context protocol).
Los cuatro proyectos y qué es realmente cada uno
Draco es un binario único, escrito en Rust, bajo licencia MIT o Apache-2.0. draco scrape <url> imprime markdown en stdout. draco serve ejecuta un demonio que responde en 127.0.0.1:3002, el puerto que utiliza Firecrawl. Según la documentación del 12 de octubre de 2026, no incluye ninguna imagen de contenedor y no inicia ningún navegador por defecto. A fecha de 12 de octubre de 2026, su repositorio original en github.com/0xchasercat/draco, la cuenta que lo respalda y sus descargas de versiones devuelven un error 404 Not Found. En esa misma comprobación, un fork público aún mantenía el código fuente y las etiquetas hasta la v0.24.0, pero no publicaba compilaciones de lanzamiento, así que lea la sección de instalación más abajo antes de planificar su uso.
Firecrawl self-hosted es el motor detrás del producto alojado, bajo licencia AGPL-3.0. Su docker-compose.yaml define siete servicios: playwright-service, api, redis, rabbitmq, nuq-postgres, foundationdb y foundationdb-init. Obtiene la cola de rastreo real, al precio de ejecutar un pequeño sistema distribuido.
Hound reside en el repositorio master-fetch y se distribuye en PyPI como hound-mcp, con licencia MIT, versión 13.2.0 (publicada el 26 de agosto de 2026) a fecha de 12 de octubre de 2026. Requiere Python 3.11 o superior. Es un servidor MCP en primer lugar y un extractor en segundo: intenta HTTP simple y escala a un navegador Patchright cuando la extracción simple resulta bloqueada o devuelve un shell de JavaScript; su configuración con navegador activa uno al inicio.
Trawl está aquí porque los usuarios lo encuentran al buscar los otros, y realiza una tarea distinta. Resuelve desafíos de JavaScript y CAPTCHAs con un Firefox parcheado con huella digital, como reemplazo de FlareSolverr en una pila multimedia *arr. Ahora también lee Markdown y extrae JSON estructurado mediante MCP. La sección sobre etiqueta más abajo explica por qué su función de resolución de desafíos determina si realmente pertenece a su pila de agentes.
Por qué el conjunto de navegadores acaba con los VPS pequeños
Cada pestaña abierta del navegador es un proceso de renderizado independiente que mantiene su propio DOM (modelo de objetos del documento) y su propio heap de JavaScript. Por tanto, la memoria aumenta según las páginas abiertas al mismo tiempo, no según las páginas descargadas al día. Dos de estos proyectos reflejan ese coste en sus propios archivos compose.
Los datos de este gráfico
[
{
"label": "Firecrawl api",
"memory_limit_gb": 8
},
{
"label": "Firecrawl playwright",
"memory_limit_gb": 4
},
{
"label": "Hound (browser included)",
"memory_limit_gb": 3
}
]El archivo compose de Firecrawl limita el contenedor api a 8 GB y el contenedor de Playwright a 4 GB, con límites de swap equivalentes. El compose de Hound establece 3 GB para un contenedor que incluye un Chromium integrado. Estos son los límites que eligieron los proyectos y las cifras que publicaron, no mediciones de un sistema inactivo. Además, Redis, RabbitMQ, PostgreSQL y FoundationDB siguen necesitando su parte por encima de las cifras de Firecrawl.
Un límite superior a la RAM disponible no reserva esa memoria. Cuando el equipo se queda sin memoria, el kernel termina un proceso mediante el asesino de falta de memoria, por lo que un contenedor desaparece de docker compose ps sin escribir ningún error en el registro de la aplicación. El archivo Compose proporcionado por Firecrawl no establece ninguna política de reinicio automático, así que un contenedor terminado por OOM permanece detenido; docker compose ps --all incluye los contenedores detenidos. Lea dmesg -T | tail después de una detención sin explicación. Firecrawl no publica un tamaño mínimo verificado del host para esta pila, así que dimensione el equipo según su carga de trabajo. La configuración de estos valores por servicio se explica en límites de memoria en Docker Compose.
Hay otro detalle del navegador que puede hacerle perder una tarde. Docker asigna 64 MB de memoria compartida a un contenedor en /dev/shm, pero el servicio Playwright de Firecrawl inicia Chromium con --disable-dev-shm-usage, lo que evita esa pequeña partición para estos archivos de memoria compartida. El compose de Hound aumenta ese valor con shm_size: "1gb"; su nivel dinámico de navegador hereda --disable-dev-shm-usage de Playwright mediante Patchright, y ni la eliminación de opciones de Patchright ni la lista ignore_default_args de Hound lo eliminan. El compose de Firecrawl no establece shm_size: su bloque playwright-service define límites de CPU y memoria, además de un tmpfs de 1 GB en /tmp/.cache, por lo que ese contenedor mantiene el valor predeterminado de 64 MB. Compruebe las opciones de inicio de Chromium antes de copiar la línea de Hound en una imagen que construya alrededor de Playwright.
Calidad de la extracción en páginas con mucho JavaScript
En HTML estático, un blog renderizado en el servidor, una página de documentación o un artículo de noticias devuelven Markdown casi idéntico, y gana la opción más rápida. La diferencia aparece en las páginas renderizadas en el cliente, donde el HTML entregado es una carcasa vacía y el texto llega desde JavaScript después de la carga.
Draco escala por niveles. Los niveles 0 y 1 analizan el HTML sin ejecutar JavaScript. El nivel 2 ejecuta el JavaScript propio de la página dentro de un aislamiento V8 en el mismo proceso. Es el motor JavaScript sin un navegador alrededor y el README indica que el código de la página no recibe enlaces a capacidades del host. Esto cubre muchas aplicaciones de una sola página con una fracción de la memoria de un navegador. Cuando Draco encuentra un obstáculo que no puede superar, draco scrape termina con el código 3, needs_browser. Compruébelo en los scripts, porque un archivo vacío con código de salida 0 es el fallo que contamina silenciosamente el contexto de un agente:
draco scrape https://example.com > page.md
echo "exit=$?"El servicio playwright-service de Firecrawl controla un Chromium real, por lo que renderiza lo mismo que renderiza un navegador. La versión autoalojada tampoco es el producto alojado: la documentación indica que no incluye Fire-engine, que incorpora el comportamiento avanzado contra bots del servicio en la nube; las capturas de pantalla y las acciones sobre la página no están disponibles en la pila predeterminada; y, para Agent, Browser e interact, remite a Firecrawl Cloud. Hound se sitúa deliberadamente entre ambos. Realiza las peticiones mediante HTTP y escala por petición. Además, su navegador preparado se cierra tras un tiempo de inactividad, por lo que un servidor sin actividad se mantiene cerca del consumo base.
Instalar Draco con una versión fijada
El README documentaba un instalador de una sola línea. Lea lo que hace antes de enviarlo a un shell: según la documentación del 12 de octubre de 2026, instala en $HOME/.draco/bin/draco, siempre obtiene la versión latest y no comprueba ninguna firma ni hash. En un servidor, fije la versión y verifique la descarga. Las instrucciones para v0.20.5 que aparecen abajo mantienen la configuración comprobada el 12 de octubre de 2026; la documentación de la versión fijada no está disponible para volver a comprobarla.
A fecha del 12 de octubre de 2026, las descargas de versiones del proyecto devuelven 404 Not Found porque el repositorio upstream ya no responde, y el dominio del instalador get.draco.sh que anuncia el sitio del proyecto no resuelve. No existe una URL de versión activa desde la que descargar, por lo que los comandos siguientes empiezan en un equipo donde ya tiene el archivo de v0.20.5, draco-linux-x86-64.tar.gz, y su SHA256SUMS en /tmp, conservados de una descarga anterior o copiados desde una máquina de confianza. No sustituya esta ausencia por un mirror que no haya verificado: un archivo de checksums servido desde el mismo mirror no demuestra nada sobre el binario.
cd /tmp
sha256sum --ignore-missing -c SHA256SUMSEsto muestra draco-linux-x86-64.tar.gz: OK. Una línea FAILED significa que los bytes que tiene no son los que publicó el proyecto, así que debe eliminarlos y empezar de nuevo.
mkdir -p draco-v0.20.5
tar -xzf draco-linux-x86-64.tar.gz -C draco-v0.20.5
sudo install -m 755 "$(find draco-v0.20.5 -type f -name draco | head -n1)" /usr/local/bin/draco
draco scrape https://example.comEl último comando muestra la página de ejemplo como markdown. find no es decorativo: la estructura del archivo no forma parte del contrato público del proyecto, y el instalador oficial comprobado por última vez el 12 de octubre de 2026 localiza el binario de la misma forma.
Ejecute el daemon con su propia cuenta en lugar de usar su usuario de inicio de sesión. Escriba /etc/systemd/system/draco.service:
[Unit]
Description=Draco fetch daemon
After=network-online.target
Wants=network-online.target
[Service]
User=draco
ExecStart=/usr/local/bin/draco serve --host 127.0.0.1 --port 3002 --max-concurrency 4
Restart=on-failure
NoNewPrivileges=true
ProtectSystem=strict
ProtectHome=true
PrivateTmp=true
[Install]
WantedBy=multi-user.targetsudo useradd --system --no-create-home --shell /usr/sbin/nologin draco
sudo systemctl daemon-reload
sudo systemctl enable --now draco
curl -s http://127.0.0.1:3002/health/health responde en cuanto el daemon empieza a escuchar. Connection refused significa que no está escuchando, así que lea journalctl -u draco -n 50. La causa habitual es que otro proceso ya esté usando 3002, porque ese también es el puerto predeterminado de Firecrawl. --port cambia el puerto de Draco. Firecrawl autohospedado no tiene una opción equivalente: su puerto procede de la variable PORT en su archivo Compose, publicada como "${PORT:-3002}:${INTERNAL_PORT:-3002}", por lo que debe cambiar allí el puerto publicado y mantenerlo coherente en todos los clientes. Para consultar más detalles sobre los archivos de unidad: archivos de unidad y temporizadores de systemd.
Ahora descargue el contenido de la forma que usará su agente:
curl -X POST http://127.0.0.1:3002/v1/scrape \
-H 'content-type: application/json' \
-d '{"url": "https://example.com", "formats": ["markdown"]}'Mantenga el daemon de fetch fuera de Internet pública
Una API de fetch sin autenticación es un proxy abierto. Cualquiera que pueda acceder al puerto puede hacer que su servidor solicite cualquier URL desde su dirección IP, y el informe de abuso llegará a su proveedor, no a esa persona. Las opciones serve de Draco documentadas el 12 de octubre de 2026 no incluían ninguna clave de API, por lo que la protección debe estar en la red. Mantenga la vinculación predeterminada 127.0.0.1 cuando el agente se ejecute en el mismo equipo. Cuando el agente esté en otro equipo, conecte ambos extremos mediante un túnel privado; una VPN de WireGuard que aloje usted mismo es la opción habitual, y vincule el servicio a la dirección del túnel en lugar de 0.0.0.0. Después, compruebe desde otro equipo que la IP pública no responda. Los fundamentos del firewall ufw y las cuentas de usuario con privilegios mínimos cubren las dos partes de esta configuración.
¿Cambiará el código de su agente? Compatibilidad de API en la práctica
Draco responde a las rutas de Firecrawl v1: /v1/scrape, /v1/map, /v1/crawl, /v1/batch/scrape y /v1/search, y su README, cuya última comprobación se realizó el 12 de octubre de 2026, indica que los campos desconocidos se aceptan y se ignoran. La compatibilidad depende de las funciones solicitadas: el sitio oficial de Draco indica que las capturas de pantalla y los clics devuelven HTTP 422, por lo que un cliente de Firecrawl v1 que solicite acciones de página no compatibles necesita cambios en las solicitudes, además de una nueva URL base. Compruebe qué ha cambiado en el otro extremo: la guía oficial de autoalojamiento de Firecrawl ahora realiza una prueba básica con un POST a /v2/scrape, y los SDK actuales usan v2 de forma predeterminada, mientras que el sitio de Draco enumera rutas de v1. Pruebe cada llamada con curl antes de editar el código del agente y lea el cuerpo JSON en lugar del código de estado, porque los nombres de los campos son el punto en el que estas implementaciones divergen.
Robots.txt, límites de tasa y el límite que no debe superar
Draco lee robots.txt de forma predeterminada, y su README, revisado por última vez el 12 October 2026, documenta --ignore-robots para desactivarlo. Firecrawl documenta el mismo valor predeterminado. No cambie ninguno de los dos. Hound comprueba robots.txt sólo cuando se pasa respect_robots=True a smart_fetch, así que actívelo allí. Después, establezca su propio ritmo: según la documentación revisada el 12 October 2026, --delay de Draco introduce milisegundos entre las solicitudes y --max-concurrency limita los trabajos paralelos, con 8 como valor predeterminado del daemon. Un valor de dos a cuatro es menos agresivo con el enlace de un VPS compartido y rara vez resulta más lento en conjunto, porque un sitio que empieza a aplicar límites de tasa tarda más minutos en responder que los que ahorra la concurrencia. Almacene en caché lo que descargue para que una segunda ejecución del agente no genere ningún coste para el origen. Ese también es el concepto más barato de controlar cuánto le cuesta un agente de IA.
Las páginas de desafío son otro asunto, y Trawl está diseñado exactamente para eso: Cloudflare Turnstile, reCAPTCHA, hCaptcha y GeeTest. Una página de desafío es la forma explícita de un sitio de rechazar el tráfico automatizado. Eludirla puede incumplir las condiciones de uso del sitio y, en algunos lugares, también la ley, por lo que esta guía cubre la infraestructura de descarga y se detiene ahí. Las mismas técnicas que permiten superar una página de desafío son las que los propietarios de los sitios supervisan y bloquean, por lo que cualquier canalización basada en ellas también resulta frágil y poco respetuosa. Cuando una fuente es tan importante, busque su fuente RSS, su API pública o una exportación masiva. Cada opción es más barata de ejecutar y ninguna deja de funcionar durante la semana en que cambia la página de desafío.
Conéctelo a un agente mediante MCP
MCP (model context protocol) es la interfaz que utiliza un agente para invocar una herramienta. Qué herramientas llegan al modelo y si este tiene permiso para invocar una sin consultarle primero, se decide un nivel por encima mediante el entorno donde se ejecuta el modelo, por lo que lograr que el daemon escuche es solo la mitad de la conexión. Draco incluye un servidor MCP en el mismo binario, a través de stdio:
{ "mcpServers": { "draco": { "command": "draco", "args": ["mcp"] } } }El README, verificado por última vez el 12 de octubre de 2026, enumera draco_scrape, draco_discover y draco_search para stdio; el conjunto draco_interact_* pertenece al endpoint HTTP MCP del daemon. Stdio solo funciona cuando el proceso del agente y el binario residen en la misma máquina, ya que el transporte es la entrada estándar de dicho proceso. Para un agente en otro host, Hound sirve MCP a través de HTTP: hound --http --host 127.0.0.1 --port 8765 publica un endpoint en http://127.0.0.1:8765/mcp, al cual se accede a través del túnel. Las opciones de transporte y qué exponer se encuentran en ejecución de servidores MCP en un VPS.
Obtención de pares con búsqueda. Un agente que solo puede obtener datos espera a que usted proporcione las URL. Añada una instancia de búsqueda SearXNG autohospedada y podrá encontrarlas por sí mismo, con la misma estructura que la habilidad de búsqueda en navegador basada en SearXNG. Una vez que el daemon está activo, funciona como un servicio compartido para cualquiera de los agentes de IA autohospedados que ejecute. Si la parte del agente es la que menos le convence, escribir un pequeño bucle de agente manualmente primero hace evidente dónde se conecta una herramienta de obtención y qué hace el modelo con el markdown que recibe.
FAQ
¿Necesito un navegador headless para obtener páginas para un agente de IA?
No para la mayoría de las páginas. La documentación renderizada en el servidor, los blogs y los artículos de noticias se reciben completos con una simple solicitud HTTP seguida de una conversión de HTML a Markdown. Eso es lo que Draco hace en sus niveles inferiores, con unos 300 ms por página sin navegador, según las cifras del propio proyecto. Un navegador es necesario en las aplicaciones renderizadas en el cliente, donde el HTML recibido es una estructura vacía. El aislamiento V8 de Draco cubre gran parte de esa zona intermedia sin iniciar un proceso de navegador. Si no puede hacerlo, termina con el código 3, needs_browser.
¿Cuánta RAM necesita Firecrawl autoalojado en un VPS?
Su archivo Compose establece un límite de 8 GB para el contenedor api y de 4 GB para el contenedor Playwright. La misma pila también inicia Redis, RabbitMQ, PostgreSQL y FoundationDB. Firecrawl no publica un tamaño mínimo de host verificado para esta pila. Si falta memoria, el kernel termina procesos mediante el mecanismo out-of-memory killer. Si un contenedor se detiene, el archivo Compose proporcionado no lo reinicia automáticamente. Compruebe docker compose ps --all para ver los contenedores detenidos y confirme un evento OOM con dmesg -T | tail.
¿Es Draco un reemplazo directo de la API de Firecrawl?
Para los endpoints v1, la compatibilidad es bastante cercana. Sirve /v1/scrape, /v1/map, /v1/crawl, /v1/batch/scrape y /v1/search, pero la compatibilidad depende de las funciones solicitadas. Las capturas de pantalla y los clics devuelven HTTP 422, por lo que los clientes que soliciten acciones de página no compatibles necesitan cambios en las solicitudes además de una nueva URL base. Los SDK actuales de Firecrawl usan v2 de forma predeterminada, mientras que el sitio de Draco muestra rutas v1. Verifique primero cada llamada que realice su agente con curl.
¿Autoalojar un scraper significa que puedo ignorar robots.txt?
No. El lugar donde se ejecuta el código no cambia lo que un sitio ha publicado ni lo que permiten sus condiciones. Draco y Firecrawl respetan robots.txt de forma predeterminada. La opción de anulación existe para los sitios que usted posee o que le han dado permiso por escrito para rastrear. Los límites de tasa se aplican igualmente en el extremo remoto, por lo que un --delay correcto con una concurrencia baja mantiene operativa su dirección IP. Una pila que sólo funciona al sortear una pantalla de desafío es una pila que puede dejar de funcionar sin aviso.