La página de GitHub de Firecrawl abre con una frase que no tiene nada que ver con el código de scraping: «Infraestructura de conocimiento para hacer más inteligentes a tus agentes. Busca, scrapea y accede a más de 550 proveedores de datos a través de una sola API». Esa frase describe Firecrawl Alexandria, una biblioteca de datos alojada con más de 550 proveedores, 250 M de personas, 75 M de empresas y 41 M de artículos científicos. Alexandria no está en el repositorio. El propio README lo dice en una línea: «Alexandria se ejecuta en Firecrawl Cloud, así que el servidor autoalojado no la incluye».
Esa distancia es toda la historia de este repositorio, y no es un escándalo: es una estrategia de producto con notas al pie inusualmente honestas. Lo relevante para quien decide adoptar Firecrawl es que las notas no están donde la mayoría mira. Están en SELF_HOST.md, en apps/local/README.md, en un comentario dentro de serve.rs y en la lista de etiquetas.
Medí el repositorio el 22 de noviembre de 2026 (UTC) contra el commit 1fcb57c3 —el que la atestación de PyPI señala como origen de firecrawl-py—, más la API de GitHub, PyPI, npm y crates.io. Todo lo que sigue es un recuento, una fecha o una cita textual. No compilé el binario de Rust: esta máquina no tiene toolchain, así que los datos de Local vienen del código, de los metadatos del crate y de la sección de límites del propio proyecto. Lo repito donde importa.
El inventario detrás de 206.201 estrellas
| Métrica | Valor |
|---|---|
| Estrellas | 206.201 |
Watchers (subscribers_count) | 507 (0,25 % de las estrellas) |
| Forks | 10.780 (5,23 %) |
| Issues + PR abiertos | 908 |
| Creado | 15 de abril de 2024 |
| Licencia | AGPL-3.0 (repo), MIT (SDK, paquete de PyPI) |
| Archivos en el árbol | 2.208 |
TypeScript en apps/api/src | 1.078 archivos, 304.154 líneas |
Archivos de test en apps/api/src | 457, con 4.610 declaraciones it()/test() |
| SDK | 9 (Python, JS, Go, Rust, PHP, Ruby, .NET, Java, Elixir) |
| Etiquetas | 902 |
| Releases de GitHub | 35 (última: v2.11.0, 19 de junio de 2026) |
| Cuota del mayor contribuidor | 28,4 % de los commits (los cinco primeros: 73,9 %) |
Una proporción de 0,25 % de watchers sobre estrellas es baja, pero no anómala en un proyecto que pasó varias veces por GitHub Trending. El dato que importa más es la relación entre 304.154 líneas de API y 4.610 declaraciones de test: sea lo que sea, esto no es un envoltorio fino sobre una librería de scraping. Es un servidor real con colas, workers, servicio de Playwright, PostgreSQL, Redis y RabbitMQ.
También es, desde este mes, tres productos enviados desde un mismo árbol con tres niveles de madurez muy distintos.
Tres caminos de entrega, tres niveles de madurez
El marco del propio README:
| Camino | Qué es | Dónde corre |
|---|---|---|
| Firecrawl Local | Un binario de Rust; scrape, crawl, map, batch scrape, servidor MCP y una API v2 local | Tu máquina |
| Autoalojamiento | El servidor completo de apps/api con colas, workers y bases de datos | Tu infraestructura |
| Firecrawl Cloud | Servicio alojado, más search, Alexandria, Interact, Agent y Monitor | firecrawl.dev |
La diferencia de madurez se ve en los registros:
| Artefacto | Registro | Versión | Edad / descargas |
|---|---|---|---|
firecrawl-local | crates.io | 0.1.1 | publicada el 11-11-2026, 2 versiones, 4.252 descargas |
firecrawl-py | PyPI | 4.57.0 | primera publicación el 12-04-2024, 220 releases |
firecrawl (JS) | npm | 4.54.0 | 210 versiones |
@mendable/firecrawl-js | npm | 4.54.0 | 289 versiones (nombre antiguo) |
firecrawl-mcp | npm | 3.41.0 | 145 versiones |
firecrawl-cli | npm | 1.30.0 | 164 versiones |
El binario con el que abre el README —«Ejecuta Firecrawl en tu propia máquina como un solo binario»— tiene once días, está en versión preliminar y acumula 4.252 descargas. El SDK de Python lleva 220 releases en dos años y medio. No son el mismo producto, y tratar las 206.201 estrellas como evidencia sobre el binario es exactamente el error que invita el contador de estrellas.
La página del crate da su propia escala: 9,9 K SLoC y 125 KiB. Ese tamaño es parte del argumento: un binario, sin base de datos, sin cola, sin contenedor.
«El código escrito para Firecrawl funciona contra él sin cambios»
Esta frase aparece en el README, en apps/local/README.md y en la página de crates.io. Es la afirmación que sostiene todo el producto Local, así que merece medirse.
El router v2 registra 146 llamadas get/post/put/delete sobre 66 rutas distintas. El desglose por primer segmento:
| Primer segmento | Rutas distintas |
|---|---|
team | 12 |
monitor | 7 |
slack | 7 |
agent | 6 |
crawl | 6 |
computer | 4 |
parse | 4 |
scrape, keyless, batch | 3 cada uno |
search, extract, alexandria, support | 2 cada uno |
map, feedback, concurrency-check | 1 cada uno |
apps/local/src/serve.rs registra nueve rutas:
.route("/v2/scrape", post(scrape_handler))
.route("/v2/map", post(map_handler))
.route("/v2/crawl", post(crawl_handler))
.route("/v2/crawl/{id}", get(job_status))
.route("/v2/crawl/{id}", delete(job_cancel))
.route("/v2/batch/scrape", post(batch_handler))
.route("/v2/batch/scrape/{id}", get(job_status))
.route("/v2/batch/scrape/{id}", delete(job_cancel))
.route("/health", get(health))
Son seis entradas de ruta v2 de las 66, más /health. Comparado con la superficie de los SDK, el cliente de Python expone 77 métodos públicos, el de JS 71 y el de Go 50. Cuatro operaciones —scrape, crawl, map, batch scrape— corren en local.
La documentación es explícita sobre dónde va el resto: «Cualquier otra ruta /v2, como /v2/search, se pasa a Firecrawl Cloud, salvo que FIRECRAWL_CLOUD diga otra cosa». Y en ese paso, la clave de API viaja con la petición. Así que «sin cambios» significa que tu librería y tus llamadas no cambian. No significa que el código se ejecute en tu máquina. Quien lea la frase, apunte api_url a localhost:3002 y asuma que la factura y el tráfico ya son locales, habrá entendido tres palabras y perdido el sujeto de la oración.
La sección de límites es más generosa que el titular, y aquí Firecrawl merece crédito:
| Límite de Local | Texto exacto | ¿Silencioso o ruidoso? |
|---|---|---|
Formatos json y summary | «Los scrapes locales omiten los formatos json y summary con un aviso» | Devuelve éxito, sin salida estructurada |
| Acciones de navegador | «ignoran las actions del navegador» | Ignoradas |
| Vida de los trabajos | «Los trabajos de crawl y batch viven en memoria y expiran una hora después de empezar» | Desaparecen al reiniciar |
| Rutas antiguas | «Las rutas v0 y v1 no se sirven» | 404 |
| Render JS | «Sin él, las páginas estáticas siguen funcionando y una página que necesitaba navegador vuelve con un aviso» | Aviso |
| Docker | «Chrome mantiene su sandbox, que necesita namespaces de usuario, y el perfil seccomp por defecto de Docker los bloquea» | El render falla |
La primera fila es la que hay que rodear en rojo. Un pipeline de extracción que depende de formats: ["json"] con un esquema seguirá recibiendo HTTP 200 de Local y seguirá sin recibir JSON. El aviso está, pero los avisos no hacen fallar trabajos, reintentos ni informes nocturnos.
El desvío a la nube está declarado, medido y sin cifras
El valor por defecto FIRECRAWL_CLOUD=auto envía tres cosas a los servidores de Firecrawl: search, páginas que rechazan el fetch local y llamadas a Alexandria. La documentación describe cada una:
- Search: «No hay índice de búsqueda en tu máquina», y la búsqueda sin cuenta está «limitada por tasa».
- Páginas bloqueadas: «Cuando un sitio bloquea tanto el fetch simple como el navegador local, Firecrawl Cloud la descarga», y el documento vuelve con
"source": "firecrawl-cloud". - Alexandria: «Los proveedores corren en Firecrawl Cloud», requiere cuenta gratuita.
Dos detalles son fáciles de perder y pesan en un despliegue sensible a la privacidad. Primero: «Las llamadas a la nube llevan un ID de instalación aleatorio y el nombre de la herramienta que las hizo, que es cómo Firecrawl cuenta instalaciones». Segundo: cuando la nube también falla, la respuesta trae "blocked": true y un aviso. El desvío está documentado, etiquetado en la respuesta y se puede apagar con FIRECRAWL_CLOUD=off (cualquier valor no reconocido cuenta como off, que es un modo de fallo sensato).
Lo que no está documentado es el tamaño de la cuota sin cuenta. En el README, en SELF_HOST.md y en el README de Local la frase es «a un ritmo limitado» y nada más: ni peticiones por minuto, ni tope diario, ni regla por IP. Para una decisión de diseño («¿podemos desplegar esto a un equipo sin que nadie inicie sesión?»), la única respuesta honesta que dan los documentos es: mídielo en tu entorno. Cualquier cifra que cite un blog, este incluido, sería una invención.
La ruta MCP es donde la división se vuelve visible para un agente
firecrawl-local mcp levanta la API local en un puerto de loopback y ejecuta contra ella el paquete npm firecrawl-mcp —145 versiones publicadas, última 3.41.0—. Las herramientas que ve el agente son las estándar de Firecrawl; dónde se ejecuta cada una depende de la lista:
| Familia de herramientas | Corre en | Nota |
|---|---|---|
| scrape, crawl, map, batch scrape | Tu máquina | Sin clave de API para las rutas locales |
| search | Firecrawl Cloud | Sin cuenta, con límite de tasa no publicado |
Alexandria (find-tools, proveedores) | Firecrawl Cloud | Requiere firecrawl-local login |
| Interact, Agent, Monitor, Parse (archivos subidos) | Firecrawl Cloud | No existen en local |
firecrawl-local init encuentra Claude Code, Claude Desktop, Cursor, Windsurf, Gemini CLI y Codex y añade el servidor a cada uno; «hace copia de seguridad de cada archivo de configuración primero». La nota de seguridad de esta ruta es inusualmente concreta: «Un agente de IA que lee una página con instrucciones ocultas podría ser dirigido a abrir una URL interna. Si tu agente navega por sitios que no controlas, registra el servidor MCP como firecrawl-local mcp --public-only».
Es la advertencia correcta, y apunta al hecho estructural de este diseño. La división entre local y nube no es un detalle que el agente pueda ver. Los nombres de las herramientas son los mismos, los esquemas son los mismos, y la única diferencia es un campo "source": "firecrawl-cloud" en los resultados que la mayoría de los agentes nunca mostrará al usuario. Si quieres que la frontera sea legible en los registros, tienes que revisar ese campo tú mismo.
La economía sigue la misma línea. Alexandria se describe como «El descubrimiento es gratis, y ejecutar una herramienta usa los créditos indicados en ella»: más de 550 proveedores con precio por llamada, descubiertos gratis. El scraping local es gratis para siempre. Es un embudo coherente —scraping local gratis, descubrimiento gratis, ejecución de proveedores de pago, escala de pago—. Si es buena idea depende por completo de cuántas veces tu carga de trabajo golpea una página bloqueada o necesita un proveedor, lo que devuelve a la misma instrucción: mide la tasa de bloqueo antes de comprometer un presupuesto.
Autoalojamiento: un servidor real con las decisiones operativas dejadas a tu criterio
SELF_HOST.md es el archivo más valioso del repositorio, porque se lee como una lista de comprobación interna que alguien decidió publicar. Dice sin rodeos:
- «La API por defecto no tiene autenticación».
- «El archivo Compose raíz no define volúmenes persistentes» para NuQ PostgreSQL, Redis y RabbitMQ.
- «la configuración incluida de
pg_cronapunta a la base de datospostgrespor defecto». - «Funciones con IA: sin proveedor de modelo» — conectas OpenAI, un endpoint compatible u Ollama.
- «Scraping: Playwright incluido con fallback básico de fetch» — un motor aparte como Fire-engine es opcional.
- «El archivo Compose versionado es un punto de partida alineado con el código, no una arquitectura de producción».
Dos hechos estructurales están detrás de esas líneas. Primero, docker-compose.yaml usa build: por defecto para la API, el servicio de Playwright y la imagen de NuQ Postgres; las imágenes ghcr.io/firecrawl/* están presentes pero comentadas. La primera ejecución compila el stack. Segundo, fire-engine —el motor antibloqueo mencionado 32 veces como FIRE_ENGINE_BETA_URL y compañía en apps/api/src— no está en este repositorio. El proyecto lo dice de forma indirecta pero precisa en AGENTS.md, donde explica a los contribuidores cómo condicionar los tests: «Si requiere fire-engine: !process.env.TEST_SUITE_SELF_HOSTED». Hay 14 archivos de test y 23 apariciones de esa variable en el código de la API.
Así que la edición autoalojada hereda 304.154 líneas de servidor y sus 4.610 declaraciones de test, menos las que asumen infraestructura que no tienes. Es un arreglo open core normal. Sí significa que la frase «servidor completo de Firecrawl» merece un matiz: es el servidor completo sin el motor de scraping alojado y sin Alexandria, que es donde viven los más de 550 proveedores.
Nueve SDK, seis líneas mayores distintas
Esta tabla debería sorprender a quien asuma que la versión de un SDK describe una generación de API:
| Lenguaje | Versión en el repo | Última en el registro | Métodos públicos contados |
|---|---|---|---|
| Python | 4.58.0 | 4.57.0 (PyPI) | 77 |
| JavaScript/TypeScript | 4.55.0 | 4.54.0 (npm) | 71 |
| Rust | 2.21.10 | — | — |
| Elixir | 2.0.0 | — | — |
| Java | 1.18.9 | — | — |
| Ruby | 1.17.8 | — | — |
| PHP | 1.16.7 | — | — |
| Go | 1.16.11 | — | 50 |
| .NET | 1.15.3 | — | — |
Nueve SDK sobre seis números mayores distintos —4, 2, 2, 1, 1, 1, 1, 1, 1— para una sola API. Los paquetes de Python y JS van un parche por delante de lo publicado, algo normal en un monorepo donde el archivo de versión cambia en el mismo PR que la función.
La consecuencia práctica es que «estamos en Firecrawl v4» no es una frase que puedas sostener en un stack políglota. Un servicio en Go sobre 1.16.11 y un worker en Python sobre 4.58.0 son ambos actuales, y sus conjuntos de funciones difieren en todo lo que aterrizó entre esas líneas: el cliente de Go tiene 50 métodos públicos frente a los 77 de Python, y la diferencia no es en su mayoría de nombres, sino que incluye las familias de monitorización, agente y navegador remoto que el cliente de Python expone.
Si necesitas un número para un documento de diseño, no uses la versión del SDK. Usa la lista de endpoints que realmente llamas y compárala con apps/api/src/routes/v2.ts: 66 rutas son toda la superficie, y ningún SDK la cubre entera.
902 etiquetas, 35 releases y una página de releases con cinco meses de retraso
La ingeniería de releases tomó una forma poco habitual:
| Señal | Valor |
|---|---|
| Etiquetas | 902 |
| Etiqueta más reciente | v2.11.810, commit del 21-11-2026 a las 14:21 UTC |
| Última release de GitHub | v2.11.0, publicada el 19-06-2026 |
| Etiquetas desde esa release | 810 |
| Releases totales | 35 (la más antigua, v1.0.0, del 05-09-2024) |
| Adjuntos en la última release | 0 |
El número de parche es un contador de merges. v2.11.0 fue «feat: unfreeze node (#3826)»; cinco meses y 810 merges después la etiqueta es v2.11.810, cuyo mensaje es «feat(api): x-firecrawl-work-contact-only deja fuera los campos de contacto personales…». Nada en el nombre de la etiqueta te dice si un parche cambió un esquema de respuesta o una errata en un log.
Para quien se autoaloja, este es el detalle operativo que cuesta horas reales. Fijar una versión es posible —las etiquetas son reales y el archivo Compose puede referenciar una— pero «qué cambió entre 2.11.412 y 2.11.810» no se puede responder desde las releases de GitHub, y no hay un changelog en el repositorio que las enumere. La página firecrawl.dev/changelog es el changelog del producto, no un diff por etiqueta.
Compáralo con los registros: PyPI tiene 220 releases, el paquete JS 210 con el nombre nuevo y 289 con el antiguo, firecrawl-mcp 145, firecrawl-cli 164. Es mucha maquinaria de publicación para un proyecto cuya página canónica de releases dejó de actualizarse en junio.
Qué dice realmente la licencia
El README: «Este proyecto está licenciado principalmente bajo la GNU Affero General Public License v3.0 (AGPL-3.0). Los SDK y algunos componentes de interfaz están bajo licencia MIT». Los registros coinciden: firecrawl-local es AGPL-3.0 en crates.io, firecrawl-py es MIT en PyPI.
AGPL-3.0 es la licencia de copyleft de red. Ejecutarla internamente no te obliga, por sí solo, a publicar nada; exponer una versión modificada a usuarios por red, sí. Dos consecuencias prácticas:
- Envolverla con tu propia API y vender acceso es el escenario que la licencia busca alcanzar. Los SDK en MIT no cambian eso, porque llaman al servidor AGPL.
- Parchear
apps/apipara uso propio es legítimo, pero el parche pasa a ser algo que debes poder ofrecer a los usuarios de red de tu despliegue.
El repositorio no indica si existe una licencia comercial para el servidor; esa pregunta es para el proveedor, no para el README.
Lo que sí resiste el examen
Un examen que solo enumera huecos no es un examen, y aquí hay varias cosas mejores que el proyecto medio con 200.000 estrellas:
| Afirmación | Evidencia |
|---|---|
| Local comparte el código de limpieza con la API | «Firecrawl Local compila directamente el código de limpieza HTML de apps/api/native/src, así que un cambio ahí cambia tanto la API como Firecrawl Local» |
| Los valores por defecto de seguridad de Local están pensados | Chrome corre «headless y en sandbox con un perfil desechable, detrás de un proxy de loopback»; las direcciones link-local y de metadatos de nube «se bloquean en todos los modos, incluso tras redirecciones y resolución DNS»; serve rechaza escuchar en una IP no local sin token |
| El crawling respeta robots.txt | «Firecrawl Local se identifica en su User-Agent y lee robots.txt al crawlear, donde los dueños de sitios pueden dirigirse a él como FirecrawlLocal» |
| La cadena de suministro está atestiguada | PyPI verificó que el artefacto 4.57.0 lo construyó GitHub Actions desde el commit 1fcb57c3 |
| La documentación admite lo feo | API sin autenticación, sin volúmenes persistentes, trabajos en memoria, formatos omitidos, pg_cron desactualizado: todo está escrito |
El patrón es consistente: la documentación es sincera y la superficie de marketing no. La sección de nube del README afirma «Cubre el 96 % de la web» y «latencia P95 de 3,4 s en millones de páginas», ambas apuntando a un blog externo; ninguna de las dos cifras viene acompañada de un benchmark de Local o del autoalojado, donde la base es «Playwright incluido con fallback básico de fetch».
Qué verificar antes de adoptarlo
Si estás evaluando Firecrawl este mes, estas comprobaciones toman una tarde y sustituyen cada número de este artículo por uno sobre tu propia carga de trabajo:
- Elige los formatos a propósito. Scrapea diez URLs reales por Local con
formats: ["json"]y confirma qué vuelve. Un 200 sin clavejsones el fallo que advierten los documentos y que los trabajos no detectan. - Cuenta tus endpoints. Haz la lista de los que llama tu código y compárala con las seis entradas de ruta de Local. Todo lo que quede fuera de scrape/map/crawl/batch es una llamada a la nube.
- Decide el desvío de forma explícita. Pon
FIRECRAWL_CLOUD=offen un entorno de pruebas y mira qué páginas fallan. Ese conjunto es lo que hoy estás subcontratando, además de las peticiones con ID de instalación. - Presupuesta el desvío. Cada página bloqueada en modo
autoes una llamada a la nube atribuida a ti. Mide la tasa de bloqueo en tus sitios objetivo antes de prometer un coste por cada 1.000 páginas. - Si te autoalojas, compara el Compose con tu lista de producción. Volúmenes, autenticación, TLS, nombre de base de datos de
pg_cron, proveedor de modelo, clave de administración de colas.SELF_HOST.mdes la lista; el Compose no es la respuesta. - Fija etiquetas y registra cuáles. Con 810 merges desde la última release, la única unidad reproducible es una etiqueta más el digest de la imagen que construiste a partir de ella.
- Lee la licencia con tu abogado, no con un blog. El análisis AGPL de arriba es un resumen de la intención de la licencia, no un consejo sobre tu despliegue.
Preguntas frecuentes
¿Es realmente código abierto si Alexandria solo está en la nube?
El servidor es AGPL-3.0 y alcanza para scrape, crawl, map, batch scrape y parse. Alexandria es un conjunto de datos alojado aparte, y el README afirma que no está en el servidor autoalojado. Es open core con la frontera puesta en los datos, no en el código: un modelo legítimo, pero los más de 550 proveedores de la descripción del repositorio no son algo que puedas ejecutar tú.
¿Firecrawl Local funciona sin clave de API?
Sí para scrape, map, crawl y batch scrape; el README dice que «las rutas locales no necesitan clave». Search, el fallback de páginas bloqueadas y Alexandria van a la nube, donde las llamadas sin cuenta tienen un límite de tasa que los documentos no cifran.
¿Puedo usar Firecrawl Local en producción?
Puedes ejecutarlo en producción; la pregunta es si sus modos de fallo encajan. Los trabajos viven en memoria y expiran a la hora, los formatos json y summary se omiten, las acciones de navegador se ignoran y las rutas v0/v1 no existen. Para una herramienta de un solo usuario o como herramienta de scraping de un agente encaja bien. Para una cola que debe sobrevivir a un reinicio, es la capa equivocada.
¿Por qué las versiones de los SDK están tan separadas?
Porque cada SDK se versiona de forma independiente dentro del monorepo. Python y JS van por delante en 4.x, Rust y Elixir en 2.x, el resto en 1.x. La cobertura de funciones sigue el mismo orden: el cliente de Python expone 77 métodos públicos, el de JS 71, el de Go 50.
¿Por qué la página de releases dice v2.11.0 si las etiquetas dicen v2.11.810?
Porque las releases de GitHub dejaron de publicarse en junio mientras la creación de etiquetas siguió en cada merge. La etiqueta es el artefacto; la release es documentación que no se mantuvo al día.
¿Cuánto esfuerzo cuesta autoalojarlo?
SELF_HOST.md enumera lo que asumes: «seguridad, disponibilidad, capacidad, actualizaciones, retención de datos y cumplimiento». En concreto, el stack versionado no tiene volúmenes persistentes, ni autenticación, ni proveedor de modelo, así que un despliegue de producción empieza añadiendo tres cosas que el archivo deja fuera a propósito.
La conclusión
Firecrawl es infraestructura seria que creció más rápido que la forma de su propia página de repositorio. Las 206.201 estrellas describen una API de scraping. El repositorio ahora envía un binario local en versión preliminar, un servidor autoalojado sin su motor de scraping ni su biblioteca de datos, y nueve SDK en seis líneas de versión. Nada de eso es deshonesto; el README y SELF_HOST.md dicen casi todo en voz alta. Lo que falta es un único lugar donde se comparen las capacidades de los tres productos, y por eso el número que importa no es 206.201 sino 6 de 66, y la frase que conviene recordar es la de serve.rs: «Este motor no tiene proveedores de datos propios, así que la petición va a Firecrawl cloud tal como llegó».
Si te interesa el mismo tipo de lectura de fronteras aplicada a otros proyectos, el registro de fidelidad del emulador de AWS y la auditoría de la frontera de código abierto de Univer usan el mismo método: busca la afirmación, busca el código y cuenta.