掘金实测:浏览器智能体「读」强于「写」
在一篇第一人称的实操记录中,作者让一个能操作浏览器的智能体跑了一遍掘金的日常任务,结论是读取页面表现良好,而点赞、评论等写操作容易漏风:工具层返回 success,后端却没收到任何请求,智能体于是记下一笔并未发生的点赞。作者建议给每个写操作强制加后置断言(检查网络请求是否出现,或 UI 文案是否从「点赞」变成「已赞」),一次点不中立即停、绝不补刀,触发风控拦截时先冷却并降低频率,出现验证码则整轮终止交回人工。由于运行中会话被自动压缩过一次,作者还给出四段式交接摘要(带证据的已完成项、未完成项、明确禁令、下一步顺序),以免约束和进度丢失。文中将浏览器智能体路线分为视觉为主、模型内置动作空间、多标签与人在环、结构化 DOM / 可访问性树四类,并建议让快照保持可缓存。该智能体及其底层模型未被点名。
这次记录把一次实操转化为可操作的工程清单:写操作必须验证状态变化,失败应停止而非盲目重试,长任务需在上下文压缩后保留已完成项与禁令,发布、支付、安全确认、验证码等敏感动作应交回人工。作者认为这类智能体的实际上限取决于验证机制而非模型推理;但内容为个人经验,未提供独立测量或可复现基准。
前一天我让一个能自己操作浏览器的 Agent 去跑掘金的每日任务,本来只是想看看它对真实站点的适配能力,结果掉进了工程细节里:真正难的不是让模型「知道该点什么」,而是让整个循环在真实前端面前不出错。这篇文章不谈模型榜单,只谈我在这条链路上遇到的几个工程真问题,以及背后各家的取舍。
一、四条路线,同一个假设
目前主流的浏览器 Agent 大致分成四类:
- 视觉为主:Anthropic 的 computer use 属于这一类,给模型截图,输出鼠标坐标与键盘动作。优点是泛化——任何界面都能试;代价是一屏 1080p 截图动辄上千 token,坐标回归差几十像素就点空。
- 模型内置动作空间:OpenAI 的 Operator / CUA 类方案,把「浏览与点击」当成模型的原生动作,卖点是不需要站点配合。
- 多标签与人在环:Google 的 Project Mariner 取向,强调并行标签页与关键动作的人工确认,把不确定性包到交互设计里。
- 结构化 DOM / 可访问性树:国内 IDE 类工具(包括字节 Trae 的 browser 能力)与大量 MCP 服务的选择:把页面上可交互的元素规整成带 ref 的列表,模型只需要说「点 e42」。
#Anthropic computer use#OpenAI Operator#OpenAI CUA#Google Project Mariner#Trae#Cursor#MCP#Juejin