Browser Agent 是什么？AI 为什么开始自己操作浏览器

让 AI 去 GitHub release 页、官网文档、定价页来回点开，最后给我一份带链接的对比表。

这不是爬虫能干的。爬虫只抓静态页面，不会操作；RPA 录制回放桌面流程，不感知页面语义，遇到动态 UI 就挂；传统 Playwright 脚本也有类似问题：代码写死了 .submit-btn，前端改了个 aria label，脚本就全挂。

Browser Agent 的差别在于：AI 模型看页面截图或结构化数据，理解“这里有个按钮”，决定“我要点它”，然后浏览器执行动作，再观察新状态。

概念边界、技术路线、适用场景和合规边界，先在这里讲清楚。Browser Use、Playwright MCP、Stagehand、云基础设施和安全合规，会分别放在后续专题里。

Browser Agent 是什么？

工作定义

Browser Agent 这个词不是行业标准名，各家产品叫法不同：Computer Use、Browser Automation Agent、AI Web Agent。

BetterLink 本系列的工作定义是：Browser Agent = 模型决策 + 浏览器工具 + 运行时。

核心是 AI 模型接收页面状态（截图或结构化数据），返回 UI 动作（点击/输入/滚动），由宿主代码执行，再观察新状态。

核心循环

Browser Agent 的工作循环是：

目标（用户给自然语言任务）
  ↓
观察（截图或 accessibility snapshot）
  ↓
决策（模型返回 UI 动作：点击/输入/滚动）
  ↓
执行（宿主代码在浏览器执行动作）
  ↓
新状态（页面变化，重新观察）

对比传统脚本：传统脚本写死选择器，比如 .submit-btn。前端改了个 aria label 或 class，脚本就挂。AI 根据页面语义重新找目标，selector 变化后仍能继续。

与相近概念的区别

• 不是爬虫：爬虫只抓取静态页面，不操作。遇到动态内容、前端渲染页面，爬虫抓不到。

• 不是 RPA：RPA 录制回放桌面流程，不感知页面语义，遇到动态 UI 易挂。

• 不是纯 Playwright 脚本：代码确定性高，但维护成本高，改一个 class 就挂。

• Computer Use 是更大范畴：桌面级操作，Browser Agent 是其在浏览器场景的子集。站内有单独文章讲 Computer Use 的桌面应用：Computer-Use Agent：让 AI 操作你的电脑。

Browser Agent 与传统工具对照表

站内已有 OpenClaw、Computer Use、MCP 插件、爬虫相关内容，读者容易混淆边界。

用一张表把 Browser Agent 与爬虫、RPA、Selenium/Playwright 脚本、Computer Use 的区别一次讲清楚。

类型	核心特点	是否感知语义	维护成本	适用场景	典型工具
爬虫	只抓取静态页面，不操作	❌ 不感知	中（selector 脆弱）	静态页面数据抓取	Scrapy、Puppeteer、Cheerio
RPA	录制回放桌面流程	❌ 不感知页面语义	低（录制即可），但动态 UI 易挂	桌面自动化、固定流程	UiPath、Automation Anywhere
Selenium/Playwright 脚本	代码确定性高	❌ 不感知语义	高（改一个 class 就挂）	前端测试、固定流程自动化	Selenium、Playwright、Cypress
Computer Use	桌面级操作	✅ 模型感知 UI	中（模型适应性）	桌面应用自动化、跨应用流程	Claude Computer Use、OpenAI Computer Use
Browser Agent	浏览器级操作，模型决策	✅ 模型理解页面语义	中低（selector 叱化后可重找）	跨站点调研、无 API 后台、动态页面	Browser Use、Stagehand、Playwright MCP

解释段落

• 爬虫：只抓取静态页面，不操作。selector 脆弱，前端改个 class，爬虫规则就失效。

• RPA：录制回放桌面流程，不感知页面语义。遇到动态 UI 易挂，适合固定流程。

• Selenium/Playwright 脚本：代码确定性高，但维护成本高。改一个 class 或 aria label，脚本就挂。适合前端测试、固定流程自动化。

• Computer Use：更大范畴，桌面级操作。Browser Agent 是其浏览器场景的子集。站内有单独文章：Computer-Use Agent：让 AI 操作你的电脑。

• Browser Agent：模型用自然语言理解页面，selector 变化后仍能重新找目标。但需要运行时、状态验证、安全审批。适合跨站点调研、无 API 后台表单、动态页面操作。

站内关联

• OpenClaw 的浏览器自动化命令：让AI替你看文档：OpenClaw浏览器自动化实战指南，聚焦具体命令和安全用法。
• Computer Use 的桌面级应用：Computer-Use Agent：让 AI 操作你的电脑，覆盖桌面级 Computer Use 与 RPA 区别。
• MCP 插件的浏览器工具段落：MCP 插件完全指南：让 AI 接管你的工具链，包含 Playwright 浏览器自动化 MCP 段落。

为什么需要浏览器操作？

开发者常问：为什么不直接调用 API？

有官方 API 时，优先用 API。API 稳定、可审计、有权限控制。

无 API 或 API 不完整时，Browser Agent 可以补位。

判断表

场景	优先用 API	优先用 Browser Agent
有官方 API 且完整	✅ 稳定、可审计、有权限控制	❌ 不必要
无 API 或 API 不完整	❌ 无法调用	✅ 补位（后台系统、跨平台整合、内部工具）
需要人工体验流程	❌ API 只返回数据	✅ 端到端测试、表单提交、UI 验证
需要登录态操作	❌ API 需要复杂认证	✅ 可复用 session（但有安全边界，见后续章节）
大规模并发抓取	✅ API 更高效	❌ 浏览器成本高
涉及敏感账号/支付/权限	✅ API 有权限控制	❌ 需要严格审批（见安全边界章节）

典型场景清单

• 跨站点调研对比：让 AI 去 GitHub release、官网文档、定价页来回点开，最后输出带链接的对比表。

• 无 API 后台表单提交：内部系统、遗留系统、跨平台整合，没有官方 API，只能通过网页操作。

• 端到端前端测试：验证真实交互，不只是静态快照。

• 需要登录态的操作：后台管理、数据导入导出（但有安全边界，见后续章节）。

• 动态内容抓取：前端渲染的页面，爬虫抓不到。

具体场景示例

一个按钮从 .submit-btn 改成 aria label 后，传统 Playwright 脚本挂了，AI 浏览器 agent 还能根据页面语义重新找目标。

后台表单提交前卡在 MFA/验证码，agent 必须停下来等人接手，而不是硬冲。

Browser Agent 的五条技术路线

读者听到 Browser Use、Stagehand、Playwright MCP、Browserbase 等工具，不知道它们解决哪一层。

用路线图表格把五大路线分层铺开。

路线	核心特点	代表工具/平台	适用场景
模型能力路线	截图感知 → 返回动作 → 宿主执行	OpenAI Computer Use、Gemini Computer Use、Claude Computer Use	桌面级自动化、跨应用流程
MCP 工具路线	通过 Model Context Protocol 暴露浏览器能力，使用 accessibility snapshot（结构化）	Playwright MCP	MCP client（VS Code、Cursor、Claude Code）中调用浏览器
自主 Agent 路线	完整 autonomous browser agent，可本地或云端运行	Browser Use	需要 autonomous agent、云端托管、大规模运行
代码+AI 混合路线	脚本给精确性，agent 给灵活性	Stagehand	需要工程化可控、既要有确定性又要有适应性
云基础设施路线	Browser-as-a-Service，提供运行时、会话、观测	Browserbase、Cloudflare Browser Run	需要托管浏览器、会话管理、观测能力

模型能力路线（Computer Use）

OpenAI、Gemini、Anthropic 都提供 Computer Use 能力。

核心机制：模型看截图，返回 UI 动作（点击/输入/滚动），由宿主代码执行，再观察新状态。

官方文档明确列出三种 harness：内置 computer tool、自定义 Playwright/Selenium/VNC/MCP harness、代码执行 harness。

Browser/VM 环境需要隔离。页面、工具输出、PDF、邮件、聊天等第三方内容要视为不可信输入。

本地原型可从 Playwright 或 Selenium 开始。更完整桌面环境可用 VM/container。

易变事实处理：模型版本、API 字段会变，正文只写机制和安全边界，具体版本请查阅官方站点。

MCP 工具路线（Playwright MCP）

Playwright MCP 通过 Model Context Protocol 给 LLM 暴露浏览器自动化能力。

它使用结构化 accessibility snapshot，而不是只靠截图。LLM 用元素 ref 点击、输入、选择。

支持 VS Code、Cursor、Windsurf、Claude Code、Claude Desktop、Codex 等 MCP client。

工具覆盖导航、点击、输入、截图、键鼠、tabs、dialogs、网络监控、mock、storage state。

安全警告：browser_run_code_unsafe 等直接执行代码能力相当于 RCE，只能给可信客户端。

本篇不写安装教程，后续会单独写 Playwright MCP 指南。

自主 Agent 路线（Browser Use）

Browser Use 定位为“The Way AI uses the web”，提供 Browser Harness、Hosted Web Agents、Custom Models、Cloud。

完整 autonomous browser agent，可本地或云端运行。

官网有 anti-detect / CAPTCHA / proxies 表述。正文不鼓励绕过验证码、反爬或平台规则。这些只作为后续安全合规专题的边界提醒。

易变事实：价格、benchmark、反检测能力、云能力，本篇不展开。

代码+AI 混合路线（Stagehand）

Stagehand 定位为 browser agents 的 SDK，用 AI 让浏览器 agent 更 resilient、readable、production-ready。

核心 primitives：act() 做动作、extract() 做结构化提取、observe() 观察可操作内容、agent() 跑多步自主流程。

官方强调“脚本给精确性，agent 给灵活性”：不是完全黑盒 agent，也不是纯 selector 脚本。

可本地运行，也可连接 Browserbase 的云浏览器。

本篇不写 API 教程，后续会单独写 Stagehand SDK 实践。

云基础设施路线（Browserbase + Cloudflare）

Browserbase 把浏览器作为 agent 可使用的基础设施，提供 Browsers、Search/Fetch APIs、Runtime、Identity、Models、Observability。

场景包括登录、动态内容、复杂交互、测试、研究、表单、数据移动。

Browserbase 和 Stagehand 形成“本地开发 + 云端运行/观测/身份”的组合。

Cloudflare Browser Run 运行 headless Chrome，用于 browser automation、web scraping、testing、content generation。

提供 Quick Actions 和 Browser Sessions 两类集成；支持 Puppeteer、Playwright、CDP、Stagehand。

官方用例表里直接列出 AI agent browsing：Playwright MCP 或 CDP with MCP clients。

支持 session reuse、edge 运行、Markdown/screenshot/PDF/snapshot/links/structured data/crawl 等输出。

说明 Browser Agent 工程栈不只是模型，还需要运行时、会话和可观测能力。

易变事实：定价、限额、产品命名，本篇不展开。

什么任务适合 Browser Agent？

用判断表帮助读者快速决策。

判断表

适合	不适合
✅ 跨站点调研对比	❌ 有稳定 API 的系统
✅ 无 API 后台表单提交	❌ 需要大规模并发抓取
✅ 端到端前端测试	❌ 涉及敏感账号/支付/权限（需要严格审批）
✅ 需要登录态的操作（有安全边界）	❌ 平台明确禁止自动化
✅ 动态内容抓取（前端渲染）	❌ 高频重复任务（考虑 API 或脚本）

可执行步骤块示例

适合 Browser Agent 的典型流程：

1. 用户给出自然语言任务：“帮我对比 5 个 SaaS 产品的定价和功能”

2. Browser Agent 打开官网文档、定价页、功能页

3. Agent 截图或读取 accessibility snapshot

4. 模型理解页面内容，决定下一步动作（点击、滚动、输入）

5. 遇到验证码或 MFA，停下来等人接手

6. 最终输出结构化对比表

具体场景示例

一个按钮从 .submit-btn 改成 aria label 后，传统 Playwright 脚本挂了，AI 浏览器 agent 还能根据页面语义重新找目标。

后台表单提交前卡在 MFA/验证码，agent 必须停下来等人接手，而不是硬冲。

安全边界与合规

Computer Use/Browser Agent 涉及敏感操作、prompt injection、账号权限。

明确安全边界，不鼓励绕过平台规则。

安全清单

风险	处理方式
网页内容不可信（prompt injection）	将页面、工具输出、PDF、邮件、聊天当作不可信输入，可能影响模型行为
联网时风险更高	使用低权限 VM/container、域名 allowlist、限制敏感数据
高影响操作（登录、支付、提交）	必须人工确认（human-in-the-loop）
不能鼓励自动登录、绕过验证码	正文不写绕过方法，只作为边界提醒
审计日志	记录所有动作，可追溯
最小权限	只给必要的权限，不使用 root/admin 账号
隔离环境	使用 Docker/VM，不直接在主机运行

风险段落

网页内容（页面、工具输出、PDF、邮件、聊天）都是不可信输入，可能影响模型行为（prompt injection）。

联网时风险更高。需用低权限 VM/container、域名 allowlist、限制敏感数据。

高影响操作（登录、支付、提交）必须人工确认（human-in-the-loop）。

不能鼓励自动登录、绕过验证码、绕过平台规则。

审计日志、最小权限、隔离环境是必须的。

Anthropic Computer Use 文档特别提到：网页或图片里的指令可能影响模型行为，属于 prompt injection 风险。需要隔离和确认机制。

后续学习路径

本篇是系列入口页，不替代后续单篇。

已发布的站内相关文章

• 让AI替你看文档：OpenClaw浏览器自动化实战指南：聚焦 OpenClaw Browser Skills 的具体命令和安全用法。

• Computer-Use Agent：让 AI 操作你的电脑：桌面级 Computer Use 与 RPA 区别。

• MCP 插件完全指南：让 AI 接管你的工具链：MCP 插件指南，包含 Playwright 浏览器自动化 MCP 段落。

本系列后续专题

后续会单独写以下专题：

• Browser Use 实战：完整 autonomous browser agent，本地或云端运行。

• Playwright MCP 指南：通过 MCP 暴露浏览器能力，结构化 accessibility snapshot。

• Stagehand SDK 实践：代码确定性 + AI 适应性，工程化路线。

• 工具对比与选型：Browser Use vs Stagehand vs Playwright MCP vs Computer Use。

• 网页抓取实战：动态内容抓取、前端渲染页面。

• 调研对比实战：跨站点数据对比、表格生成。

• 表单提交实战：无 API 后台表单、跨平台整合。

• 登录态操作：session 管理、后台管理、数据导入导出（有安全边界）。

• 重试与稳定性：selector 变化、动态 UI、错误处理。

• 前端测试实战：端到端测试、UI 验证。

• Codex 验证：Codex 场景下的 Computer Use / 内置浏览器。

• 飞书看板自动化：飞书后台表单、数据移动。

• 云基础设施选型：Browserbase、Cloudflare Browser Run、托管浏览器。

• 合规边界：平台规则、反爬、验证码处理。

• 安全实践：prompt injection、隔离环境、审计日志。

• AgentScout：开源工具实践。

推荐下一步

如果你想快速上手，可以先看 OpenClaw 浏览器自动化实战或 Computer-Use Agent。

如果你想深入了解某条技术路线，后续会单独写 Playwright MCP、Stagehand、Browser Use 等专题。