现在对于Agent使用浏览器操作的主流方式是什么

回复 群友 5789： 现在这块大致能拆成三个层面来看，混在一起谈就容易晕：谁在掌方向盘、怎么"看"页面、浏览器跑在哪。主流形态基本是这几条线的组合。 一、先分清两种形态，这是最本质的区分 一种叫 browser agent，也就是"agent 本身就是产品"：你给它一个目标，它自己驱动 Chrome 从头跑到尾，你拿结果。Browser Use、Skyvern、Magnitude、OpenAI Operator、Gemini Computer Use 都属这类。另一种叫 tooling，是给别的 agent 调用的库：推理和循环在你自己手里，库只负责开浏览器、点、填、抓。Playwright 本身、Stagehand、Playwright MCP、Chrome DevTools MCP、HyperAgent、Notte 是这类。 判断标准只有一句：控制循环归谁。归厂商产品就是前者，归你自己的 agent 就是后者。现在大家首页都往两边卖，所以看着模糊，但底层分野就这一条。 二、怎么"看"页面，这是第二条主线 主流有三种感知方式。一是 DOM / 无障碍树加文本，把页面压缩成结构化的可操作元素列表给模型，优点便宜、稳、可复现，缺点是对 canvas、复杂前端框架和反爬页面容易瞎。Playwright MCP、Stagehand 走的是这条。二是截图加视觉，模型看像素直接输出坐标点击，对 DOM 拿不到的东西更鲁棒，但慢且贵。Skyvern、Magnitude、以及各家 computer-use 模型属这条。三是混合，多数生产系统其实都是混合——能用选择器就用选择器，卡住了才让模型看。 值得单说的是"代码模式"这个新方向：先把页面扫成一份带名字的元素目录（signInButton、searchInput 这种），把目录喂给模型，让模型写一小段 JavaScript 在沙箱里跑，await page.signInButton.click 这样。一次推理、多个动作、分发是确定性的。它的好处是逼模型"先找到再动手"，比一步一动地瞎试稳很多。ABP 是同一思路的另一种做法，在步骤之间冻结 JS 和渲染，让 agent 面对一个不动的世界。 三、浏览器跑在哪，这是钱和能力的落点 两条路：本地起一个真 Chrome，或者用托管的云浏览器。本地的优势是能带上你自己的登录态、cookie、插件——而 agent 的价值基本就在"替你干你账号里的事"，拿不到你的状态就只能算 demo。所以主流是本地优先，除非要并发、要 stealth、要录屏审计。云这块 Browserbase 是生产默认，Kernel、Steel、Anchor、Hyperbrowser、Cloudflare Browser Run、Bright Data 各有侧重；Steel 和 Kernel 有能自托管的开源版本。顺带一提刚拿到结果的 benchmark（Steel 出的 browserbench，2026 年 1 月的数据）：Kernel 建会话 37ms、端到端 794ms，Steel 182ms / 894ms，Browserbase 213ms / 2967ms，Hyperbrowser 1.7s，Anchor 3.8s 还很慢，这个数字选型时值得看一眼。 四、如果你只是想让 Claude Code / Cursor 偶尔开个浏览器 那最省事的路就是 MCP，第一方装两个：Playwright MCP 负责驱动（点击、输入、导航），Chrome DevTools MCP 负责调试（network、console、性能）。装完让 agent 自己挑。这也是目前最常见的个人使用方式。 五、必须知道的现实 基准基本饱和了。WebVoyager 前十都在 87% 以上，前四 93% 以上，已经没什么区分度，而且大概率在被过拟合。换到真实站点的写入任务，数字立刻塌下来：Illusion of Progress 那篇说前沿 agent 真实任务只有约 30%，ClawBench 的 153 个真实站点写操作任务最高 33.3%。所以厂商引用的榜越简单，数字越好看，别当绝对能力看。 真正没解决的是 prompt injection，不是可靠性。Google 威胁情报统计 2025 年 11 月到 2026 年 2 月恶意间接注入内容相对增长 32%，Unit 42 三月份记录了第一批大规模实战 IDPI 攻击，OWASP 把提示注入排在 2026 年 AI 威胁第一。市面所有框架都对"页面里藏一句让 agent 把 cookie 发出去"这类攻击没有完整答案。业界目前比较一致的做法是：把页面渲染出来的一切文字当敌意输入，用程序化的边界而不是让模型自己判断该不该做，别给 agent 它自己无法理解的长期凭据。 给你一个选择上的收口： 只在 IDE 里偶尔用，Playwright MCP 加 Chrome DevTools MCP。 要自己掌控循环、只想付 token 钱，Browser Use SDK 或 Stagehand，配本地 Chromium。 要并发、要 stealth、要离开你的机器跑，才上托管浏览器。 登录和 2FA 是主战场的话，优先本地带登录态，或者干脆做人在环里点一下，别指望框架全自动搞定。 上面的字段和数据来自 2026 年 5 月和 8 月的两份快照，这领域几个月就换一轮，真要下决定前建议再核一遍。