agent-browser 是什么？
agent-browser 把浏览器从"给人用的 GUI"变成了"给 AI 用的 API"。
- 定位：专为 AI Agent 设计的浏览器操控工具，自然语言输入、结构化结果输出。
- 两种实现：Vercel agent-browser 是 Rust CLI（二进制 7MB），browser-use 是 Python 框架。
- 核心差异：传统自动化写死每一步，agent-browser 是目标驱动——只关心"做到没有"。
- 底层原理：CDP 直连 + Accessibility Tree 快照，context 用量比完整 DOM 少 90%。
- 实际数据：WebVoyager 成功率 91.3%，单任务成本不到 $0.09。
- 2026 趋势：MCP 集成、本地优先、反 Bot 对抗升级三条主线。
是什么
agent-browser 是一类让 AI Agent 直接操控浏览器的工具。给 Agent 一个自然语言目标（"去 GitHub 搜这个项目的 star 数"），它自己打开浏览器、导航、点击、提取信息、返回结果。
区别于 Playwright 和 Puppeteer，agent-browser 的操作者是 LLM，不是人写的脚本。它把浏览器从一个需要编程接口才能操作的环境，变成了 Agent 可以直接"使用"的工具。
目前主流有两个实现：Vercel 开源的 agent-browser（Rust CLI，二进制仅 7MB），以及 Python 生态的 browser-use（GitHub 94k stars）。
底层原理
agent-browser 的核心链路就三步：
不走 DOM，走 Accessibility Tree。
传统工具把完整 HTML 丢给 LLM，一个登录页就要 3000-5000 tokens。agent-browser 通过 Chrome DevTools Protocol 直接读取页面的无障碍树，输出结构化快照：
[3] textbox "邮箱"
[4] textbox "密码"
[5] button "登录"
每个可交互元素分配一个确定性引用（@e3、@e4），LLM 直接说"填 @e3"就行。context 用量减少 90% 以上。
然后通过 CDP 的 Input.dispatchMouseEvent 模拟真实鼠标事件序列（move → press → release），比 element.click() 更接近人类操作，能正确触发 CSS :hover 和页面事件监听器。
相比传统方式
| 维度 | 传统自动化（Playwright） | agent-browser |
|---|---|---|
| 驱动方式 | 人写脚本 | LLM 决策 |
| 元素定位 | CSS/XPath 选择器 | 无障碍树 @ref |
| 容错能力 | 页面一改就挂 | LLM 语义理解，自动适应 |
| Context 用量 | 3000+ tokens | 200-400 tokens |
| 任务描述 | 步骤级（click → wait → type） | 目标级（"登录并提取数据"） |
说白了：传统方式是给浏览器写操作手册，agent-browser 是让 LLM 自己看、自己想、自己动。
简单例子
from browser_use import Agent
from langchain_openai import ChatOpenAI
agent = Agent(
task="去 Hacker News 首页，把排名前 5 的帖子标题和链接提取出来。",
llm=ChatOpenAI(model="gpt-4o"),
)
result = await agent.run()
print(result)
没有选择器，没有 wait_for_selector，没有"页面改了就要改代码"。你只关心结果对不对。
# Vercel agent-browser 的命令行方式
agent-browser open "https://news.ycombinator.com"
agent-browser snapshot -i
# [12] link "Show HN: My Project"
agent-browser click @e12
agent-browser screenshot --output result.png
使用场景
- 数据采集：目标页面结构多变？LLM 自己找，不用维护选择器。
- 自动化测试：从"验证脚本对不对"变成"验证页面功能对不对"。
- 表单填写：Agent 理解表单语义，"姓名"填姓名、"邮箱"填邮箱，不需要知道 input name 叫什么。
- 多步业务流程：登录 → 搜索 → 筛选 → 导出，Agent 自己规划步骤。
发展趋势
2026 年三个方向：
- MCP 成为标准接口。agent-browser 作为 MCP Server 暴露浏览器能力，Claude、Cursor 等任何 MCP 客户端都能直接调用。
- 本 地优先。Kimi WebBridge 这类方案把浏览器会话留在本地，敏感数据不出设备。
- 反 Bot 对抗。生产环境的 headless 浏览器会被 Cloudflare 等拦截，需要住宅代理、验证码自动处理等能力。
agent-browser 不是玩具。WebVoyager 基准上已经做到 91.3% 成功率，单任务成本 $0.09。如果你的 Agent 需要跟网页交互，这大概是最值得投入的方向。