网页操作

浏览器 Agent 让 AI 不再只会读 API，而是能像人一样打开网页、点按钮、填表单、读渲染后的结果。凡是没有开放接口、只能靠人工点点点的系统，浏览器 Agent 都能接过来：后台录数据、抢券、填报销、比对竞品价格。它的价值在于把「网页即接口」，但网页是为眼睛设计的，按钮会改名、弹窗会突然冒出来、登录态会过期，这些都比调 API 脆得多。做浏览器自动化，心态要从「写死步骤」转向「让模型看页面做决策」。 让模型看截图还是读 DOM，哪条路更稳？ 纯视觉路线把页面截图喂给多模态模型，让它像人一样看哪该点，好处是不怕前端改版，坏处是慢、贵，且像素级小元素容易点偏。纯 DOM 路线读取可访问性树或页面文本，由模型决定点哪个节点，好处是快而准，坏处是前端结构一改选择器就失效。务实做法是混合：默认走 DOM 精确定位，一旦找不到目标节点再退回视觉判断。关键是把「元素在哪」和「点了之后怎样算成功」分开——点击动作要准，成功判定要靠页面状态变化，而不是赌它点对了。 登录态、反爬与异常弹窗怎么处理？ 浏览器 Agent 上线后最先撞墙的不是业务逻辑，而是周边的真实世界。登录态要单独保管，用持久化的用户配置目录保持会话，过期了要能触发重新登录而不是死循环点登录按钮。反爬要降速、拟人化操作间隔，别一秒点十下把自己送进风控。异常弹窗（ cookie 同意、广告、改版提示）要在每步操作后顺手检测，遇着就关掉再继续。最后务必保留每步截图与操作日志，出问题时你能回放它到底在哪一步、对哪个元素动了手。把这些周边问题当成一等公民处理，浏览器 Agent 才不会在第三天就悄无声息地罢工。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论