AllWorkin / Articles / 2026.09.16

Browser Use三阶段:固定动作、写代码、直连CDP

页面有 Cookie 同意按钮,模型却可能收不到。Browser Use 把方案分成固定动作、写代码、直连 CDP 三阶段。官方自报,Hermes 每个模型各跑 18 次,Opus 4.8 平均用量降 60%,Kimi K3 降 66%。

2026.09.16约 5 分钟#Agent#Claude#Codex#Hermes

页面上明明有 Cookie 同意按钮,Browser Use 送给模型的状态里没有。无障碍树没暴露,或者中间处理丢掉了,结果都一样,模型看不到这个按钮。2026 年 9 月 15 日,联合创始人兼 CTO Gregor Zunic 在官方博客里用这个例子解释浏览器 Agent 为什么要改。

Browser Use 2024 年 11 月上线时,GPT-4o 还没为计算机使用(computer use)专门训练过,他们只好把页面上能看什么、能点什么一项一项规定好。后来模型写代码越来越稳,他们把动作改成程序。再往后,观察也交给模型,直连 Chrome 开发者工具协议(CDP)。

谁定观察、谁定动作,先按三阶段看这张表。

Browser Use 三阶段

阶段 谁定观察 谁定动作 适合场景 主要局限
固定动作 Browser Use 预先提供页面状态 人规定点击、输入、滚动 模型还不懂页面 每个例外再补一条规则
写代码 Browser Use 预先提供页面状态 模型写 JavaScript、持久笔记本 画签名、循环点评论 状态里没有的,写了代码也看不见
直连 CDP 模型自己查 模型自己编写操作代码 复杂站点、闭合影子根、跨源内嵌框架 Agent 循环的缺陷可能中断长任务

模型可以自己写操作代码后,Cookie 同意按钮仍可能不在它收到的页面状态里。写代码阶段仍由 Browser Use 提供页面状态。直连 CDP 阶段,模型自己决定看什么。

一、固定动作:人规定能看什么、能点什么

早期循环很简单,人先规定页面状态,这里能点、那里能输,模型只从这份列表里挑一项,Browser Use 执行完再送回下一份状态。

2024 年底那种还不会计算机使用的模型,要把动作空间收窄,它才知道自己能干什么。浏览器页面的例外太多,官方每碰到一种新情况,就得再补一条规则。

二、写代码:动作交给模型,页面状态仍由人提供

2025 年 9 月他们试过让模型执行 JavaScript,10 月试过持久笔记本。模型可以写一段程序,变量还留着,再检查结果接着跑。画签名、循环点评论,不必再等人发明一个新动作。

Nous Research 的 Hermes Agent 把 12 个浏览器工具合并为一个 browser_exec,底层是 Browser Use CLI。截至 2026-09-15 官方博客,Opus 4.8 平均 token 用量降 60%,Kimi K3 降 66%。每个模型都跑了 18 次,即 6 项任务各跑 3 次,18 次全部完成。这是官方自己的评测口径,样本量就是这 18 次。

模型可以写动作了,页面状态仍由人生成、再送回去。电子病历(EHR)下拉是官方给的例子,外层开放影子根,中间嵌一个跨源内嵌框架(iframe),按钮藏在闭合影子根(closed shadow root)里。预先写好的页面状态规则,不可能猜中每个网站的嵌套方式,模型看到的页面仍受这些规则限制。

三、直连 CDP:模型自己决定看什么

他们把 CDP 直接交给模型,没有一份强制的可点元素清单,模型可以写代码查 DOM、截图、进某一个内嵌框架。浏览器当然还有状态,系统不用再把所有页面信息整理成同一种格式。这一问用截图就能回答,下一问去查 DOM,由模型自己决定。

CDP 是 Chrome 原生控制协议,模型可以直接发命令。官方写 Playwright 的定位器看不到闭合影子根,CDP 能直接检查这些根。Playwright 本身也暴露 CDP,Browser Use 把直连设成默认。

他们建议复用已经在跑的 Agent 循环,也就是模型反复调工具、压缩上下文的那一层。Pi、Codex、OpenCode 已经在跑 Agent 循环。官方认为,现成编码 Agent 已经被大量用户用于不同任务,循环经过了更多检验。一个已经跑了五小时的验收任务,不该因为循环里的缺陷中途失败。官方写过一次上下文压缩(compaction)套娃,压缩产生的上下文立刻再次触发压缩。

Browser Harness、BrowserCode 和 Browser Use Pi 都让模型自己选看什么、做什么。前面说的 Pi 是现成编码 Agent,Browser Use Pi 只在官方博客点名第三条产品线。Claude Code、Codex、Cursor 都可以通过官方提示词或 Skill 接到本机 Chrome,Hermes Agent 默认用 Browser Use CLI。官方落地页写着,本地 Chrome 免费,云端隐身浏览器按每个浏览器每小时 0.02 美元计费(截至 2026-09-16)。

模型还不能稳定操作页面时,固定清单仍然有用。模型已经能自己查询 CDP 后,接入方可以重新判断这份清单是否值得继续维护。


参考链接

AI工具实战派

觉得有用?每周的新笔记先发公众号。

每周的实战笔记先发在这里。扫码关注,新文章第一时间推给你。

关注 / 加入社群 →