导读Vercel Labs 的 agent-browser 今年 1 月开源、9 月 1 日还在发新版，GitHub 已经超过 4.1 万星。它是一个 Rust 写的命令行工具，自己不含任何大模型，却能让 Claude Code 这类 AI 像真人一样打开 Chrome、点按钮、填表单。它和更火的 browser-use 不是谁替代谁的关系，而是浏览器自动化正在分层的两端：一端自带“大脑”、每一步都问模型，另一端只当一只省 token 的“遥控器”。这篇文章拆开两者的机制和成本账，再用一个让 AI 自动刷论文、发 X 的真实开源项目，看看一只遥控器要怎么拼才能变成能用的产品。
一个 4 万星的工具，自己却不会“思考”
9 月 1 日，Vercel Labs 在 npm 上发布了 agent-browser 的 0.36.0 版，仓库到 9 月 2 日还在提交代码。这个项目今年 1 月才创建，现在 GitHub 上已经超过 4.1 万星。
但有意思的是，它本身一点都不“智能”。
agent-browser 是一个用 Rust 写的命令行工具（CLI），官方定位只有一句话：Browser automation CLI for AI agents，也就是“给 AI 用的浏览器自动化命令行”。它里面没有接大模型，不会自己决定下一步点哪，也不会理解你想干什么。它做的事非常朴素：打开浏览器、读取页面、点击、输入、截图，然后把结果交还给调用它的那个 AI。
图片说明：agent-browser 官方品牌卡，Vercel Labs 出品 图片来源：agent-browser 官网
换句话说，它不是一个“AI 员工”，更像一只给 AI 用的“手”。真正决定这只手往哪儿伸的，是 Claude Code、Cursor 这类自带大模型的编程助手，或者任何能执行命令、能说 MCP 协议的 AI。
要理解它为什么突然这么火，得先看清 2026 年“让 AI 操作浏览器”这件事，已经悄悄分成了两条路线。
两条路线：带“大脑”的框架，和不带“大脑”的遥控器
第一条路线，我叫它“带大脑的框架”，代表是 browser-use。
这是一个 Python 框架，GitHub 星标已经在 10 万量级，是目前最火的 AI 浏览器自动化项目。它的用法是你给一个自然语言目标，比如“登录我账号，把最近一单退货”，剩下的它全包：自己看页面、自己决定点哪、自己填表单，一步一步调大模型直到完成。它内部跑着一个完整的智能体循环（agent loop），通常还会配合截图，让多模态模型“看着”页面操作。
好处是通用、省事，步骤没法预先想好的开放式任务也能试。代价是每走一步都要调一次大模型，把页面内容或截图喂进去，token 消耗很高；而且这种自由发挥的循环一旦中途走错，失败有时是静默的——它没报错，只是没干成你要的事。
第二条路线，是“不带大脑的遥控器”，agent-browser、微软的 Playwright MCP、谷歌的 Chrome DevTools MCP 都属于这一派。
这类工具自己不含大模型，也不替你做决定。它们只负责一件事：把浏览器当前的状态，用一种 AI 好消化的方式描述出来，然后等外部 AI 下指令。AI 说“点这个”，它就点；AI 说“把那段文字读给我”，它就读。
从星标看，这条路线的玩家个个体量惊人：
一个反常的现象是：最“笨”、最不会自主决策的那一派，反而集中了最多的官方厂商。这背后是 token 账，也是可靠性账。
agent-browser 怎么省 token：把网页变成一张带编号的清单
浏览器自动化最烧钱的地方，是“让 AI 看懂页面”这一步。
传统做法要么喂截图（一张图几百到上千 token，还占视觉额度），要么喂整页 HTML（一个真实网页动辄几万 token 的 DOM）。agent-browser 的做法是调用 snapshot 命令，拿到页面的“无障碍树”（Accessibility Tree）——这是浏览器本来就为读屏软件准备的一份结构化页面描述，只保留“这是个按钮、那是个输入框、这里有段链接文字”这类语义信息，把样式、布局、脚本全丢掉。
更关键的是，它给每一个可交互元素分配一个引用编号。snapshot 的输出长这样（下方为纯文本示意）：
AI 看完这份清单，想点“Home”链接，不用去写脆弱的 CSS 选择器，也不用管页面 DOM 怎么嵌套，直接回一句 click @e2 就行。页面改版、class 名乱变，对它影响很小；编号过期了，重新 snapshot 一次即可。
这份清单能压到多短？agent-browser 提供了 -i（只看可交互元素）、-c（紧凑模式）、-d（限制层级）等一堆开关，默认就是冲着“短”去的。第三方实测给出的对比是：同样读一个页面，Playwright MCP 输出完整无障碍树、保留页面层级，单页大约 1.37 万 token；agent-browser 只留可交互元素加编号，单页大约 300 token，跑完一个完整工作流，前者约 11.4 万 token、agent-browser 能控制在 2.7 万以内。媒体标题常说它“省约九成上下文”，具体比例随任务和配置变化，但量级差异是实打实的。
需要说明，这些数字来自第三方评测，agent-browser 官方 README 并没有承诺具体百分比。
省 token 的代价，是它默认“看不见”布局。纯文本的无障碍树分不清两个按钮谁在左谁在右，也读不懂纯图标按钮和 canvas 画出来的东西。所以它又补了 screenshot --annotate 命令：在截图上给每个可交互元素叠一个带序号的小标签，序号和引用编号一一对应，需要空间判断时再让多模态模型看一眼。平时用文本省钱，关键时刻再用眼睛。
还有两个设计让它特别适合“像真人一样操作”。一是它能复用你本机 Chrome 的登录态——通过 Chrome 远程调试协议（CDP，Chrome DevTools Protocol）连上一个真实浏览器会话，带着你已登录的 cookie 去点页面，不用在脚本里硬塞账号密码，也不像无头浏览器那样容易被平台风控拦。二是它同时是个 CLI 和一个 MCP server：敲命令能用，跑一句 agent-browser mcp 就能作为 MCP（Model Context Protocol，模型上下文协议，AI 调用外部工具的开放标准）服务挂到 Claude Code 这类客户端里。
顺带一提，它最初的设计动机其实不是刷社交媒体，而是给编程 AI 补一个“反馈回路”：AI 写完一个网页应用，自己打开浏览器点一遍、截图、确认功能正常，不用人去测。因为太好用，才被各种项目拿去做更广的事。
遥控器怎么拼成产品：LocoAgent 的四层架构
一只手再灵活，没有大脑也干不了活。那遥控器派的“大脑”从哪来？一个叫 LocoAgent 的开源项目，是个很完整的样本。
LocoAgent 是 LocoreMind 团队今年 5 月开源的项目，定位是“AI 社交媒体助理”：让 AI 用真实浏览器自己上 X、LinkedIn，点赞、回复、关注、发帖。它脚下踩的浏览器控制层，正是 agent-browser——安装步骤里明明白白写着 npm install -g agent-browser，再用脚本启动一个开了 9222 调试端口的 Chrome 让 agent-browser 去连。
有位作者（公众号“AI 学习的老章”）照着 README 完整跑了一遍，他的实测能让我们看清这只“手”是怎么被拼成产品的。LocoAgent 在 agent-browser 之上加了四层东西：
真实浏览器操作：通过 CDP 复用真实 Chrome 的登录会话，不碰平台官方 API，也不用无头浏览器，规避风控；
平台技能系统：把“在 X 上怎么点赞、怎么回复、怎么发帖”写成一份份操作手册喂给模型，相当于给手配上了“平台使用说明”；
工作流引擎：这是最关键的一层。像“每天抓 Hugging Face 热门论文→发到 X”这种固定流程，被写成确定性的脚本，到点就按步骤跑，不让模型自由发挥；
操作日志：记录已经点过的赞、发过的论文，跨会话去重，避免重复操作。
老章的实测里有个很能说明设计哲学的细节。他第一次跑抓论文的工作流，因为默认要求论文至少 5 个赞，结果一篇都没选出来，程序返回 partial、papers 为空——没报错，就是筛选条件太严。他把点赞门槛临时降到 0、上限放到 15 篇重跑，这次成功抓到 15 篇，还逐篇打开详情页补全了摘要。最后发到 X 时，它甚至会把论文链接发成一条回复、挂在自己刚发的那条推文下面，而不是写进正文。老章推测，LocoAgent 这么设计是为了迎合 X 的推荐算法。
这套打法的核心思想，是把“能固定的流程全部固定下来”，模型只在需要判断的地方出手——比如读哪篇、怎么写回复。这正好补上了遥控器派“没有大脑”的空缺，又避开了大脑框架“每步都问模型、又贵又容易飘”的毛病。
不过这个案例也给出了一层真实的边界。LocoAgent 最后一次代码提交停在 6 月 27 日，到我写这篇文章时已经两个多月没有更新，星标停在 1000 出头。应用层项目依赖具体网页的结构，平台一改版、作者一停手，工作流就可能失效；反倒是它脚下的 agent-browser，作为通用底座还在以周为单位高速迭代。遥控器比装在它上面的应用活得久，这大概是分层架构最实在的注脚。
怎么选：什么时候要大脑，什么时候用遥控器
把两条路线放到一起，选择其实没有那么难。
如果你面对的是步骤没法预先想好的开放式任务——“帮我把这个网站上符合某条件的信息整理出来”、“登录这个陌生后台把事情办了”——你需要的是 browser-use 这类自带大脑的框架，用它的通用性换它的 token 成本和不确定性。
如果你要做的是反复跑、可预期、要省钱、要在生产环境稳定运行的流程，比如定时抓数据、批量填表、自动化巡检、AI 写完代码自测网页，那更合理的架构是 agent-browser 这样的遥控器当“手”，上面自己编排流程：固定步骤写死成脚本，真正需要判断的环节才调模型。LocoAgent 已经示范了这种拼法。
两者也不是互斥的。完全可以让一个强模型当“总指挥”，需要通用网页操作时调用大脑框架，需要稳定省钱的固定动作时调用遥控器——MCP 协议的普及，让这种混搭的接线成本越来越低。
Vercel、微软、谷歌三家在 2026 年齐刷刷押注遥控器这一派，逻辑也在于此：当 AI 编程助手要反复打开网页验证自己写的代码时，它们最需要的不是另一个黑盒大脑，而是一只可靠、便宜、状态可预期、还能复用真实登录态的手。
让 AI 操作浏览器，最后比拼的可能不是谁的模型更敢点，而是谁把手和大脑的边界划得更清楚。
参考资料
agent-browser 官方仓库（Vercel Labs）： https://github.com/vercel-labs/agent-browser
agent-browser 官网： https://agent-browser.dev
LocoAgent 官方仓库（LocoreMind）： https://github.com/LocoreMind/locoagent
LocoAgent 项目介绍： https://locoremind.com/blog/locoagent
微信公众号实测文章《我让 AI 自己打开浏览器、刷 Hugging Face、读论文、发 X，居然真跑通了》： https://mp.weixin.qq.com/s/4QiNmnByqGEipOQHDlz1sw
浏览器自动化 MCP 工具生态对比（第三方，2026）： https://chatforest.com/guides/mcp-browser-automation/
— THE END —
文章仅做学术分享，如有侵权请联系删除，非常感谢！