浏览器智能体:工程化框架应最小化

Browser Use 联合创始人 Greg PR 认为,随着模型能力增强,围绕浏览器智能体的工程化框架应被简化。两年来,该团队从预定义操作转向让模型直接访问 Chrome 的 CDP,在保持可靠性的同时将令牌消耗降低了 60%。
Key insights
从预定义操作到原始 CDP 访问的演进
Browser Use 最初使用人类定义的状态和动作空间(点击、输入、滚动)。2025年,他们引入了 JavaScript 执行和持久化笔记本,让模型可以编写程序而非从菜单选择。这使得 Opus 4.8 的令牌消耗降低了 60%,Kimi K3 降低了 66%,同时完成了全部 18/18 任务。最后,他们让模型直接访问 CDP,移除了预定义的状态提取。
浏览器智能体框架设计的三个原则
作者提炼出三个原则:复用经过验证的智能体框架(Pi、Codex、OpenCode),暴露尽可能简单的底层接口(使用 CDP 而非 Playwright),以及让模型自行选择观察和动作。这是 Sutton 的‘苦涩教训’的应用:随着模型改进,人类设计的中间表示会成为负担。