2025 年底，Vercel 开源了 agentBrowser，打出了”浏览器是下一个 LLM 接口”的旗号。开源社区一片叫好，然后大家发现：这玩意演示很酷，一上生产就趴窝。
不是 agentBrowser 不行——它在省 Token 这件事上确实做到了极致，把原始 HTML 砍掉 90% 冗余只保留可交互元素。但真实世界的网页不是玩具。Cloudflare 的 Turnstile 验证、DataDome 的指纹检测、reCAPTCHA 的人机判断……这些反爬虫基础设施，过去十年一直在升级，它们的目标就是拦住非人类的浏览器行为。一个干净的 Playwright 实例，哪怕语义结构化做得再好，指纹一露馅什么都白搭。
2026 年上半年，这个赛道上出现了三个主力选手：agentBrowser（Vercel 开源）、PP-Browser（国内团队）、Browser-Use（开源社区）。
然后 BrowserAct 也进来了。而且它的打法和前三家都不太一样。
它解决的根本不是”能不能控制浏览器”
市面上所有的 AI 浏览器框架本质上都在解决同一个问题：帮 LLM 看懂网页并操作网页。agentBrowser 的做法是砍掉冗余 DOM 省 Token，Browser-Use 的做法是抽象出 Action 和 Agent 的中间层。
BrowserAct 承认这两个方向都对，但它认为还有一个更大的问题被忽略了：网页不想被你的 AI 控制，而且它有手段拒绝你。
真实世界里的网页是什么样的？Amazon、小红书、知乎、微信公众号后台、LinkedIn——每一个都有反爬逻辑。别说 AI 了，你用 Playwright 写个脚本去批量抓数据，不挂代理、不配指纹、不给 Cookie，大概率几分钟之内就会被识别弹验证码，甚至直接封 IP。
BrowserAct 做的就是在 LLM 和浏览器之间加了一个环境层，专门负责”让 AI 看起来像个真人”。
这个环境层包括：
- Stealth 指纹——修改 Canvas、WebGL、AudioContext、字体列表等信号，让浏览器指纹看起来是个正常的人类设备
- TLS 握手随机化——连 TCP 层的加密套件顺序都给你改，不让服务器从 TLS 指纹认出这是 Playwright
- 住宅代理——内置动态/静态住宅 IP，按国家、ASN 路由，不暴露数据中心 IP
- CAPTCHA 自动求解——reCAPTCHA、Cloudflare Turnstile、DataDome、HUMAN Security，全包
- 人机接力兜底——遇到 2FA 或高级验证，自动生成远程协助链接，手机上确认后交回 AI 继续执行
单独看每一项都不新鲜——指纹浏览器、代理池、验证码打码平台，每一个都是成熟的赛道。但把它们和 AI Agent 的调度层整合成一个产品，BrowserAct 确实是第一个干得比较完整的。
三套浏览器模式，对应三个真实场景
BrowserAct 在官网上把能力拆成了三个模式，我觉得这个分类比很多竞品清晰：
1. 复用本地 Chrome
直接连你正在登录的 Chrome 浏览器，带上已有的 Cookie、SSO、扩展。场景很清楚：你需要 AI 帮你操作你已经登录好的网站——比如做内容分发，把公众号文章同步到知乎和小红书后台。不用配代理、不用搞指纹，打开直接用。
2. Stealth 隐身模式
每次新建一个干净的隐私会话，指纹和代理都是新的，用完即焚。专门给批量爬取用的——抓 Amazon Hot New Releases、扒电商竞品数据、监测价格波动。不跟任何身份绑定，事完了痕迹清除。
3. Stealth 固定身份模式
每个任务绑定一个固定的指纹 + 静态住宅 IP + Cookie 存储。场景：多账号运营——十个 Facebook 广告号、五个亚马逊店铺，每个账号配一个专属浏览器身份，指纹和代理长期固定，互不交叉。
三套模式对应三种不同的信任层级：本地信任（复用登录态）、零信任（一次性爬取）、半信任（固定身份运营）。这个区分在产品设计上比”全都用隐身模式”或者”全都用本地模式”合理得多。
Skill Forge 可能是最有想象力的功能
BrowserAct 内置了一个叫 Skill Forge 的能力——用自然语言描述需求，它会自动研究目标网站的页面结构和交互逻辑，设计执行方案，测试验证，最终生成一个可复用的 Skill。
举个例子，你说”每天早上 8 点抓取小红书’AI 工具’关键词下的前 50 条笔记，生成日报发到飞书群”，Skill Forge 会自己去研究小红书的页面结构，搞清楚搜索框在哪、搜索结果怎么翻页、每条笔记的标题/点赞/评论在哪个 DOM 节点底下，设计好执行路径，跑通，然后把整个流程打包成一个可复用的 Skill。下次直接调用就行。不用写代码，不用录步骤。
这个能力如果做深了，本质上是一个”浏览器自动化的应用商店”。社区贡献的 Skill 越多，新用户上手成本越低，网络效应越强。
目前 Skill Forge 还是通过 GitHub 仓库分发的，BrowserAct 官方还没做一个独立的 Skill 市场。但方向是对的。
跟竞品对比的话：
- agentBrowser：开源免费，省 Token 极致，但反检测能力弱，需要自己搭指纹和代理
- Browser-Use：开源框架，灵活性高，但配置门槛也高，适合有工程能力的团队
- PP-Browser：国内团队做，对中文网站兼容好，价格低，但海外站点的指纹伪装不如 BrowserAct
- BrowserAct：闭源商业产品，开箱即用，反检测最强，缺点是要花钱、生态靠官方维护
本质上这是一场”开源通用 vs 商业专用”的选择：你的场景是验证原型还是跑生产？你的团队有没有能力自建反检测层？
也有几个值得关注的问题
Credits 定价的隐性成本——代理流量也走 Credits，大文件传输和频繁的页面跳转会加速消耗。静 运行一个爬虫任务，Cost 不一定比直接买代理+验证码方案便宜多少。
本地模式对 Windows 有依赖——复用本地 Chrome 的功能需要桌面 Chrome 运行中才能工作。服务器端的 headless 场景虽然有计划（Cloud Browser），但还没上线。
Skill Forge 的社区生态还没起来——思路很好，但 Skill 还是用户自己生成的，官方没有运营一个 Skill 市场。如果”每次都要自己生成 Skill”，那跟写自动化脚本的区别就没那么大了。
BrowserAct 做了 Agent 生态里一个”不想做但必须有人做”的脏活。它没有发明新的浏览器交互协议，也没有一个新的 LLM 接口标准——它只是把反检测、代理、验证码求解、会话隔离这些能力整合成了一个 AI Agent 可以直接调用的服务层。
脏活累活做到位了，有时候比做漂亮活更有价值。
评论列表 (0条)：
加载更多评论 Loading...