Browser Agent：浏览器自动化智能体架构解析

定义

Browser Agent（浏览器智能体）是指一类能够自主操控Web浏览器完成网页交互任务的AI智能体系统。其核心理念是将LLM的推理决策能力与浏览器的执行能力结合，使智能体像人类一样"看"网页、"想"操作、"点"按钮，从而自动化任何需要在浏览器中完成的数字工作流。

术语表

核心架构

观察-推理-行动循环

Browser Agent的工作遵循一个闭环流程：

while not task_complete:
    1. 观察：获取当前页面状态（DOM/截图/无障碍树）
    2. 推理：分析页面内容与任务目标关系
    3. 决策：LLM选择下一个动作及其参数
    4. 执行：调用浏览器API执行动作
    5. 反馈：获取执行结果（成功/失败/异常状态）
    6. 反思：判断是否需要调整策略或回退

感知层

感知模块将网页原始信息转换为结构化表征，供LLM理解：

动作空间

智能体可执行的浏览器操作分为五大类：

决策策略对比

主要实现方案

1. 基于Playwright/Puppeteer

以浏览器自动化框架为执行后端，LLM为决策核心，将浏览器操作封装为工具函数供LLM调用：

class BrowserAgent:
    def step(self):
        state = self.observe()          # DOM + screenshot
        action = self.llm.decide(state) # 输出动作指令
        result = self.browser.execute(action)
        return self.reflect(result)     # 自省评估

典型代表：WebVoyager、Mind2Web、OpenClaw browser-automation skill 均采用此类架构。

2. 基于视觉语言模型（VLM）

使用GPT-4V、Claude Vision等多模态模型直接理解屏幕截图，无需DOM解析。优点是对Canvas渲染页面、SPA站点友好；缺点是每次推理成本高、响应延迟大。代表项目：CogAgent、SeeAct。

3. 基于MCP协议

通过MCP（Model Context Protocol）将浏览器能力标准化为工具接口。Agent通过标准化的工具调用协议与浏览器交互，浏览器作为MCP Server对外暴露goto、click、type等工具。此方案最大的优势是协议层的可替换性——任何兼容MCP的浏览器实现均可无缝替换。

与RPA的区别

应用场景

• 数据采集：从多网站提取结构化信息，自动处理分页、登录、反爬验证
• 表单自动化：跨系统数据录入，多步骤表单填写与提交
• 端到端测试：用自然语言描述测试用例，自动执行和断言
• Web监控：模拟用户操作检测网站功能异常和性能退化
• 日常操作：预订、比价、信息核对等浏览器中的重复性人工操作

主要挑战

1. 错误累积：多步操作中单步错误会被放大，需自省和回退机制
2. 页面兼容性：SPA、SSR、Canvas等不同技术栈需不同的感知策略
3. 反爬对抗：网站的反Bot检测机制可能拦截智能体操作
4. 成本平衡：每一步都调用LLM推理，token消耗随任务长度线性增长
5. 安全边界：智能体需限制在安全域内，防止恶意指令执行危险操作

参见

• Agent与RAG融合架构 — 检索增强的Agent决策流程
• MCP协议详解 — 标准化工具调用协议
• AI Agent评估体系 — 智能体性能评估方法
• OpenClaw使用指南 — 浏览器自动化技能配置
• Agent vs Function Calling — 工具调用范式演进