AI 博客

标签: browser-agents

← 返回 AI 博客

11 分钟读完

United 连「有人盯着的」智能体也一并禁了,而这正是全部要点

联合航空 2026 年 11 月 11 日版《运输合同》禁止 AI 智能体购票、改票或办理机票事务——哪怕旅客亲自监督并确认操作也不例外;而报道此事的媒体没有一家能说清航司究竟打算如何识别智能体。这两件事放在一起就是一份设计声明:当判定条件本身无法观测时,唯一还剩下的手段就是事后救济,于是执行点被挪到了「可不经通知取消该预订」这项权利上。查询票价依然开放,因为「读」没有什么可撤销的。把禁令放在第一个不可逆动作的上一层,否则你有的只是一种倾向,而不是一项政策。

11 分钟读完

OSWorld vs WindowsAgentArena vs AndroidWorld vs BrowserGym:校验器就是基准本身

这四个东西被当作对同一种能力的四次测量来引用,而它们其实是四个不同的对象。其中两个根本不拥有自己的校验器:WindowsAgentArena 把 OSWorld 的指标库整套搬了过来,而 BrowserGym 是一个 harness、导入的是被包装基准各自写的那一套。决定一个分数能不能迁移的那条轴,不是操作系统、也不是任务数量——而是那个检查读的是什么。OSWorld 会自己先按下 Ctrl+S,再把存好的文件与一份标准副本比对;AndroidWorld 读的是设备状态,而那是一个没有别的运行会共享的随机任务实例;BrowserGym 那个 reward 浮点数,在一行里装的是二元的页面检查,在下一行里装的是词袋 F1。

11 分钟读完

前门关了,MCP 服务端没关

Amazon、Yelp、达美航空、摩根大通与嘉信理财在四周内先后把第三方 AI 智能体关在门外,而每一家都留了另一扇门。嘉信在 10 月 14 日的财报电话会上把规则的两半都说了出来:带着客户密码登录的智能体一律拦下,而外部模型可以通过嘉信自家的 MCP 服务端读取余额与研究报告,但不能动钱。被拒绝的既不是自动化也不是 AI,而是凭据代持——这一点任何机器人身份标准都解决不了,因为一个握着用户密码的智能体,在设计上就与用户无法区分。

11 分钟读完

Safari MCP、Chrome DevTools MCP、Playwright MCP 与扩展式智能体对比

在这件事上,工具数量什么也决定不了。真正决定「浏览器智能体能不能干活」以及「遇上恶意页面会有多糟」的那根轴,是它握着哪个会话——一个隔离的自动化上下文、一个在悄悄累积登录态的专用配置档,还是你自己那个已登录的浏览器。今年交付了 MCP 服务器的两家浏览器厂商都有意把你自己的会话排除在外,这正是它们都做不了大家以为会有的「智能体帮你下单」演示的原因。

10 分钟读完

WebMCP 把你的页面变成了一个 API,而它唯一的鉴权就是那个会话

WebMCP 让一个页面把一份可调用的工具清单递给 AI 智能体;Chrome 正把它放在实验标志后面发布,而 W3C 社区组的草案仍在变动。值得争论的不是发现机制,而是权限:一个注册过的工具是以你页面自己的 JavaScript 身份执行的,就在那位已登录用户既有的会话里——于是你的服务器看到的,是一个它无法与一次点击区分开的请求。你正在发布一个 API,而它唯一的凭证属于一个并非调用方的人。

10 分钟读完

Gemini Spark 搬进了你的 Chrome 配置文件,而那道交还控制权的线划错了地方

Google 的智能体如今驾驶你正登录着的那个 Chrome,能取用你保存的密码,并在付款时把控制权交还给你。可付款恰恰是唯一带着拒付窗口的动作;邮箱被读、数据被拷走、找回地址被改掉,全在那条线的无人值守一侧。

9 分钟读完

Cloudflare 的 Kitesurf 让浏览器便宜到可以用完就扔

被引用的数字是 CPU 与内存比 Chromium 少 3–7 倍。但真正值得据以规划的推论是:每个任务一个全新浏览器,不再是一笔要靠复用会话摊销掉的成本——而会话复用正是浏览器智能体状态泄漏的所在。你为此付出的代价,是一条会静默失败的兼容性长尾。

9 分钟读完

Browserbase vs Steel vs Hyperbrowser vs Anchor Browser:你选的是谁持有那个会话

四家都讲 CDP,所以自动化代码一天就能搬走,SDK 对比什么也决定不了。真正的选择是:谁持有已登录的 profile、谁持有重建它所需的凭据,以及你继承的是谁的出口 IP 信誉——外加一个事实:它们之间的延迟差距全部来自控制面。

10 分钟读完

Atlas 将于 8 月 9 日关停:智能体浏览就此一分为三

OpenAI 将在上线九个月后关停 ChatGPT Atlas 浏览器,把它的能力拆进一个 Chrome 扩展、一个应用内浏览器与一个服务端云浏览器。这不是从智能体浏览撤退——这是承认浏览器智能体从来不需要一个浏览器。它需要的是贴近一个已登录的会话,而这三个替代形态,正是"借用谁的会话"这个问题的三个不同答案。

22 分钟读完

Browser-Use、Stagehand、Skyvern 与 Playwright MCP:LLM 该如何操作网页的四种答案

当没有 API 时,智能体只能自己操作浏览器——而四个开源项目对"它该如何看页面"意见相左。browser-use 读取 DOM,Skyvern 看像素,Stagehand 让你在代码与 AI 之间自由调节,而 Playwright MCP 根本不是智能体,而是任何模型都能调用的标准浏览器工具层。选其一其实是两个决定:Python 还是 TypeScript,以及框架还是 MCP 服务器。

15 分钟读完

Claude Computer Use(收购 Vercept 后)、Codex 后台 CU、Operator 与 Gemini:四种让 AI 自己操作鼠标的下注方式

在 OSWorld 上拿到 72.5% 已经是地板而非里程碑——而三家实验室在"鼠标应该跑在哪里"这件事上做了架构上完全相反的下注。选错了就要永远跟自己的沙箱搏斗;选对了,模型两分钟能做完你 RPA 栈两周的活。