# 浏览器自主智能体三派架构与落地红线 浏览器自动化已经跨过了"手写每一个选择器和点击"的时代。Selenium、Playwright 仍然提供细粒度的程序化控制，但 2026 年真正热闹的是另一条赛道：把"想做什么"用自然语言描述清楚，然后把执行细节交给语言模型。这条赛道已经长出了三层清晰的结构——智能层（决定点哪里、为什么点）、基础设施层（托管无头 Chromium 的云）、数据层（为 LLM 喂养干净网页）。在智能层内部，又分化出三种互相看不上的架构哲学：agent-first、deterministic-first、vision-first。它们在同一个 WebVoyager 基准上跑出截然不同的分数，落地时撞上的是同一堵墙——反爬。本文拆开这三种架构的内核、给出关键代码、算清成本账，并指出厂商基准里的水分。 ## 多维度对比 | 工具 | 架构派别 | 基准表现 | 语言/许可 | 单步成本 | 上手难度 | 变现抓手 | |------|---------|---------|----------|---------|---------|---------| | Browser Use | Agent-first（LLM 推理环） | WebVoyager 89.1%（586 任务） | Python / MIT | $0.006/步（自研模型） | 低（一段脚本起跑） | 探索型任务训练营、RPA 替代 | | Stagehand | Deterministic-first（Playwright+AI） | v3 比 v2 提速 44% | TypeScript / MIT | $0.002–0.02/步 | 中（需懂 Playwright） | 生产级测试工程、企业 SaaS | | Skyvern | Vision-first（CV+LLM） | WebVoyager 85.85% / WebBench 64.4% | Python / 开源 + 云 | $29/月起 | 低（REST API + 无代码） | 政府/保险表单代填、无代码 RPA | | Playwright MCP | Accessibility-tree | 无视觉、无单步推理费 | 多语言 / Apache 2.0 | 仅 LLM 规划费 | 低（已内置 Copilot） | CI/CD 测试增强、MCP 生态课 | | Browserbase | 基础设施层 | 不适用 | 托管云 | $0.03–0.06/小时 | 低 | 反爬代理、CAPTCHA 服务化 | | Firecrawl | 数据/爬取层 | 不适用 | API | 按页计费 | 低 | 数据采集 SaaS、知识库构建 | ## 深度分析 ### 一、Browser Use：把整条推理环交给 LLM 的"agent-first" Browser Use 是当前开源基准的领跑者。它在 WebVoyager 的 586 个真实网页任务上拿到 89.1% 的成功率，是截至 2026 年 3 月可验证的开源工具中最高分。它的核心信念很纯粹：给 agent 一个自然语言目标，剩下的"观察页面→决定下一步→执行→重新评估"全交给一个 LLM 推理环。代码里看不到任何 selector、XPath 或 wait 条件。 ```python from browser_use import Agent from langchain_openai import ChatOpenAI import asyncio async def search_and_extract(): agent = Agent( task="去 Google，搜索'2026 性价比笔记本'，" "点开第一个非广告结果，提取前 3 款推荐及价格。", llm=ChatOpenAI(model="gpt-4o"), ) result = await agent.run() print(result) asyncio.run(search_and_extract()) ``` 它强在页面结构不可预测的探索型任务——弹窗、CAPTCHA、布局漂移都能靠推理环自适应。代价是延迟和成本：Playwright 两秒跑完的任务，Browser Use 可能要 30 秒，因为每个动作都要往返一次语言模型。它内置了真实 Chrome profile 复用，agent 直接继承你已登录的会话，免去重新认证。变现上，这是做"RPA 替代训练营"最顺手的入口：学员一行命令看到浏览器自己动起来，即时反馈极强，可以包装成"48 小时从零造一个会冲浪的 AI"课程，单价和完课率都好做。 ### 二、Stagehand：Playwright 里嵌三句自然语言原语的"deterministic-first" Stagehand 由 Browserbase 出品，GitHub 21,600 星，走的是相反的路。它不把自动化代码交给 LLM，而是给 Playwright 加三个自然语言原语：`act("点击提交按钮")`、`extract("把订单总额取成数字")`、`observe("页面上有哪些可点按钮？")`。哲学很务实：精确的地方用确定性 Playwright，页面结构易变的地方才切到自然语言。 ```javascript const { Stagehand } = require("@browserbasehq/stagehand"); async function hybridAutomation() { const stagehand = new Stagehand({ env: "LOCAL", modelName: "gpt-4o" }); await stagehand.init(); const page = stagehand.page; await page.goto("https://example-shop.com/products"); await page.act("如果出现 cookie 同意横幅就关掉它"); // AI await page.selectOption("#category-filter", "electronics"); // 确定性 const products = await page.extract({ // AI + schema instruction: "提取所有商品名和价格", schema: { type: "array", items: { type: "object", properties: { name: {type:"string"}, price: {type:"string"} } } }, }); await stagehand.close(); } ``` 2026 年 2 月发布的 v3 加了动作缓存——成功过一次的动作会被存下来，下次运行不再调用 LLM，这让重复工作流的 token 成本大幅下降，整体比 v2 提速 44%、token 效率提升。它的"自愈"行为很实用：DOM 改动撑爆选择器时，Stagehand 会重新问 LLM 找元素，而不是直接抛错。变现上，Stagehand 适合做"生产级 AI 测试工程"——企业最痛的点是测试脚本一改 UI 就全红，自愈能直接量化 ROI，这是 To B 卖点最硬的方向。 ### 三、Skyvern：靠视觉理解"没见过"页面的"vision-first" Skyvern 用视觉 LLM 和计算机视觉驱动浏览器，完全不看 selector、XPath、CSS 类、DOM 结构——它像人一样"看"页面再推理。这带来一个清晰优势：它能在从没见过的站点上工作，包括政府门户、保险表单、DOM 被刻意混淆的遗留企业应用。它内置的 2FA/TOTP 凭据管理就是冲着这些最难缠的真实流程去的。在 WebVoyager 上它拿到 85.85%，是表单填写类任务里表现最好的框架之一（注意另一个来源给的 WebBench 分数只有 64.4%，基准不同不可直接比）。 ```python import requests task_payload = { "url": "https://example-insurance.com/get-quote", "navigation_goal": "用以下信息填写保险报价表单并提交", "data_extraction_goal": "提取报出的保费金额", "navigation_payload": { "first_name": "Jane", "last_name": "Smith", "date_of_birth": "1990-05-15", "zip_code": "94105", "coverage_type": "comprehensive", "deductible": "500", }, "proxy_location": "RESIDENTIAL", } r = requests.post("http://localhost:8000/api/v1/tasks", json=task_payload, headers={"x-api-key": "..."}) ``` 代价是延迟：每一步都要截图、模型推理、点击，远不是 Playwright MCP 那种亚 100 毫秒的体感。YC 背书、2025 年 12 月拿到 270 万美元，无代码工作流构建器让非开发者也能用。变现上，Skyvern 的最佳切口是"政府/保险/合规表单代填"这种长尾刚需——这类站点多、结构乱、人力填表贵，一个能跑通多州门户的代填 SaaS 有清晰的订阅模型，定价空间（$29/149 月）也已经被验证。 ### 四、Playwright MCP：不靠像素、靠无障碍树的"免费派" Playwright MCP 是微软给 Playwright 做的 MCP 服务端，GitHub 29,200 星，Apache 2.0，完全免费。关键差异在于：它通过无障碍树（accessibility tree）而非截图暴露浏览器控制，LLM 处理的是结构化文本（ARIA 角色、标签、元素层级）而不是像素，所以动作能跑到亚 100 毫秒，回路里没有视觉模型，成本只剩规划步的 LLM 调用。 它最适合结构化工作流和 CI/CD 流水线里的 AI 辅助测试。GitHub Copilot Agent 已内置 Playwright MCP，你用自然语言描述一个测试，agent 就创建并跑起来；微软公布的 Healer agent 能以 75% 以上的成功率自动修复选择器失效。短板是：需要推理复杂页面状态的纯自主多步 agent，Browser Use 或 Skyvern 处理边界情况更强。变现上，Playwright MCP 是给已有测试团队的"最低摩擦 AI 入口"，适合做"MCP 工具生态"系列课的一个标杆案例，而不是单独产品。 ### 五、基础设施层：Browserbase 与 Steel，被低估的"卖铲人" 大多数生产级浏览器自动化跑在托管的云上而非本地 Chrome。这一层才是真正的利润池。Browserbase 在 2025 年 6 月拿了 4000 万美元 B 轮，是 Stagehand 的推荐后端——一个托管无头 Chromium 机队，内置反爬隐身、CAPTCHA 求解、会话回放、代理轮换。Free 档 3 并发/1 小时，Developer $20/月（25 并发/100 小时），Startup $99/月（100 并发/500 小时）。 Steel 是开源替代，6,400 星，可完全自托管，托管云 $29/月起（290 浏览器小时）。合规要求或本地化部署的团队选 Steel。这一层揭示了一个常被忽视的事实：智能层的"成功率"很大程度取决于基础设施层的反爬质量——同一个 Browser Use 跑在裸 Chrome 上和跑在 Browserbase 隐身环境上，分数能差出一截。变现上，做"反爬/CAPTCHA 服务化"或为企业搭私有 Steel 集群，是比卖 agent 本身更稳的生意，因为它卖的是确定性。 ### 六、基准水分与反爬红线：所有架构撞的同一堵墙 把厂商分数排在一起会发现，WebVoyager 和 WebBench 不可直接换算，更有几家用了非标准任务集或对自己有利的模型配置来抬高头条分数。一位测评者明确指出"几份厂商发布的分数用了非标准任务集或有利配置，注水了头条数字"。真正可信的对比维度是：在真实条件（布局会变、要登录、限流不可预测）下的任务成功率，外加单任务 token 成本——80% 成功率但 $0.50/任务，和 70% 但 $0.003/任务，是两种产品。 更硬的红线是反爬。即使 agent 驱动的浏览器，bot 检测和隐身 evasion 仍是未解难题，"尤其在站点部署高级反检测措施时"。这意味着：所有 vision/agent 框架的头条成功率，在 Cloudflare/Turnstile 严防的站点上都要打折。落地前必须先问"目标站点反爬等级"，再谈架构选型——这是训练营里最该讲、却最容易被 demos 跳过的真相。 ### 七、三派收敛：Browser Use 2.0 的 hybrid 转向 值得注意的是，三派正在互相靠拢。Browser Use 2.0 走向 hybrid：大多数步骤用 DOM 解析（快且便宜），只在结构模糊时才上截图（vision）。这是对"纯 agent-first 太慢太贵"的务实修正。Stagehand 的动作缓存是把"确定性"的确定性进一步压榨出来。Skyvern 也在补 DOM 通道。收敛的终点不是某一派胜出，而是"按步骤成本自适应选通道"——能 DOM 就 DOM，DOM 搞不定才烧视觉 token。 ## 架构关系图 ```mermaid flowchart TB subgraph 智能层["智能层：决定点哪里、为什么点"] BU["Browser Use
agent-first
DOM→vision 混合
WebVoyager 89.1%"] SH["Stagehand
deterministic-first
Playwright+3 原语
v3 动作缓存"] SK["Skyvern
vision-first
CV+LLM
原生 2FA/TOTP"] PM["Playwright MCP
accessibility-tree
免费、亚 100ms
内置 Copilot"] end subgraph 基础设施层["基础设施层：托管无头 Chromium"] BB["Browserbase
反爬隐身+CAPTCHA+代理
$40M B 轮"] ST["Steel
开源可自托管
$29/月起"] end subgraph 数据层["数据层：为 LLM 喂干净网页"] FC["Firecrawl
82k+ 星
爬取+结构化 API"] end BU --> BB SH --> BB SK --> BB BU -.可选.-> ST PM --> ST FC --> BU RED["反爬红线
Cloudflare/Turnstile
头条分数的真实折扣"] -.约束.-> 智能层 RED -.约束.-> 基础设施层 ``` ## 推荐方案 **探索型/原型任务（页面结构未知、一次性）**：选 Browser Use。一行脚本起跑，89.1% 的成功率在原型阶段够用，反爬要求不高时直接自托管，省掉基础设施费。 **生产级网页应用（要可靠性、要审计）**：选 Stagehand + Browserbase。确定性主干 + AI 补丁 + 托管隐身环境，是唯一把"上线后稳定"当成一等问题来解的组合，适合 To B。 **没见过的复杂站点（政府/保险/遗留表单）**：选 Skyvern。视觉路线对 DOM 混淆免疫，2FA/TOTP 内置让真实登录流程跑得通，按 $29/149 月订阅即可验证商业模式。 **已有测试团队、想最小侵入加 AI**：选 Playwright MCP。免费、内置 Copilot、75%+ 选择器自愈，是最低摩擦入口。 **成本敏感的批量离线爬取**：别上 agent，直接 Firecrawl 拿结构化数据，再按需把少量"看不懂的页"丢给 Browser Use。 **一句话决策**：先看目标站点反爬等级，再看任务是否结构化——反爬硬就走 Browserbase/Steel 托管，结构化就走 Stagehand/MCP，非结构化探索才上 Browser Use/Skyvern。把基础设施层当一等公民，是这套技术栈落地最被低估的认知。 ## 参考来源 1. [Browser Agent Frameworks Compared: Browser Use vs Stagehand vs Skyvern — ByteTunnels](https://bytetunnels.com/posts/browser-agent-frameworks-compared-browser-use-vs-stagehand-vs-skyvern/) — 三派架构哲学拆解、WebVoyager 89.1% 数据、三框架关键代码与优缺点 2. [AI Browser Automation in 2026: Top 6 Tools Compared — Awesome Agents](https://awesomeagents.ai/tools/best-ai-browser-automation-tools-2026/) — 六工具基准与定价表、Playwright MCP/Healer 数据、Browserbase/Steel 基础设施层与厂商基准水分提示 3. [Best AI Browser Agents in 2026 Ranked & Tested — Toolradar](https://toolradar.com/guides/best-ai-browser-agents) — ChatGPT Agent、Browser Use、Skyvern、Browserbase、MultiOn 横向排名与实测 4. [AI Browser Automation Tools for the LLM Agent Era (2026) — GitHub Gist](https://gist.github.com/kevinmichaelchen/9d77b8a681238cc45297dff969686175) — Stagehand/Browserbase 等工具的工程实践梳理 5. [Browser Use vs Skyvern: A Detailed Comparison — OpenAlternative](https://openalternative.co/compare/browser-use/vs/skyvern) — 两者技术栈、社区活跃度与适用场景对比 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。