把同一个自主智能体（Autonomous Agent）放进同一个环境，模型、提示词、预算全部不变，只换它"伸手的通道"——从像素截图、无障碍树、DOM、应用 API 到命令行——成功率可以拉开 5 倍以上，单步 token 成本能差上百倍。2026 年的核心结论是：决定自主体成败的第一变量不是模型，而是"动作通道的海拔"。OSWorld-MCP（ICLR 2026，arXiv 2510.24563）用跨 7 个应用、158 个工具的公平评测证明：给智能体一条工具通道，普遍碾压纯 GUI 点击。Chrome 也在 2026 年 2 月通过 WebMCP（navigator.modelContext）把网页的"工具通道"做成了浏览器原生 API，号称对截图智能体节省 89% token。本文把五条通道逐一拆开，实测它们在通用性、可靠性、成本三维上的真实断崖。
| 通道（海拔） | 感知成本/步 | 可靠性天花板 | 通用性 | 需要环境配合 | 典型代表 |
|---|---|---|---|---|---|
| 像素截图（最低） | ~50,000 tok/页 | 低，grounding 0% 崩塌 | 极高（任何界面） | 否 | Claude Computer Use、Operator |
| 无障碍树（中低） | ~4,000 tok/页 | 中高，稳定可点 | 中（需 a11y 语义） | 部分 | Playwright MCP、Stagehand |
| DOM/HTML（中） | 5k–80k（抖动） | 中，富信息易爆 | 中 | 否 | Browser Use 混合模式 |
| 应用 API（高） | 数十–数百 tok | 高，结构化确定 | 低（站点须暴露） | 是 | WebMCP、站点工具集 |
| 命令行/Shell（最高） | 极低 | 极高，可复现 | 低（需 CLI） | 是 | Devin、Claude Code、Codex CLI |
一个直觉反差点：表中"感知成本"并非单调——复杂页面的 DOM/无障碍树可达 80k+ token，反而比一张截图贵，这是后文要拆的"截图反超"悖论。
像素通道是海拔最低的通道：智能体收到的就是一张截图，动作是 (x, y) 坐标点击与键盘事件。它最大的卖点是零环境改造——任何能渲染的界面都能操作，这正是 Claude Computer Use、OpenAI Operator 的底层假设。
但脆性全部集中在"grounding（接地）"上。实测中存在大量"看得见、点不中"的案例：模型识别出了按钮，却返回一个偏移几像素甚至完全错位的坐标框。有研究记录到部分模型对某类小元素出现 0% 点击精度——不是拒绝回答，而是自信地给出错误框。OSWorld 上桌面智能体在"人类能完成"的任务上仅成功约 12%，WebArena 上智能体约 14% 对人类的 78%，差距几乎全砸在这一层。
成本侧同样惊人：一屏截图常驻 ~50,000 token，多步操作下上下文迅速膨胀。"一个像素毁掉整条流程"不是夸张——一个错点击进入错误的标签页，后续每一步都在错误状态上推理，错误复利放大。
# 像素通道：动作是裸坐标，无语义锚点
agent.act("click", x=842, y=317) # 点偏 3px → 点到相邻输入框
agent.act("type", text="export.csv")
# 风险：坐标随窗口尺寸/DPI/布局漂移，无法复现
变现/训练营评估：像素通道最适合做"演示型"内容（视觉冲击强），但极不适合做"交付型"产品。训练营若以像素为主轴，学员会陷入无穷的"为什么它又点错了"调试黑洞，复购率低。建议只作为"通用地板"教学，10% 课时足矣。
无障碍树（Accessibility Tree，a11y）是 2026 年浏览器智能体的事实主通道。它把页面表达成带角色（role）、名称（name）、唯一引用（如 [ref=e23]）的语义树。关键数字：a11y 约 4,000 token/页，截图约 50,000 token/页，差 12–17 倍。
它的可靠性优势来自"语义锚点"——动作不再是裸坐标，而是"点击 ref=e23"，元素被重新布局也能命中。这正是 Playwright MCP、Stagehand v3、Browser Use 混合模式的共同选择。在生产环境里，"a11y 为主 + 截图为辅"成为主流配方：需要看图表/画布时回退到截图，其余走 a11y。
但它有两个隐藏陷阱。第一是格式税：同一棵 a11y 树，不同序列化格式（是否带坐标、是否折叠不可见节点）token 能差数倍，Playwright MCP 单次曾被记录烧掉 11k+ token。第二是依赖语义质量：原生 HTML 表单的 a11y 干净，而重度 Canvas/WebGL 应用几乎没有 a11y，智能体会瞬间"瞎掉"。
# a11y 通道：动作带语义引用，布局变化仍可命中
agent.click("[ref=e23]") # 语义锚点，稳健
agent.fill("[ref=e31]", "export.csv")
# 成本：~4k tok/页；前提：页面 a11y 语义完整
变现/训练营评估：这是最适合做付费产品的通道层——稳定、便宜、可教学化。一个"a11y 调优 + 回退策略"的实战训练营，能直接产出可交付的 RPA 替代品，是企业客户最愿意买单的方向。
DOM 通道把页面 HTML 直接喂给智能体。它比 a11y 更"富"——能看到 class、内联样式、隐藏字段、data-* 属性，这些对 SPA（单页应用）调试极有价值。合理裁剪后，DOM 相对截图可省约 100 倍 token。
但 DOM 的致命问题是方差极大。一个干净博客页的 DOM 可能 3k token，而一个企业级后台（嵌套表格 + 动态列表 + 影子 DOM）能飙到 80k+，比一张截图还贵。这就是著名的"截图反超悖论"：在复杂页面上，pagebolt 等实测发现截图 MCP 的 token 成本可比 Playwright MCP 低 170 倍——因为 a11y/DOM 序列化在巨页上爆炸，而截图是恒定的。
DOM 通道的另一坑是噪声比信号多：模型要在海量 class 名里找出真正可交互的元素，注意力被无关样式耗散，反而降低动作准确率。Browser Use 因此采用"DOM 删枝 + 关键节点截图"的混合策略，本质是在"信息量"与"信噪比"间做权衡。
# DOM 通道：富信息但方差大，巨页上反比截图贵
html = page.content() # 简单页 ~3k tok，企业后台 ~80k+
agent.click("button.export") # 靠 CSS 选择器，脆弱于重构
变现/训练营评估：DOM 适合"调试/逆向"类窄场景产品（如爬虫、前端自动化测试），但作为通用自主体主通道风险高。训练营可设为"中阶选修"，重点教"DOM 删枝与混合回退"，避免学员把它当万能锤。
API 通道是海拔最高、最可靠的一层：智能体直接调用结构化工具（函数签名、参数、返回 JSON），绕过一切渲染。它的成本极低（一次调用几十到几百 token），结果确定、可验证、可复现。
2026 年这层的最大事件是 WebMCP。2026 年 2 月 10 日，Google 与 Microsoft 联合推出 WebMCP（W3C 草案），Chrome 146 落地 navigator.modelContext API：网页可以主动向智能体暴露结构化工具，无需后台抓取。官方宣称对截图型智能体节省约 89% token。这意味着"通道选择权"从智能体侧转移到了站点侧——站点主动声明"我接受 exportCsv、createTicket 这样的工具调用"，智能体直接在高海拔通道作业。
OSWorld-MCP 把这件事说清楚了：在 158 个工具、7 个桌面应用的公平基准上，带 MCP 工具的智能体普遍优于纯 GUI 智能体。原因不神秘——工具通道把"看见→理解→定位→操作"四步压缩成一次确定调用，消除了 grounding 这层脆性。
代价是通用性最低：API 通道要求环境配合（站点暴露工具、桌面应用提供 MCP server）。在没有工具的环境中，智能体只能降海拔回退。
// API/WebMCP 通道：站点主动暴露工具，智能体直接调用
navigator.modelContext.provideTools([{
name: "exportCsv", params: { range: "string" },
run: ({range}) => fetchExport(range) // 结构化、确定、可复现
}]);
// 智能体侧：直接 tool_call("exportCsv", {range:"Q1"})，零 grounding
变现/训练营评估：API/WebMCP 是 2026 年最值得押注的方向——它把"智能体能不能用"从玄学变成工程。一个"为自家产品接入 WebMCP/MCP 工具"的 to-B 训练营，单价和续费率都远高于通用智能体课，因为产出可量化、可验收。
命令行（CLI/Shell）通道本质是 API 通道在开发者场景的特化。它把整个文件系统、版本控制、构建工具、测试套件都变成可调用的"工具"。这正是 Devin、Claude Code、Codex CLI 的主战场。
可靠性的来源是可复现：一个 git diff + pytest 的循环，结果是确定文本，没有 grounding 噪声。Cognition 公开称 Devin 在 SWE-bench 上达到约 78%；而纯 GUI 路线在编码任务上几乎无人采用——因为代码天生适合文本通道。一个有趣实测：同一编码任务，用 Playwright CLI 比用 Playwright MCP 省约 16% 上下文——因为 CLI 的文本输出比结构化 MCP 响应更紧凑。
命令行通道的局限是它只在"代码世界"里是最高海拔。一旦任务需要操作图形软件（Figma、Excel 桌面版）、跨应用拖拽，CLI 就无能为力，必须降海拔。
# CLI 通道：文本进、文本出，可复现，编码任务的主通道
$ grep -rn "TODO" src/ && npm test -- --coverage
# 智能体读 stdout 决策，零 grounding，结果确定
变现/训练营评估：CLI/编码智能体是当前商业化最成熟的赛道（Devin、Cursor、Claude Code 已验证）。训练营主推这一层 ROI 最高，但要警惕"过拟合 SWE-bench"的陷阱——真实 PR 的成功率显著低于榜单分数。
把五通道并排看，单通道方案都有死穴：像素通用但脆，API 可靠但要环境配合。2026 年成熟自主体的共同形态是"海拔路由器"——一个调度层根据当前状态动态选通道：
OSWorld 的"四象限"结论印证了这点：GUI、Web、CLI、混合四类任务的天花板完全不同，OSWorld 总分 79.6% 是把它们平均出来的障眼法——拆开后 CLI 类接近满分区，纯 GUI 桌面类仍在低位挣扎。因此"用一个分数选框架"是错的，按你的任务地形选通道组合才是工程正解。
flowchart TD
A[任务输入] --> R{通道路由器}
R -->|环境暴露工具/API| CH4[API/WebMCP 通道<br/>~数十 tok · 确定]
R -->|有 CLI 工具链| CH5[命令行通道<br/>极低 tok · 可复现]
R -->|页面 a11y 完整| CH2[无障碍树通道<br/>~4k tok · 稳定]
R -->|DOM 干净| CH3[DOM 通道<br/>5k–80k tok · 易爆]
R -->|Canvas/原生/无语义| CH1[像素通道<br/>~50k tok · 兜底]
CH4 --> OK{成功?}
CH5 --> OK
CH2 --> OK
CH3 --> OK
CH1 --> OK
OK -->|否| R
OK -->|是| DONE[任务完成]
这张图揭示一个反直觉原则：通道不是"越低越通用越好"，而是"能高则高，被迫才低"。每一次降海拔都是在用成本和脆性换取通用性，必须由路由器显式决策，而不是默认从像素起步。
下图把五通道按"通用性—可靠性—成本"摆在同一坐标，断崖一目了然：
graph LR
subgraph 海拔从低到高
P[像素<br/>通用 极高 / 可靠 极低 / 成本 极高]:::low
A2[无障碍树<br/>通用 中 / 可靠 中高 / 成本 中低]:::mid
D[DOM<br/>通用 中 / 可靠 中 / 成本 抖动]:::mid
AP[应用 API/WebMCP<br/>通用 低 / 可靠 高 / 成本 极低]:::high
C[命令行<br/>通用 低 / 可靠 极高 / 成本 极低]:::high
end
P -.升海拔.-> A2 -.升海拔.-> D -.升海拔.-> AP
D -.升海拔.-> C
classDef low fill:#f4cccc,stroke:#b00;
classDef mid fill:#fff2cc,stroke:#b80;
classDef high fill:#d9ead3,stroke:#080;
读法：向右升海拔，可靠性上升、成本下降，但通用性下降。没有"最优通道"，只有"最匹配地形的通道"。一个生产级自主体，应当在这条光谱上同时挂多条通道，由路由器按环境动态切换——这正是 OSWorld-MCP、WebMCP、混合浏览器智能体在 2026 年共同收敛到的架构。
navigator.modelContext），智能体在高海拔运行，成本和稳定性都最优。这是 2026 年 ROI 最高的工程投入。一句话总结：2026 年，自主体的胜负在它伸手的通道里就被决定了——换道，差百倍。
navigator.modelContext，站点主动暴露工具，对截图型智能体节省约 89% token。[!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。