浏览器智能体是什么？网页任务怎样由观察与动作完成
解释浏览器智能体如何根据页面状态完成任务，说明 DOM、截图与结构化工具方式，区分固定浏览器脚本、Computer Use 和 WebMCP。
先理解这个概念
浏览器智能体是主要在网页环境中围绕目标选择操作的AI系统。例如查找公开资料时，它可能搜索、打开候选页面并根据结果继续。它需要模型和浏览器工具共同运行，不是浏览器本身变成了一个模型，也不是任何自动点击脚本都属于智能体。能做哪些动作取决于工具和实际网页会话。
同一网页目标可以通过不同方式观察
工具可以向模型提供页面文字与控件结构，也可以提供截图；有些网站还可暴露明确的可调用动作。页面结构适合定位可访问控件，截图帮助判断视觉状态，二者并非互相排斥。具体产品是否使用某一种方式，需要看实际实现。
页面加载后状态还会变化，登录、弹窗或分页可能改变可用动作。智能体应根据当前观察继续工作，而不是把最初看到的按钮永远当作同一目标。网页正文中的指令属于外部资料，不能自动升级为任务指令。
模型做任务选择而工具驱动浏览器
Browser Use提供让Agent驱动云端浏览器的产品示例，而Playwright提供浏览器自动化工具。前者中的模型负责任务推进，后者的工具机制可以执行脚本；不能把每个Playwright测试都称为AI智能体。浏览器运行位置也不一定是用户当前使用的电脑。
一次任务需要明确使用的会话和来源，尤其登录凭证与保存文件的位置。连接到浏览器只说明有一部分操作通道，不证明所有网站都可访问。浏览器标签数量、工具调用次数也不能直接衡量任务质量。
固定脚本与智能体各有合适的工作
固定回归测试有明确步骤和预期，采用稳定脚本可能更便于复现。开放式资料查找中，下一页取决于前面结果，模型动态选择的作用更明显。是否加入智能体，应依据任务不确定性，而不是为了减少几行代码把所有测试改成自由决策。
网站变化仍会影响智能体，不能承诺它总能像人一样绕过障碍。网页访问限制和账号权限继续有效，出现认证或跨域问题时，应查对应原因，不能把失败都解释为模型看不懂页面。
WebMCP 与 Computer Use 提供不同交互方式
Computer Use可通过截图和界面动作操作浏览器，也可覆盖桌面；浏览器智能体的范围则聚焦网页。WebMCP允许网站向支持它的智能体提供结构化工具，减少部分逐个控件操作，但并非每个网站或浏览器都已具备。
无论采用哪种方式，提交表单与读取页面是不同影响的动作，需要符合任务授权。公开资料检索完成后应核对来源，文件下载则检查实际保存内容。界面返回一段流畅总结不能证明链接正确，更不能证明外部动作已经成功。
核对来源
以下资料用于核对概念和方法。文中的示例与测试范围分别注明，实际使用时请核对所用工具的版本。