Bringing agents onto the world wide web — Paul Klein IV, Browserbase

講者 Paul Klein 指出，過去一年 AI 社群在 Browser Agent 和網頁自動化上的投入未能帶來期望的突破，許多開發者因此感到沮喪。他提出一個新的觀點：問題不在 AI 模型，而在配套的工程系統。

模型確實在進步。去年同期，模型還難以處理長上下文和複雜任務，但這個瓶頸已被解決。現在的 AI 模型已足夠能幹，差的是如何有效地整合它們。講者引用過去的觀察——編碼領域之所以 Agent 表現卓越，是因為開發者為 Agent 構建了完整的 Harness 生態（IDE、編譯器、測試框架、除錯工具等）。同樣的邏輯套用到網頁自動化時，問題就變得明確：我們需要為 Browser Agent 設計等量的工程架構。

可靠的 Browser Agent 依賴三個要素。首先是多模態策略——不是只用一個模型盲目交互，而是依據頁面複雜度選用不同的模型，甚至混合代碼執行和網路層自動化。實務上，許多最可靠的生產 Agent 會在某些步驟寫程式碼而非點擊，因為那樣更高效。其次是 Harness 工程，包括記憶庫、技能集和 Token 優化。不是把整個頁面丟給模型讀，而是精心篩選關鍵信息，讓 Agent 透過先前學到的技能快速做決定。Browserbase 發布的 browse.sh 就是一例——提前告訴 Agent 某網站能做什麼，Agent 就能跳過探索階段。第三是基礎設施一致性——確保 Agent 每次看到相同的頁面、相同的布局、相同的大小。若基礎設施有時展示手機版、有時展示桌機版，Agent 就會產生不穩定的結果。

網頁本身也需進化。現代 Agent 已不只讀取 DOM，而是利用無障礙樹等標記化資訊。Chrome 最近的進展是允許網站直接在頁面內發布 MCP 伺服器，讓 Agent 得以調用高階工具（如「提交表單」）而非逐一點擊。但這引發企業級的挑戰：如何安全地授予 Agent 權限？Service Account 模式有限制，每次都要新增權限。講者認為，認證和授權是解鎖企業 Agent 的下一個大關卡。WorkOS 的 AuthMD 是個有趣的嘗試——讓 Agent 自動發現並填寫網站的註冊流程。構建軟體的人現在應該考慮：我的 Agent 優先簽入流程長什麼樣？

另一個未解的難題是信任。網路長期對抗惡意爬蟲，但現在我們有善意 Agent 和惡意 Bot 混在一起。CAPTCHA 不再有效。講者提出一個願景——業界需要一個「Agent 的 VeriSign」時刻，由某個權威機構頒發信任憑證，說明這是一個可信的 Agent、來自可信的廠商。目前還沒有人做到。

Browserbase 的新產品 Browserbase Agent 就是為了降低這些難度。用戶不必自行組裝工具和模型，只需輸入 Prompt，平台會自動搭建 Harness、Runtime、Sandbox、代碼執行環境和模型，並在過程中記住 Agent 學到的東西，下次遇到類似任務時自我改進。講者相信，一年後這個領域會迎來爆發，因為模型在改進、技術在進步、工具也在成熟——剩下的就是我們去做好工程。