Browserbase 复盘浏览器 Agent 三代路线：从像素点击转向 Code Mode

从像素点击到 Code Mode：Browserbase 对 Computer Use 三年演进路线的完整复盘 [@browserbase](https://x.com/browserbase) 团队 [@kylejeong](https://x.com/kylejeong)[@miguel\_gonzf](https://x.com/miguel_gonzf) 联合 [@LangChain](https://x.com/LangChain) 团队 [@sydneyrunkle](https://x.com/sydneyrunkle)[@huntlovell](https://x.com/huntlovell) 一起复盘了浏览器 Agent 的三代技术路线，宣布放弃「给模型预设工具」的思路，全面转向「让模型直接写代码控制浏览器」，并给出行业判断：做好 Agent 是 Harness 问题，不是模型研究问题；最好的 Agent 本质上都是换了外衣的 Coding Agent。 # 三代技术路线的演进逻辑 1. 纯视觉 CUA（以 OpenAI Operator 为代表） 方案：视觉模型识别屏幕像素，返回坐标点击 问题：只在特定视口尺寸下训练，窗口一变「Agent 基本失明」；截图看不到不可见组件 2. 视觉 + 文本混合 方案：截图 + DOM/无障碍树快照 问题：基准测试有提升，但长任务迅速撑爆上下文窗口，精度达不到企业生产标准 3. 代码模式 方案：模型直接写代码表达操作意图 问题：团队认为无根本缺陷，成为终局方案 用 Sutton 的「bitter lesson」解释这一演进：每一代新模型出来，他们都发现之前精心设计的护栏式抽象反而成了瓶颈，于是不断做减法、缩小工具表面积。 # 最值得注意的三个工程洞见 1. 承认早期设计是错的。 旧版 Stagehand 提供 Act / Extract / Observe 三个严格工具，出发点是「模型不可信，需要护栏」。团队直言 "we were so wrong"，代码是模型最有效的意图表达方式，模型甚至会写出设计者没想到的组合策略。专用工具输给通用接口。 2. 「Stagehand 不在模型权重里」。 接入 MCP 后 Agent 反而稳定失败，原因很朴素：所有前沿模型都在 Playwright 语法上做过后训练，没人见过 Stagehand。他们试过写教学 skill、强化 system prompt、加护栏，全部失败；后训练专用模型又违背用户「自带模型」的诉求。最终方案是彻底顺从模型：让模型写 Playwright 代码，在发送到浏览器前实时转译为更快的 Stagehand 方法。原则一句话："让模型做它擅长的事，然后让开"。这是对「模型能力分布决定接口设计」的教科书式示范。 3. Demo 与生产的分界是安全边界。 域名白名单、网络层防护、沙箱化 runtime 加策略治理。比喻很直白：没有极好的刹车和防滚架，你不会把赛车开上公共道路。技术上 Stagehand v4 做成 Chrome 扩展，runtime 直接跑在浏览器内，run 工具天然不需要额外沙箱；性能宣称比 Playwright 快 2 倍、省 80% token。MCP server 只保留三个工具：run（执行代码）、snapshot（剪枝后的 DOM + 无障碍树）、screenshot（补充视觉上下文，覆盖 canvas、OS 层内容）。 # 生态卡位与行业判断 与 LangChain Deep Agents（模型无关的通用 Harness，提供上下文自动卸载、子 Agent 委派、规划等编码 Agent 原语）合作：Browserbase 做浏览器 SDK，LangChain 做通用 harness。这本质是一次开源生态的双向借力，文中也提到 Cloudflare 的 [@threepointone](https://x.com/threepointone) 与 [@KentonVarda](https://x.com/KentonVarda) 是代码模式思路的早期实践者。   Kyle Jeong@kylejeong [x.com/i/article/2097…](https://x.com/i/article/2097757367811375104) [🔗 View Quoted Tweet](https://x.com/kylejeong/status/2097793443452100903)