浏览器智能体实战 · 第 0 章 导览

浏览器智能体实战 · 第 0 章 导览

章节摘要：本章是全书入口，回答两个问题：网页自动化为什么需要智能体，以及这门手艺该怎么入门。0.1 节从确定性脚本的两处天花板讲起——结构脆断与语义缺失，引出浏览器智能体的目标驱动与概率路径，并给出贯穿全书的四流派地图：DOM 动作原语、结构化快照、视觉定位、验证重试，同一个「点按钮」问题在四种页面表示下有四种解法。0.2 节把环境搭起来：Python 与 TypeScript 双栈准备、Playwright 浏览器安装、本地测试页靶场，最后用 browser-use 跑通「打开本地测试页并提取标题」的最小任务。GUI 自动化的动作空间与视觉定位原理归《深入理解 AI Agent》第 9 章，本书专注工程纵深。

学习目标

• 说清确定性网页脚本的两处天花板：结构脆断与语义缺失。
• 解释浏览器智能体的「目标驱动」与「概率路径」各意味着什么、各付出什么代价。
• 画出四流派地图，并能为同一个操作任务写出四种流派的解法。
• 完成 Python 与 TypeScript 双栈环境准备，安装 Playwright 浏览器。
• 用 browser-use 跑通第一个最小任务：打开本地页面并提取标题。
• 划清本书与《深入理解 AI Agent》第 9 章的分工边界。

核心概念速览

从确定性脚本到浏览器智能体

  确定性脚本                       浏览器智能体
  ┌────────────────┐             ┌────────────────┐
  │ 人写路径         │  页面多变    │ 人写目标         │
  │ 选择器 + 步骤     │ ─────────▶ │ 模型现场决策      │
  │ 路径断即失败      │  适应不了    │ 概率路径         │
  └────────────────┘             └────────────────┘
        「现场决策」按页面表示分成三个流派，验证重试贯穿三者：
        DOM 动作原语 │ 结构化快照 │ 视觉定位 │（结果侧）验证重试
​

一句话金句：网页自动化的难点从来不是点击，而是「找到该点什么」——四种页面表示，四个流派。

子章节导航

• 第 0.1 节《从 RPA 到浏览器智能体》：确定性脚本的天花板、目标驱动与概率路径、四流派地图、生态全景与选型三问。
• 第 0.2 节《环境准备与第一个任务》：双栈环境清单、本地测试页靶场、browser-use 最小任务、常见故障排查。

先读 0.1 建立选型坐标系，再读 0.2 把环境跑通——两节读完，你手里有全书的地图与靶场。

子章节之间的逻辑关系

┌─────────────────┐   为什么需要智能体   ┌─────────────────┐
│ 0.1 选型地图      │ ─────────────────▶ │ 0.2 环境与靶场    │
│ 四流派+生态全景    │                    │ 双栈+本地测试页    │
└────────┬────────┘                    └────────┬────────┘
         │ 产物：流派坐标系                      │ 产物：可运行环境
         └────────────────┴─────────┬───────────┘
                                   ▼
              第 1 章 动作原语（坐标系落到 act / extract / observe 三个动词）
​

前置知识与后续延伸

• 前置：会用浏览器开发者工具查看页面元素（可选）；读《深入理解 AI Agent》第 9 章《多模态与实时交互》的 Computer Use 一节更佳，但不影响本章阅读。
• 延伸阅读：《深入理解 AI Agent》第 9 章——动作空间设计与视觉定位（Grounding）的原理，本书第 5.1 节会回指；《Strix 精读》第 4 章《工具、沙箱与集成》——浏览器作为工具时的安全语境。
• 后续：第 1 章《动作原语》——把四流派的共同语法（act、extract、observe）抽出来讲透。

合规声明：本节内容仅用于你有权访问的站点与授权自动化场景；请遵守目标站点的服务条款，自动化访问的速率与方式应可被站点方接受。