昨天发了个帖子（我做了一个，可能是全世界第一个真正能用不是玩具的浏览器 agent）简单介绍了最近做的项目，收获了大家的 star 和点赞。今天再介绍一下背景，实现方案，以及未来规划。
github 地址：https://github.com/browserwing/browserwing
如果你喜欢或觉得有帮忙 star 一个呀
最近我在学习 AI 编程，尝试做出好用产品。现在使用 AI 在开发可以很大提升开发效率，产品是可以很快开发出来，但瓶颈就卡在了怎么宣传运营推广上，我想把这快也做自动化，比如让 AI 自动写 seo 文章发表，自动收集评论回复等等。然后我发现当前那些夸的很强大的所谓通用 agent 或 AI 浏览器或浏览器 agent 几乎没一个能用的。其次的方案，要么自己写自动化，但是也很麻烦，我要去针对网站写各种类似爬虫代码，还有打通 AI 大模型。于是我选择了自己开发，主要是快 2026 年，竟然还没有一个真正好用能用的浏览器 agent ，这激发了我的创作动力。我的诉求很简单，这个框架要能：
我的定位不是高大上酷炫却没啥用的通用 agent ，而是真正能让人人用得起且能高效处理问题的垂直专用框架。
说到实现，先回顾下现在传统的绝大多数 agent 的方案，比如 browseruse 等等。 浏览器 Agent 的难点就在于怎么把自然语言转化为能执行的具体浏览操作（点击，输入，滚动等等）。这些传统 agent 框架给出的方案就是：
这个方案有什么问题呢？
上面这两点已经非常致命，直接导致这个方案其实看着很好很通用，实际上用不了，因为他过于依赖大模型和算力。 对于我这种场景更加是不能胜任。
而 browserwing 采用的方案呢。是我们不再寻求通用方案，而是退而求其次先录制浏览器行为交给大模型调度，相当于大模型不再需要去通过复杂的上下文判断我该点击什么元素或在哪里输入元素，而是我直接告诉他执行 A 脚本就是点击这里并输入。大模型不关心背后这个任务是做了什么，他只需要在上层进行调度。 调度的动作没有特别复杂的上下文，但是输入输出会带上上下文，这个是一个优化点，也是类似 claude skills 在解决的问题，browserwing 也会跟进。
你可以理解为这样的一个执行流程：
直到这里，具体任务的完成都是没有问题的，但核心是什么呢，就是怎么去录制行为。browswerwing 采用了可视化+AI 辅助录制的方式，你可以打开网页后点开始录制，然后正常执行你的操作，然后结束即可。遇到复杂的表单或者想要转结构化的内容，可以使用 AI 自动识别生成可复用代码，完全不需要你写一行代码。
但是你仍然觉得录制是可以需要人工的操作，很麻烦呀。其实，随着这个平台用的人越来越多，脚本越来越多，很多共用脚本你是完全不需要你写的，因为本身就可以复用。比如上面提到的 v 站发帖回复的脚本。你只要订阅导入即可。除非你的特定的平台特定的场景，那么需要你去进行录制。
商业化这块，目前 browserwing 是完全开源免费的，但是为了生存发展，如果能帮到大家，后续也会考虑做在线服务和提供更高阶的收费功能。
目前，还是非常初期的能用的状态，但是还有很多需要进行迭代，比如怎么去处理更复杂的交互，怎么可以把录制也从半自动变成全自动的行为等等。
以及，针对不同平台做成 skill 类似的能力，比如：支持在 drawio 创建操作流程图的 skill ，在作图网站帮你作图的 skill ，执行在线文档的 excel 操作等等。这个概念就是形成一个网站的操作专家，你的任务是关于特定这个网站的，那么他可以再形成规划，在网站下去执行复杂操作。
我是 Glenn ，一个有编程基础的 vibe 工程师。希望做出大家喜欢好用的产品。
我还有另外一个产品：Modern Mermaid ，一个很好看好用的 mermaid 流程图设计网站，喜欢的也可以点点赞收藏起来。
github: https://github.com/gotoailab/modern_mermaid
网站：https://modern-mermaid.live
更多信息，请关注我的社交媒体：
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。