项目地址：GitHub - Einsia/Browser-BC · GitHub
论文：BrowserBC Paper

---

项目概述：一个让 Agent 学会用浏览器的方案

BrowserBC 是 Einsia AI 旗下 Navers Lab 最近开源的一个项目，解决的核心问题很简单：怎么让 AI Agent 更高效地使用浏览器完成任务。

现在的 AI Agent 越来越强，但让它操作浏览器还是个麻烦事。每次让 Agent 去一个没去过的网站，它都得从零开始探索——点这里试试、点那里试试，效率很低，还经常出错。

BrowserBC 的思路很巧妙：把人类操作浏览器的过程录下来，用 LLM 转写成自然语言的"技能卡"，然后 Agent 照着技能卡执行。

一句话总结：人类点一遍，Agent 就能跑通。

这个方案在 WebArena-Hard 等基准测试上效果明显，任务成功率从 60% 提升到了 81%，而且支持跨模型迁移——大模型录制的技能，小模型也能用。

---

现有 Web Agent 方案的核心痛点

要让 Agent 操作浏览器，现在主流有几种方案，但都有明显的问题：

方案一：API 对接

• 原理：调用网站开放的 API 接口
• 问题：大量网站根本没有 API，也不会专门给 Agent 开放接口

方案二：视觉识别

• 原理：让多模态模型看截图，识别页面元素
• 问题：坐标很脆弱，页面布局稍微变一下就失效

方案三：DOM 选择器

• 原理：用 CSS/XPath 定位页面元素
• 问题：网站一更新，DOM 结构变了，选择器就挂了，维护成本高

方案四：脚本回放

• 原理：录制操作序列，然后回放
• 问题：绑定特定的页面状态，换个网站或换个页面就跑不通

这些方案有个共同的痛点：技能和执行耦合在一起。录下来的操作依赖具体的页面状态、具体的 DOM 结构、具体的坐标位置，换个环境就不行了。

BrowserBC 的解法

BrowserBC 的核心思路是把技能和执行解耦：

• 技能用自然语言描述（"在搜索框输入城市名"），而不是代码（"点击 #search-box > input"）
• Agent 执行时根据当前页面灵活调整，而不是死板地按脚本走

这样做的好处：

• 不绑定具体页面结构：页面改了，只要语义没变，技能还能用
• 跨模型兼容：大模型录的技能，小模型也能执行
• 人类可审核：自然语言，非技术人员也能看懂和修改

---

BrowserBC 的设计思路：录制-转写-执行三步范式

BrowserBC 的设计分三步走：录制 → 转写 → 执行。

第一步：录制

人类在浏览器里正常操作，系统把过程记录下来。但不是把所有东西都录下来，关键是只保留语义信息，丢掉脆弱的细节。

不保留的东西：

• 精确的像素坐标（x=342, y=518）
• CSS 选择器（#search-box > div > input）
• XPath（/html/body/div[2]/form/input）
• 临时 DOM ID、登录态 Cookie、密码、Token

保留的东西：

• 元素的语义描述（"搜索输入框"、"提交按钮"）
• 操作的意图（"输入目的地城市"、"点击搜索"）
• 页面的状态变化（"搜索结果已加载"）

这个思路很聪明——丢掉的是容易变的东西，留下的是稳定的语义。

第二步：转写（核心创新）

这一步是 BrowserBC 最有意思的地方：用 LLM 把录制的操作轨迹，转写成自然语言描述的技能卡。

举个例子，人类在预订网站搜索民宿的操作，转写后的技能卡大概长这样：

技能名称：搜索住宿

步骤1：定位搜索输入框，输入目的地城市名称
  - 验证：输入框显示正确的城市名
  - 异常处理：如果搜索框不可见，检查是否需要先关闭弹窗

步骤2：选择入住日期和退房日期
  - 验证：日期已显示在表单中
  - 异常处理：如果日期不可选（已满），尝试前后一天

步骤3：选择入住人数
  - 验证：人数已正确显示
  - 异常处理：如果人数选择器为下拉框，点击展开后选择

步骤4：点击搜索按钮
  - 验证：页面跳转到搜索结果页，显示多个结果
  - 异常处理：如果无结果，尝试调整日期或人数

步骤5：按评分排序，选择评分最高的选项
  - 验证：已进入详情页
  - 异常处理：如果最高评分不可订，选次高评分

成功标准：
- 搜索结果页面已加载
- 至少显示3个可选住宿
- 最终选择了评分>=4.5的选项

适用场景：
- 任何支持搜索的预订网站
- 目的地、日期、人数可变

注意看——这不是代码，是自然语言。这意味着：

• 不绑定任何编程语言或框架
• 不依赖任何具体的 DOM 结构
• 任何 LLM 都能读懂
• 人都能审核和修改

第三步：执行

Agent 拿到技能卡后，在真实页面上执行任务。

关键点：技能卡是参考指南，不是死板脚本。Agent 会根据当前页面的实际情况灵活调整。

比如技能卡说"点击搜索按钮"，但页面上搜索按钮的位置变了，Agent 能通过语义理解找到它，而不是靠固定的坐标或选择器。如果某个步骤失败了（比如日期不可选），Agent 会按技能卡里的异常处理建议尝试替代方案。

技能图：让技能库可控扩张

BrowserBC 不只是单条技能卡，而是把技能组织成图结构（Skill Graph）。

技能分三层：

• 基础技能层：click_button、fill_form、submit_form 等原子操作
• 组合技能层：search_accommodation、book_flight 等由多个基础技能组合而成
• 高级技能层：cross_site_comparison、multi_step_approval 等复杂流程

当新技能加入时，系统会自动计算语义向量，找到相似技能建立关联，识别组合关系。这样技能库可以持续扩张而不会变成一团乱麻。

---

基准测试验证：成功率提升 20%+

两个基准测试的数据：

WebArena-Hard：

• 基线成功率：60.5%（156/258）
• 注入技能后：81.4%（210/258）
• 提升 +20.9%

ClawBench（更严格，用的是真实线上网站，页面会变化）：

• 基线成功率：32.9%（50/152）
• 注入技能后：68.4%（104/152）
• 提升 +35.5%

几个关键发现：

1. 技能让成功率几乎翻倍——ClawBench 上提升尤其明显
2. 有技能时 Agent 更快完成任务——步数更少，不瞎摸索
3. 技能支持跨模型迁移——大模型录制的技能，小模型也能用
4. 技能不依赖记忆——ClawBench 的页面会变化，排除了"靠背答案"的可能

---

与主流 Web 自动化方案的对比

维度	BrowserBC	Browser Use	Playwright	Selenium
定位	技能蒸馏框架	浏览器自动化库	自动化测试工具	自动化测试工具
操作定义	自然语言技能卡	代码/函数调用	代码脚本	代码脚本
页面变化适应	语义级适应	选择器级	选择器级	选择器级
跨模型迁移	支持	不支持	N/A	N/A
技能复用	技能图管理	无	无	无
上手门槛	低（自然语言）	中（Python）	中	高

BrowserBC 的核心区别在于：它不是在"怎么写自动化脚本"这个层面做文章，而是在"怎么让 Agent 学会操作"这个层面解决问题。

---

对 Agent 开发者的启发与思考

作为一个正在学 Agent 开发的 Java 后端，BrowserBC 给了我几个比较深的启发：

1. Web Agent 的新思路

以前做 Web 自动化，思路是"怎么写脚本"。BrowserBC 提供了另一种思路："怎么让 Agent 学会操作"。

如果你的项目里有用到浏览器自动化（爬虫、RPA、自动测试），这种"录制→转写→执行"的范式值得关注。特别是需要跨多个网站工作的场景，技能卡的复用价值很大。

2. 自然语言作为中间层的价值

BrowserBC 用自然语言做技能的载体，看似"不精确"，实际解决了几个问题：

• 跨模型兼容：任何 LLM 都能读懂，不被某个模型绑定
• 人类可审核：非技术人员也能看懂和修改
• 泛化能力强：不绑定具体实现细节

在做 Agent 开发时，不是所有东西都需要精确到代码级别。有时候自然语言的模糊性反而是优势——它让系统更灵活、更鲁棒。

3. 技能复用是规模化的关键

单个技能解决单个问题，但技能多了怎么管理？BrowserBC 用"技能图"来组织技能，支持语义检索和组合复用。

如果你的 Agent 需要处理大量不同类型的任务，这种组织方式值得参考。不然技能库大了之后，检索和管理都会成为问题。

4. 可以关注的方向

• 结合 Spring AI 做 Java 侧的集成：BrowserBC 主要是 Python 实现，Java 生态目前还没有类似的成熟方案
• 用 pgvector 存储技能向量：做语义检索，找到最相关的技能
• 多 Agent 协作场景：浏览器 Agent 可以作为其中一个 specialized agent，和其他 Agent 协作

---

典型应用场景

• Web 自动化测试：录制测试流程，转成技能卡，后续自动执行
• 跨站数据采集：不同网站结构不同，但语义层面的操作可以复用
• 内容发布自动化：多平台发布，技能卡适配不同平台
• RPA 场景：传统 RPA 靠脚本维护成本高，BrowserBC 靠语义，维护更简单

---

总结

BrowserBC 的核心贡献是提出了"录制-转写-执行"的三步范式，把人类操作蒸馏成自然语言技能卡，让 Web Agent 不用再从零探索。

对开发者来说，这个项目最大的价值不是具体的技术实现，而是设计思路：

1. 用自然语言做中间层，解耦技能和执行
2. 用技能图组织技能，支持规模化复用
3. 利用 LLM 的语义理解，替代脆弱的选择器定位

---

参考资料：

• GitHub：GitHub - Einsia/Browser-BC · GitHub
• 官方博客：BrowserBC | Navers lab
• 论文：BrowserBC Paper