微软开源Webwright浏览器Agent终于突破点击猜测死胡同

2026年5月，微软正式开源了终端原生Web Agent框架——Webwright，这一消息迅速在Agent开发社区引发了广泛关注与讨论。

先说几个核心判断：这款框架的设计理念，可以说彻底摆脱了过去那种“单步操作”的传统模式。

过去绝大多数浏览器Agent都遵循着相同的路径：观察页面，预测下一步，点击操作，再猜测下一步。每一步都需要调用一次大模型。坦白说，在LLM能力还不够强大的时候，这套逻辑确实能够运行。但问题是，随着模型代码生成能力的持续增强，这种“小步慢跑”的设计反而成为了效率瓶颈。

Webwright的思路则完全不同，它更接近一位真实工程师实现自动化的方式：

• 让LLM直接编写可执行的Playwright脚本，将网页操作转化为可复用的Python程序。
• 所有状态——脚本、截图、日志——都保存在本地工作区中。浏览器会话只是一个可以随时启动、检查、丢弃的运行环境，它本身并不承载状态信息。
• 架构极简，令人有些意外：核心仅包含三个模块，总计约1500行代码。没有多智能体系统，没有图引擎，没有多余的插件层，依赖库也只有四个：httpx、pydantic、playwright、typer。

这种模式的优势在于，Agent完成任务后，留下的不是一次性操作痕迹，而是一份可以直接修改、复用、共享的自动化脚本。这才是真正的价值所在。

性能达到SOTA级别

Webwright在两大主流浏览器Agent基准测试中，均刷新了当前开源框架的最佳成绩。以下是用100步预算跑出的结果：

• Online-Mind2Web（包含300个真实网页任务）：使用GPT-5.4达到了86.7%的准确率，这是同类开源框架中的最高水平；使用Claude Opus 4.7也能达到84.7%，并且在难例拆分上甚至超越了GPT-5.4（80.5% vs 76.6%）。
• Odysseys（200个长程任务，平均需要76.1步）：使用GPT-5.4取得了60.1%的完成率，比之前的SOTA高出15.6个百分点，比采用坐标预测的基线GPT-5.4高出26.6个百分点。

另外，测试还发现一个有趣的现象：即便是Qwen-3.5-9B这样的小模型，配合预置工具脚本，也能在Online-Mind2Web的难例上实现66.2%的完成率。对于低成本部署场景而言，这个表现相当扎实。

Odysseys长程任务评测结果对比

Online-Mind2Web任务评测结果对比

生态集成与附加功能

Webwright已完成了主流Agent生态的适配，无需修改现有工作流即可直接接入：

• Claude Code：通过插件市场安装后，支持两个命令——/webwright:run（运行一次性任务）和/webwright:craft（生成可复用的参数化脚本）。
• OpenAI Codex：同样通过插件市场安装，使用@webwright即可调用。
• OpenClaw、Hermes Agent：共用同一套skill目录，加载即用。

此外，还有两个实用功能值得关注：

• Task2UI模式：任务完成后自动将结果渲染为可交互的HTML应用，省去了手动可视化的繁琐。
• 全程可审计：每次运行的轨迹、截图、日志均保存在本地，方便调试与回溯。

与同类项目的核心区别

社区中也有不少人问，Webwright与browser-use、agent-browser等项目究竟有何不同？官方给出的架构对比非常清晰：

行业共识：Agent需要跳出单步操作的局限

Webwright的设计理念在社区中获得了广泛认可，许多从业者认为，这代表了浏览器Agent的正确发展方向。

有开发者指出，绝大多数自动化的瓶颈根本不在动作层，而在于决策循环。Playwright的点击速度已经足够快，真正的问题是“应该点击哪里”。如果新工具能够压缩这个决策差距，那就是一个完全不同的品类；如果只是重新包装一层CDP调用，充其量只是横向移动。

FSB（Full Self Browsing）的作者Lakshman Turlapati说得更为直白：Webwright指明了正确的方向。Agent不应只猜测下一步该点击哪里，还需要将真实浏览器会话、DOM、截图、日志以及恢复机制整合到同一个控制层中。FSB做的就是Chrome端的MCP层，让Codex、Claude、Cursor这类Agent能够直接控制用户的真实Chrome，同时保留原有的cookie、扩展、登录状态，还能做到敏感信息不泄露、多Agent tab隔离。这套方案特别适合处理收件箱分类、客服回复、数据拉取等需要登录态的重复性工作。

还有开发者表示，Webwright本质上就是面向浏览场景的编码Agent。他自己之前手动使用“Copilot CLI Playwright MCP”搭建过类似的工作流，现在终于迎来了更官方的方案，已经为OpenClaw和Hermes Agent装上，用于收集AI编码的模式数据，进一步提升Agent的编程能力。

快速上手

基础运行

环境要求：Python 3.10+，Playwright安装的Chromium，以及对应后端的API密钥（OpenAI/Anthropic/OpenRouter）。

# 安装
pip install -e .
playwright install chromium

# 运行示例任务
python -m webwright.run.cli -c base.yaml -c model_openai.yaml -t "Search for flights from SEA to JFK on 2026-08-15 to 2026-08-20" --start-url https://www.google.com/flights --task-id demo_openai -o outputs/default

作为Claude Code插件安装

# 添加插件市场
/plugin marketplace add microsoft/Webwright
# 安装插件
/plugin install webwright@webwright

相关链接

• Webwright GitHub仓库：https://github.com/microsoft/webwright
• Webwright官方博客：https://www.microsoft.com/en-us/research/articles/webwright-a-terminal-is-all-you-need-for-web-agents/
• FSB官方网站：https://full-selfbrowsing.com/agents
• FSB GitHub仓库：https://github.com/lakshmanturlapati/FSB