BrowserBC克隆人类点击，将网页操作转化为Agent能力

如果说Web Agent不具备浏览器操作能力，显然有失公允。当前Claude、Codex等Agent能够浏览页面、识别按钮、执行点击输入、完成跳转与提交等操作，表现相当全面。然而，真正的痛点在于另一个环节：每逢新任务或新网站环境，几乎都需要调用参数最多、成本最高的模型，从头开始重新探索整个操作流程。

这种“从零摸索”的模式，后果相当突出：Agent可能在数个页面间反复跳跃，陷入无效循环；或逐渐偏离原始目标，越行越远；也可能在搜索结果中来回切换却未能全面读取信息，抑或答案近在眼前却提前终止任务、草草收场。

更为棘手的是，即便某次任务侥幸成功，这些操作经验也往往随对话结束而流失。下次执行相似任务、换用其他Agent时，仍需从头试错，重蹈覆辙。

由此引出一个核心诉求：能否实现一次操作、多次复用？具体而言——能不能由人工认真完成一次任务，将这一过程中的关键“诀窍”进行打包，再交由一个更经济、规模更小的模型，让它依据这套方案完成同类任务？

Einsia AI旗下Na vers Lab发布的开源项目BrowserBC给出了明确答案：录制→转写成Skill→交付执行。

• 录制：在浏览器中执行任务时，完整记录全过程——包括任务指令、每一步的页面观察（渲染截图及结构化的DOM/可访问性树快照）、用户的全部操作（点击、输入、跳转、提交，附带对应元素定位）、页面反馈（跳转、校验报错、完成信号），以及任务最终所处的状态。
• 转写：关键在于，系统并非将操作保存成“回放脚本”，而是通过模型将其转写为一份自然语言的Skill——一份说明书式的“技能卡”，清晰定义此类任务应如何执行、如何判断正确完成。
• 执行：将这份Skill交给任意模型阅读。模型据此在真实页面上自主落地操作，而非机械复刻某次点击的坐标。

简单来说，BrowserBC类似于Agent时代的“按键精灵”。传统按键精灵录制并回放鼠标点击与键盘敲击，但依赖固定坐标和按键，页面一旦变化、布局调整，整段脚本立即失效。

BrowserBC录制的并非坐标，而是将一次操作转写为一份明确“该做什么、如何算完成”的技能：它能被其他模型理解，能在发生变化的页面上举一反三，也能被不断合并与复用——这是一种能够“理解”、实现迁移、并直接交付给他人使用的智能按键精灵。

这也揭示了BrowserBC的核心所在——技能的来源与技能的执行，可以实现彻底分离。人类在浏览器中完成一次任务，该次操作被转写成技能；之后，按技能执行同类任务的是另一个模型，即使是更小、更便宜的模型。技能一旦被转写为自然语言，就能在模型之间自由传递、复用与组合。

这正是迈向“通用网页浏览”的关键步骤：将人类每日的浏览器行为转化为Agent可执行的经验。

BrowserBC将人类的浏览器操作轨迹蒸馏为可复用的自然语言技能，为Agent访问陌生网站提供了“决策先验”。

人类一次录制，Agent即可模拟

研究团队录制了一个典型案例：

任务十分常见：旅行前希望在目的地找到安全、便利且价格合理的民宿，需要在预订网站输入日期、地点、入住人数，按评分与评论数量进行筛选并排序，最终找出最佳选项。这类任务看似简单，但小模型经常失败——要么不理解任务，要么不懂得如何使用筛选功能，要么产生幻觉输出虚构信息来假装完成任务。

第一步，录制。研究团队先让一名人类用户完整执行一次操作：进入网站→输入日期、地点及人数→应用合适的筛选器→阅读所有搜索结果→找出最佳选项。整个过程被如实记录下来。

第二步，转写成Skill。系统将这段操作转写成一张技能卡，而非一段坐标回放。卡片记录了此类任务的通用方法：

• 意图：在预订网站上找出最佳住宿选项；
• 关键步骤：先输入基本信息，搜索后逐项应用筛选器——这正是小模型最容易忽略或无法执行的关键环节；
• 完成判据：最终输出可供人工审核的版本；
• 需避免的陷阱：网站官方筛选器可能与用户实际标准不符，必要时需自行编写脚本进行筛选。

第三步，交付小模型执行。这张卡片被交给一个更小的模型，让它完成另一次旅程的信息检索任务。没有这张卡片时，小模型要么跌跌撞撞卡住、要么直接输出幻觉；有了卡片后，它立即清楚应输入哪些信息、需核查哪些界面、哪些依赖网站官方判断、哪些需自行判别——从而稳定地完成了任务。

至此，BrowserBC将“操作浏览器”这一日常行为，转化为Agent可复用的技能。人类完成一次路径探索，系统将其转写成说明书，Agent型负责按说明书完成同类任务。

而且，该路径天然具备可复用与可扩展性。人类访问网站的分布服从幂律规律：常见站点构成大部分访问量，对这些站点，使用越频繁，Skill库会逐渐收敛并趋于完备；更关键的是，针对稀疏的长尾站点，BrowserBC让人们再也不必等待那些陈旧落后的网站自行提供MCP（或官方Agent接口）。

现实情况是，大量老旧网站永远不会专门为Agent提供一套干净的机器接口。而BrowserBC直接复用人类在“面向用户的界面”上积累的操作经验——只要人能用浏览器操作该网站，Agent就能通过蒸馏出的技能同样操作它。换句话说，一个网站能否被Agent高效访问，不再取决于网站方是否愿意配合，而取决于是否有人已经在该网站上走通过路径。这正是“通用”二字的底气所在。

方法：如何将一次操作转写成可用的Skill，又怎样管理不断增长的Skill集合

BrowserBC将嘈杂的浏览轨迹清洗、蒸馏为可复用的自然语言技能，并进一步组织成可扩展的技能图，最后检索相关技能指导Agent完成新任务。

BrowserBC的方法部分，核心在于回答两个问题：如何总结一次操作，总结时应注意什么；以及，针对积累的大量Skill，如何进行有效管理。

第一个问题：如何进行转写，有哪些关键注意事项？

原始的浏览器轨迹通常非常嘈杂——包含误点击、无意义等待、重复尝试、临时页面状态，甚至可能涉及隐私信息。因此，在转写之前，BrowserBC会先进行清洗，并按照语义将轨迹切分为一系列连贯的子过程，而非按固定长度进行硬切。每一段首先被提取为一份“证据（evidence）”：保留任务指令、操作前后的页面状态、用户的关键步骤、页面反馈，以及成功或失败的信号。随后，证据被转写为结构化的自然语言Skill卡，通过固定字段明确定义“该做什么、如何判断进展、怎样算完成、失败时如何处理”，以及技能的来源与适用场景。

这里有一个最需注意的原则：只保留“可迁移的过程性知识”，剥离“会变化、会泄露的细节”。

• 需剥离的内容：精确坐标、DOM选择器、临时ID、登录状态、隐私文本，以及任何指向具体答案、针对评测验证的内容；
• 需保留的内容：在语义层面“该做什么、如何判断进展、怎样算完成”。

举个例子，一张“填写表单”的技能卡应写明“按语义标签找到对应字段、将任务给定的值正确填入、提交后确认页面出现成功状态”，而非“点击坐标 (x, y)，再点击ID为某字符串的按钮”。原因很简单：网页随时可能变化，布局、DOM、版本、登录状态都会变，克隆坐标和选择器的方式极其脆弱；而克隆“做什么 + 如何判断完成”才真正具备可迁移性。

还有两点值得一提：其一，一条成功轨迹即可蒸馏出一个可用技能（它本身刻画了一种可行解的结构）；而将同一任务的多次尝试（包括失败）合并处理，技能会更加稳定——成功的运行强化执行步骤，失败的运行则暴露缺失的前置条件，并催生显式的恢复策略。其二，转写时需进行泄露检查：技能卡只应记录可复用的过程，绝不能夹带具体答案。

第二个问题：如何管理Skill？

如果每条轨迹都生成一个独立的技能，技能库很快就会失控：出现重复、冗余甚至互斥的情况。BrowserBC的做法是将库组织为一张技能图（skill graph）。

每当产生一个候选技能，系统就会判断该将其新增（add）为一个新节点、合并（merge）进已有技能，还是登记为某个更通用技能的特化（specialize）：

• 当两个技能在意图、前置条件、步骤、效果、终止证据上彼此兼容时，则合并；
• 当它们的适用条件不同、所需信息不同、或约束相互冲突时，则保持独立。

图中的节点是技能，边是技能之间的关系——时间依赖、特化、同一子目标下的替代方案、以及同一状态下的互斥关系。这样，一个通用过程（如“填写表单”）可以连接到它的各种特化（支付、修改资料）及相应的失败恢复技能，而不必将它们压缩成一条扁平的条目。

这张图带来了三项优势，也正是BrowserBC所强调的“可扩展性”的真正含义：将重复的演示合并为可复用的节点，而非无限堆叠样本；让检索和更新只涉及相关的局部区域；支持增量精炼——每来一条新轨迹，仅更新受影响的技能及其邻居。

需要强调，这张图的价值在于“组织”：学习与复用的基本单元始终是那张自然语言技能卡，而图将这些卡片有序存放、检索和更新，这正是技能库能持续扩张而不失控的关键。

在执行端，检索也被刻意设计得极为轻量：按语义相似度（若附带额外信息，则叠加与当前页面上下文的兼容性）挑出一小批相关技能，放入Agent的上下文，剩余落地工作由Agent自行读取当前页面完成。技能既非可执行脚本，也不是需照搬的演示，它只是将Agent引导至蒸馏出的行为模式，而每个具体动作仍由Agent针对当前页面实时选择。

实验与讨论：技能带来跨基准、跨站点的一致提升

BrowserBC首先在WebArena-Hard上接受检验：258个经人类核验的任务，覆盖GitLab、电商及其后台、论坛、跨站点组合等六类自托管站点。实验严格控制变量——Agent、动作接口、步数与时间预算全部固定，唯一变量是是否注入BrowserBC检索到的Skill。

实验数据显示：基准Agent成功率为60.5%（156/258），注入技能后成功率提升至81.4%（210/258），实现了20.9个百分点的显著提升，挽回了基线原本失败的54个任务。

更强的检验来自ClawBench：152个任务运行在真实线上网站，页面布局与操作流程在不同运行间可能变化，且以写操作为主。这一设定彻底杜绝了“依赖记忆”的可能性——任何编码精确坐标、DOM选择器或缓存页面状态的技能，在此只会越用越糟。

结果显示：未使用技能的基线仅解出50/152（32.9%），注入技能后解出104/152（68.4%），提升了35.5个百分点，几乎将解出任务数量翻倍，且全部八个类别普遍受益。

BrowserBC在WebArena-Hard与ClawBench上的性能表现。

事实上，技能不仅提升了成功率，还缩短了完成任务所需的交互次数。在WebArena-Hard任务中，Agent的平均工具调用次数从31.2降至22.7（降幅达27.3%）。这与“技能作为流程性先验”的定位一致：它减少了试探性导航与反复页面查看，而将底层grounding任务留给执行时的实时页面状态。

BrowserBC既提升了交互效率，又使蒸馏出的技能可在不同模型间迁移。

讨论一：Skill是一份“带置信度的先验”，而非一条命令

一个细节很能说明问题：在WebArena-Hard上，若强制Agent逐字照搬检索到的技能——即便当前页面证据与之矛盾——成功率仅为77.5%；而允许Agent选择性使用、在与页面冲突时以页面为准，才达到81.4%。更具体地，约3.9%（10/258）的任务中，盲目照搬技能反而导致本可成功的任务失败。这恰恰印证了核心判断：自然语言技能的价值在于“提示策略”，落地执行永远应交给模型读取当前页面来完成。

讨论二：技能是“蒸馏一次、低成本复用”的模型无关对象

BrowserBC的一个设计主张是：技能可由一个强模型蒸馏一次，再交由另一个更便宜的Agent在执行时复用。团队在WebArena-Hard任务上，将“蒸馏技能的模型”与“执行技能的模型”进行交叉组合，得出两点结论。第一，技能质量主要取决于蒸馏阶段：Sonnet-4.6蒸馏出的技能能同时大幅提升两个执行器的表现（分别提升24与20个百分点），而Qwen-3.7蒸馏的技能仅带来微弱增益。第二，高质量技能可跨执行器迁移：装备了Sonnet-4.6技能的小Agent达到77%的成功率，逼近大Agent的80%，直接印证了“蒸馏一次、低成本复用”的设想。

讨论三：剩余难点在于“执行精度”，而非“知识不足”

对仍然失败的案例进行人工审计后发现，瓶颈大多集中在执行精度，而非缺乏知识：长表单漏填某个字段、目标对象存在歧义、长程任务将预算消耗在中间页、或模型自身推理过长导致“跑飞”。这些情况下，技能本身是正确的且已被使用，限制因素在于“按流程执行的保真度”——即底层模型的能力。这也划定了“小模型执行”的可行边界：技能能补充“该怎么做”，但无法弥补“操作稳定性”。

讨论四：迁移至浏览器之外——OSWorld案例研究

论文还在30个OSWorld风格的Ubuntu桌面任务上进行了一次诊断性迁移研究——这并非完整的OSWorld刷榜实验，而是考察“方法中的哪些部分可以迁移”。30个任务中，17个在配备匹配技能后表现改善，说明过程性先验确实能跨越浏览器边界发挥作用。

真正可迁移的并非浏览器专属的动作序列，而是那份过程性先验——前置条件、语义状态如何转移、进度里程碑、终止证据、失败恢复策略。在浏览器中，它体现为页面、链接、表单；在桌面上，则体现为窗口、文件、对话框、持久设置。剩余案例则划定了方法的边界：少数任务本身足够简单、无需技能；部分任务卡在GUI控制本身（如窗口焦点、模态弹窗、文件选择器状态），而非知识不足；个别案例因检索到错配的技能而被“自信地带偏”。也就是说，当缺失的是“流程结构”时，技能最有效；当缺失的是底层GUI grounding或检索提供错误先验时，技能不仅无助于事，甚至可能添乱。

BrowserBC的意义不止于一个方法

BrowserBC并非一个追求炫技的方法。其真正重要之处在于，它揭示了人类浏览器轨迹的潜在价值：这是人类群体在浏览器迷宫中探索出的高效操作路径。BrowserBC所做的，正是将这些隐含经验的轨迹蒸馏为Agent可用的skill。

核心启示在于：第一，提升Agent的浏览器操作能力，关键在于为其补充完备的网页逻辑知识。第二，人类与虚拟世界的交互过程本身，就是一种尚未被充分利用的数据资源。第三，如果这些轨迹能够被持续蒸馏、管理与复用，Agent就能从“能够操作网页”逐步走向“高效”操作网页。

因此，BrowserBC的核心并非教Agent如何点击网页——它是在信息不完备的环境中，用人类轨迹为Agent补充决策所需的先验。从这个意义上说，真正决定Web Agent上限的因素，从来不是“是否能够复现某个浏览器操作流程”，也不是“能否快速拼装一个看似可运行的系统”或“演示一个热门概念”，而是是否真正构建了能够持续积累、可复用、可迁移的经验结构。

这或许是让Web Agent从“可用”走向“好用”的关键一步。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：BrowserBC克隆人类点击，将网页操作转化为Agent能力要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题