什么是浏览器代理？

Scrapeless代理浏览器提供代理可以用作其网络执行环境的云浏览器会话。

浏览器代理是使用来自浏览器的观察来选择朝向用户目标的操作的软件。在基于AI的实现中，一个模型可能会解释一个页面并决定下一步该怎么做。浏览器工具执行所选操作，新观察告诉代理任务是否已经进展。

固定脚本也控制浏览器，但其决策在很大程度上是提前指定的。浏览器代理可以在运行时选择路径。这样的灵活性对变量界面非常有用，但也引入了对所选操作和结果解释的不确定性。代理需要一个完成测试，以及点击的方式。

代理如何将目标转化为浏览器工作

浏览器代理将请求的结果转换为一系列观察、决策和工具操作。目标应该在第一次互动之前定义范围和限制。“收集这些地点公布的开放时间”比“研究这家公司”更清晰，因为预期证据和停止点是可识别的。

控制器首先建立当前的浏览器状态。然后选择一个允许的操作，执行它，并读取结果状态。该循环继续，直到成功条件得到满足，达到定义的限制，或者代理需要信息或授权。这些停止条件是系统设计的一部分。

模型生成的计划并不能证明浏览器是否遵循了它。系统必须将每个声称的操作与实际工具结果相连接，并在相关更改后检查页面。一个仅仅重复原始计划的最终答案留下了一个中心问题未解：应用中发生了什么？

代理可以观察的内容

代理可以观察页面文本、结构化浏览器信息或截图，具体取决于其工具。每种表示方式曝光不同的证据。截图可以揭示视觉布局，而结构化表示可以使控件和标签更容易处理。在每种情况下，任何一种表示都不是完整的。

网络 WebVoyager关于多模态网络代理的研究 研究通过视觉观察与真实网站互动的代理。它说明了为什么应该将浏览器代理理解为将感知与行动连接的系统，而不仅仅是可以获取文档的聊天机器人。

观察质量取决于页面状态。在对话框打开之前拍摄的快照无法描述对话框的控件。错误标签的视图可以在内部准确，但仍与任务无关。代理应在当前观察、活动浏览上下文和下一个提议操作之间保持明确的关联。

浏览器工具如何支撑操作

浏览器工具将代理选择的操作转换为实际的浏览器交互。工具层可能暴露出较高级别的操作，例如填写一个字段，或较低级别的操作，例如点击坐标。控制器必须理解工具的语义并检查其结果，而不是假设每个指令都能干净地映射到页面上。

语义信息可以帮助支撑操作。 WAI-ARIA角色和状态模型 描述区分控件及其当前状态的属性。在特定对话框中的“保存”按钮比不合格的指令更具信息性。

坐标操作需要匹配的视觉参考。如果页面滚动或横幅改变了布局，早前截图选择的坐标可能指向其他地方。结构化目标有自己失败的模式，包括模糊标签和被替换的元素。无论使用哪种表示，操作都应基于当前证据。

上领取您的免费积分

为什么成功点击不能证明任务完成

任务完成需要证据表明请求的结果存在，而不仅仅是证据表明输入事件已发送。一个浏览器工具可以正确地点击“导出”，而应用程序拒绝该请求。代理应该在报告成功之前检查生成的工件或应用程序状态。 “WebArena基准测试的功能任务评估” 关注任务是否在现实的网络环境中完成。这一区分在设计自己的检查时非常有用。评估对用户重要的状态，而不是奖励一个仅看起来合理的序列。

对于一个假设的只读研究任务，完成可能意味着每个请求的位置都有一个源URL和一个观察到的开放时间声明。如果一个页面没有公布的时间，结果应该说明这一点。猜测缺失的时间会将不完全的检索变为不准确的完成。

对于一个授权编辑任务，验证目标记录上的保存值。代理自己生成的文本不是独立的检查。在界面无法确定更改是否成功的情况下，结果应保留这种不确定性并指出哪些仍待解决。

如何界定自主性

有限自主性定义了代理可以做什么，哪些资源可以访问，以及何时必须停止以获得人工输入。这些限制应反映任务的后果。阅读公共页面和提交购买是不同的操作类别，即便两者都涉及一个浏览器按钮。

给予代理执行授权任务所需的权限，避免对无关账户的无必要访问。在可行的情况下，保持允许的目的地和操作类别清晰明确。一个狭窄的任务通常可以用比通用浏览环境所暴露的更少的能力来完成。

网页内容也是不可信的输入。网页可能包含与用户请求相矛盾的指令，或要求代理披露数据。系统应将该材料视为需要检查的内容，而不是改变任务的权威。将指令的来源与事实的来源分开。

会话状态和内存需要不同的策略

浏览器会话状态支持与网站的互动，而代理内存记录用于推理任务的信息。登录 Cookie 和已完成步骤的摘要有不同的目的。无差别地将它们结合在一起可能会暴露敏感材料，或使下一次运行依赖于隐藏的状态。

保持足够的任务历史，以解释当前的位置，而不无限期存储每个页面。确认的行动和未解决问题的简明记录可能比未过滤的成绩单更有用。身份验证状态应通过浏览器的适当会话机制和访问控制来处理。

当任务跨多个会话时，定义什么是持久的。浏览器可能需要一个保存的档案，而代理需要最后确认的任务状态。重新打开浏览器并不是证明应用程序仍然承认相同登录的证据，恢复摘要也不是证明早期假设依然成立的证据。

当脚本是更好的选择时

当工作流程稳定且下一个动作可以明确指定时，确定性脚本通常是更好的选择。当解释或分支是任务的核心时，浏览器代理是有用的。这些是设计选择，而不是现代自动化的竞争定义。

混合设计可以使用代理选择一个有限的操作，然后用确定性例程来执行它。这减少了在重要步骤中留下的决策数量。通过最终结果评估组合系统，包括代理应停止而不是继续的情况。

浏览器运行时是代理的一部分

无残留代理浏览器 提供云浏览器执行；周围的应用程序提供计划和任务策略。该 代理浏览器运行时概述 描述浏览器层。包含“代理”的产品名称并不意味着每个连接的会话都能自主理解用户目标。

关于 计算机使用浏览器代理循环 的讨论解释了如何组装这些层。评估完整系统的观察质量、停止行为和工件。预算浏览器执行和任何独立模型的使用； 浏览器服务定价 仅是该设计的浏览器部分。

结论

浏览器代理结合了目标、页面观察、决策和浏览器工具。其价值取决于这些部分是否在用户的权限内产生经过验证的结果。在增加代理选择自己路径的自由之前，定义完成证据和行动边界。