我们如何优化深度智能体的浏览器使用

📌 One-Sentence Summary
本文详细介绍了 LangChain 如何通过选择并改进 Stagehand 工具集来优化深度智能体的浏览器使用,实现 90% 的任务成功率,成本仅为其他方案的 1/13,执行速度快 3 倍。
📝 Summary
LangChain 评估了 7 种适用于深度智能体的浏览器工具集,最终选择了 Browserbase 的 Stagehand,并通过 LangSmith 的追踪记录和评估结果不断改进。关键优化包括用于批量操作的代码模式、用于精简呈现页面的快照,以及智能等待机制。这些改动将每 100 个任务的成本从 $26.71 降至 $1.98,并将任务中位耗时从 17.4s 降至 17.4s,同时将成功率从 78% 提高到 90%。
💡 Main Points
Stagehand 在成本、速度和成功率方面优于其他浏览器工具集
在使用 Claude Sonnet 5.5 的 WebVoyager 测试中,Stagehand 的成功率达到 90%,总成本为 $1.98,任务中位耗时为 17.4s;Playwright MCP 的成功率为 78%,成本为 $26.71(高出 13 倍),每项任务耗时也长 3 倍。
代码模式支持批量执行浏览器操作,减少模型往返调用
通过编写代码一次执行多个浏览器步骤,Stagehand 的 run 工具无需在操作之间等待,也能避免将中间上下文放进模型窗口。智能体平均每项任务执行 10 个步骤,而使用 Playwright MCP 时为 26 个。
快照通过无障碍树提供节省 Token 的页面呈现方式
snapshot 工具会返回交互元素及其 ID 组成的精简文本视图,让智能体无需读取原始 HTML 或编写选择器即可操作页面。根据 Browserbase 的报告,其 Token 效率比 Playwright 高 80%。
在浏览器内运行可最大限度减少网络往返
Stagehand v4 以浏览器扩展的形式运行,在本地执行底层 CDP 调用,并通过一次往返发送批量操作。根据 Browserbase 的基准测试,其性能比 Playwright 快 2 倍。
智能等待机制可避免不必要的休眠
将 run 的结束等待方式改为:页面安静 500ms 后即结束,而不是等待完整时长。这使 HardBench 上的智能体中位耗时从 182s 降至 124s,同时准确率变化仍在噪声范围内。
💬 Key Quotes
智能体虽然可以推理如何完成任务,但如果没有 API,就无法在网站上采取行动。
较长的任务可以交给在后台运行的子智能体处理,同时你的智能体还能继续与你对话。
智能体会把浏览器交给你,因此你的密码不会出现在模型的消息和追踪记录中。
浏览器使用工具集有几种形式:原生工具、MCP 服务器,或由智能体在 shell 中运行的 CLI。
每种工具集的任务成功率都在 78% 到 90% 之间,但成本和速度差异很大。
Stagehand 为智能体提供了 3 种工具:snapshot、run 和 screenshot。
代码模式就足够了。
📊 Article Meta
AI Screening: 90
Source: LangChain Blog
Author: Sydney Runkle
Category: 人工智能
Language: 英文
Read Time: 8 min
Word Count: 1849
Tags:
AI 与智能应用 , 上下文工程 , AI Agent , Agent编排 , LangChain
作者写得真不错,学到了不少。
整理得太全面了,省了我不少时间。
整理得太全面了,省了我不少时间。
刚好最近在找这方面的资料,太及时了。
楼主辛苦了,内容很有参考价值。
实话,说的不明不白
这篇文章分析得很透彻,收藏了!
点赞,必须点赞
实测过类似工具,作者说的基本属实。
路过
赞同,实践出真知。
路过