BrowserBC：用行为克隆让一次网页操作转化为所有Agent的能力

当前Web Agent的发展已取得显著进展。以Claude、Codex为代表的Agent已具备基本的网页操作能力——能够识别页面元素、理解按钮功能、执行点击输入等操作。然而，一个核心痛点始终困扰着整个领域：每当面对新任务或新网站时，即便是最强大的模型，也不得不从零开始摸索整个流程。这种「从零探索」模式带来了一系列问题：Agent可能在页面间反复横跳、逐渐偏离原始任务意图、在搜索结果中来回切换却始终无法获取完整信息，或者在接近目标时提前收手、草草交差。

三步范式：录制、转写、执行

更令人头疼的是，即便某次任务侥幸完成，这来之不易的经验往往随着对话结束而烟消云散。下一次遇到同类任务，换一个Agent依然要从头试错、再踩一遍同样的坑。这一困境促使研究者思考一个朴素却关键的问题：能否做一次、复用很多次？

实验与讨论

Einsia AI旗下Navers Lab发布的开源项目BrowserBC给出了系统性解答。它采用一套清晰的三步范式：录制人类在浏览器中的完整操作轨迹；将轨迹转写为自然语言形式的技能（Skill）；将技能交付给任意模型执行。 录制阶段，系统会完整记录任务指令、每一步的页面观察（包括渲染截图和结构化的DOM/可访问性树快照）、用户的每一个动作（点击、输入、跳转等）及其对应的元素定位、页面反馈（跳转、校验、报错信息等），以及任务最终达成的状态。 转写阶段的关键在于，它并非将操作存为一段「回放脚本」，而是由模型将轨迹转写成一份自然语言的技能卡——本质上是一份说明书，清晰阐述这类任务该怎么做、如何判断是否做对。 执行阶段，技能卡被交给任意模型阅读，模型据此在真实页面上自主落地操作，而非机械复刻某一次的点击坐标。

Skill管理机制

BrowserBC的核心理念可以概括为「技能与执行分离」。人在浏览器里完成一次任务，这一遍操作被转写成技能；之后照着技能执行同类任务的，可以是另一个更小、更便宜的模型。技能一旦被转写成自然语言，就能在不同模型之间自由传递、复用和组合。 这与传统「按键精灵」有本质区别。传统方案记录的是固定坐标和按键，页面布局一变脚本立即失效；而BrowserBC记录的是「该做什么、怎么判断完成」的语义知识，能够在变化的环境中举一反三。 从更宏观的视角看，这种方法将人类每天在浏览器上的行为蒸馏给Agent使用，使得网站能否被Agent高效访问，不再取决于网站方是否愿意配合提供API接口，而取决于有没有人已经在该网站上走通路径——这正是「通用网页浏览」的实现基础。

实验验证与启示

在技术实现层面，BrowserBC有两条核心设计原则。 第一，转写时必须「只保留可迁移的过程性知识，剥离会变、会泄露的细节」。要剥离的包括精确坐标、DOM选择器、临时ID、登录态、隐私文本等；要保留的则是在语义层面「该做什么、怎么判断进展、怎么算完成」。例如，一张「填表单」技能卡应描述「按语义标签找到对应字段、把任务给定的值原样填进去、提交后确认页面出现成功状态」，而不是记录具体的坐标和按钮ID。 第二，技能需要系统化管理。BrowserBC将技能库组织为一张技能图（Skill Graph），每条新技能可以新增为节点、合并进已有技能，或登记为某通用技能的特化。技能图支持增量精炼——新轨迹只需更新受影响的技能及其邻居，而非全局重建。

如有侵权，请联系删除。