AI 终于开始接管“你已经登录的浏览器”了:很多重复网页操作,可能真的不用自己点了

以前让 AI 帮你操作网页，经常有一个很尴尬的问题：

它会开网页，但那不是“你的网页”。

没有登录状态。

没有你的账号。

没有你已经打开的后台。

于是 Demo 看起来很聪明。

真干活时，第一步就卡住：

请登录。

然后验证码。

然后二次验证。

然后你发现：

算了，我自己点还更快。

最近腾讯开源的一个项目 BrowserSkill，我觉得真正碰到了浏览器 Agent 普及里一个很现实的问题。

它不是再给 AI 开一个陌生的云端浏览器。

而是让 Agent 连接到你电脑上的 Chrome 或 Edge，直接复用已有登录状态。

也就是说：

你已经登录的网站，它可以在授权后继续做。

它可以：

• 读取页面；
• 填表；
• 点击；
• 在网站里走完整流程；
• 截长图；
• 调查网页请求为什么失败；
• 必要时借用你现有的标签页。

任务默认在独立、可见的 Agent Window 里运行。

如果要碰你正在使用的现有标签页，还需要显式借用。

这个设计看起来只是一个工具细节。

但我觉得它代表了浏览器 AI 从“演示阶段”往“真工作阶段”迈的一步。

真正影响效率的，从来不是“会不会打开网页”

而是：

能不能进入你真实工作的那个网页。

普通人的大量工作，其实都已经搬进浏览器了。

例如：

• Shopify 后台；
• 亚马逊卖家中心；
• Google Ads；
• CRM；
• ERP；
• 邮箱；
• 文档；
• 财务后台；
• 各种 SaaS。

这些工作有一个共同特点：

你不是不会做。

你是每天重复做。

比如：

打开后台。

筛选日期。

导出报表。

复制数字。

打开另一个后台。

再筛一遍。

再复制。

最后填进 Excel。

这类活对人来说特别烦。

对 Agent 来说反而很合适。

因为步骤明确。

结果也容易检查。

什么网页任务最适合先交给 AI？

我不建议一开始就让 Agent：

“帮我把整个公司后台管了。”

那太危险，也太模糊。

最适合先做的，是这三类。

第一类：重复查

例如：

每天检查 20 个商品价格。

每周查看 10 个网站有没有更新。

查 50 个客户页面，记录固定字段。

这种任务的特点：

• 页面结构相对稳定；
• 操作重复；
• 最后只需要一张结果表。

这很适合自动化。

第二类：重复填

例如：

同一份资料填到多个后台。

把 ERP 里的数据录入供应商系统。

批量创建活动、标签、备注。

以前 RPA 也能做。

但传统 RPA 经常要求：

先把每一步坐标写死。

Agent 的优势是：

页面稍微变化，它仍然可能理解“哪个是提交按钮”。

当然，这也意味着必须验收。

第三类：重复检查

这是我觉得特别实用的一类。

比如：

这个页面有没有 404？

商品页里价格有没有缺？

手机端按钮还在不在？

表单提交后有没有报错？

BrowserSkill 甚至把网页调试也放进了能力范围。

所以它不只是：

替你点网页。

还可以帮你检查网页。

一个最简单的判断：这件事值不值得用浏览器 Agent？

我会看三个条件。

1. 每周重复 3 次以上2. 操作步骤相对固定3. 结果可以在 1 分钟内人工检查

满足两个，就值得试。

三个全满足，优先级很高。

为什么强调“1 分钟内能检查”？

因为 Agent 最大的问题不是不会做。

而是：

你如果验结果还要花半小时，那省出来的时间就没了。

一个非常实际的例子：竞品价格监控

以前你可能这样做：

打开网站 A↓搜产品↓看价格↓记 Excel打开网站 B↓重复打开网站 C↓重复

如果有 30 个竞品，特别耗时间。

浏览器 Agent 的思路可以变成：

给它竞品清单↓逐个打开指定网站↓记录价格、库存、促销↓把结果放进表格↓你只检查异常项

注意：

我不会让它直接：

“去全网找价格。”

太开放。

我会限定：

• 哪几个网站；
• 哪几个 SKU；
• 哪几个字段；
• 找不到就写“未找到”；
• 不允许自己猜。

这就是 Agent 真正好用的关键：

范围小一点，结果反而更可靠。

第二个例子：后台重复操作

比如每天都要：

进入后台 → 下载昨天数据 → 改名 → 放进指定文件夹。

这种事情几乎没有判断。

但人天天做特别烦。

这时 Agent 比聊天 AI 有意义得多。

因为你不是缺答案。

你缺的是：

有人替你点。

这也是为什么我觉得“浏览器 Agent”会是 AI 真正进入普通办公室工作的一条重要路线。

因为很多办公室工作，本质不是“写”。

而是：

打开网页、找东西、复制、粘贴、填表、下载、上传。

但这里有一个巨大的前提：登录状态等于权限

BrowserSkill 官方自己也特别提醒：

Agent Window 共享的是你选择的浏览器 Profile 登录状态。

它不是安全沙箱。

换句话说：

如果你已经登录了某个后台，那么 Agent 理论上拥有和这个登录状态接近的权限。

所以这类工具真正好用以后，风险反而更需要认真对待。

我会坚持几个规则。

规则一：先从只读任务开始

第一次不要：

删除。

不要：

发布。

不要：

支付。

先让它：

查、看、记录。

规则二：高风险操作必须停下来问人

例如：

• 提交订单；
• 发邮件；
• 发布内容；
• 删除数据；
• 修改账号；
• 付款。

理想状态应该是：

AI 做到最后一步，你点确认。

规则三：专门准备一个低权限账号

如果企业后台支持权限管理，最好的方式不是让 Agent 直接拿管理员账号。

而是：

给它一个只能完成特定任务的账号。

这和公司给员工分权限是同一个逻辑。

如果你真想试，怎么开始最合理？

BrowserSkill 本身偏开发者工具。

它需要浏览器扩展和 bsk CLI，也需要一个能调用 Shell 的 Agent，例如 Codex、Cursor、Claude Code、OpenClaw、CodeBuddy 等。

所以我不建议普通人上来就折腾复杂环境。

更好的顺序是：

第一步：先找一个你每天都会重复的网页任务

不要先装工具。

先找任务。

第二步：把流程写成 5～10 步

例如：

1. 打开某后台2. 进入 Orders3. 筛选昨天4. 导出 CSV5. 下载后改名

如果连你自己都说不清步骤，Agent 也很难稳定。

第三步：只跑一次

全程看着。

观察：

• 哪一步会卡；
• 哪一步会误判；
• 哪一步需要人工确认。

第四步：再决定要不要长期自动化

别为了自动化而自动化。

如果任务每个月才做一次，本来只需要 3 分钟，就不用折腾。

这类工具真正改变的，可能是“办公室自动化”的门槛

以前想自动点网页，一般要：

• RPA；
• Selenium；
• Playwright；
• 写脚本；
• 调 API。

普通人看到就放弃了。

现在 Agent 的变化是：

你可以先用自然语言描述目标，再让工具理解网页。

这会把很多以前“值得自动化，但不会写代码所以没做”的任务释放出来。

但我觉得最值得记住的不是：

BrowserSkill 很强。

而是一个更实用的判断：

凡是你每天都在浏览器里重复点、重复找、重复填的东西，都值得重新问一次：这一步还需要我自己做吗？

最后

AI 过去很长一段时间都在“告诉你怎么做”。

浏览器 Agent 真正有意思的地方，是它开始：

替你把网页上的那几步做掉。

从回答问题到操作软件，是一个很大的变化。

而“能用已经登录的浏览器”又把它往真实工作推了一步。

当然，越接近真实账号，越不能只看便利。

也要看权限。

所以我觉得浏览器 Agent 真正成熟的标志，不是：

AI 可以什么都点。

而是：

它知道哪些可以自己点，哪些必须把鼠标还给你。

如果这件事解决好了，那些每天重复几十次、毫无创造性的网页操作，真的可能开始从人的工作里消失。

参考资料

• Tencent / BrowserSkill GitHub Repository https://github.com/Tencent/BrowserSkill

注：BrowserSkill 是偏技术用户的开源项目，需要浏览器扩展、CLI 和可调用 Shell 的 Agent。它使用已有浏览器登录状态，因此并不是独立安全沙箱。本文重点讨论其代表的“真实登录态浏览器 Agent”应用方向，不建议把高权限后台直接无监督交给 Agent。