Skip to content

Claude in Chrome:浏览器 Agent 与 Coding Agent 的边界

Published: at 01:00 PM

Claude in Chrome:浏览器 Agent 与 Coding Agent 的边界

浏览器是大多数企业软件真正的操作界面。CRM、工单系统、采购门户、内部报表、旧版管理后台和 SaaS 控制台,很多并没有可供 Agent 使用的 API。即使存在 API,也可能没有覆盖用户当前登录态、页面上下文或某些交互流程。过去,AI Agent 主要通过搜索接口、Connector 和 MCP 调用业务能力;浏览器 Agent 则尝试直接使用人已经在使用的 Web 界面。

Claude in Chrome 把这件事做成了 Claude 产品的一部分。它可以读取当前页面,在多个 Tab 之间切换,点击、输入、填写表单,并使用用户已有的登录状态。它还可以从 Claude Cowork 和 Claude Code 发起浏览器任务。2026 年 8 月 26 日,Anthropic 宣布该功能向所有付费计划开放,并加入自动动作安全检查。

这项能力值得关注,但不应该把它理解为一个独有的浏览器自动化技术。VS Code 已经有内置 Agent Browser,Copilot 可以导航页面、读取 Accessibility 信息、操作控件、截图和运行 Playwright;Claude Code 也已经能连接 Claude in Chrome,完成代码修改后的真实浏览器验证。差异主要在浏览器会话、产品入口、任务范围和安全边界,而不只是能不能点击网页。

本文以 2026 年 11 月公开的产品能力和代码仓库为准,区分厂商明确披露的事实、开源实现和基于公开信息的架构推断。Anthropic 没有公开 Claude in Chrome 的完整内部实现,涉及扩展内部消息协议、DOM 采集策略和模型工具定义的部分,不会把推测写成产品事实。

1. Claude in Chrome 到底解决什么问题?

1.1 API 和 Connector 覆盖不到的 Web 系统

企业应用的现实情况是:新系统通常有 API,旧系统可能只有 Web 页面;内部系统可能通过 SSO、浏览器证书或设备策略登录;第三方 SaaS 的 API 权限也未必与用户当前页面权限一致。用户能够在浏览器里完成操作,并不意味着 Agent 已经有一个可调用的 API。

Claude in Chrome 的直接价值,是让 Agent 使用用户正在使用的浏览器,而不是先要求用户导出数据、复制页面内容,或者另外配置一套 API 凭证。它可以读取已经登录的页面,跨 Tab 收集信息,再执行页面上的操作。Anthropic 展示的场景包括读取分析看板、整理 Google Drive 文件、结合日历和邮件准备会议、比较供应商信息,以及把销售活动记录到 CRM。

这类任务通常横跨多个系统。以整理 CRM 为例,Agent 可能需要先从日历确认会议参与者,再从邮件读取上下文,到 CRM 查找联系人,最后填写活动记录。每个系统都可能有独立登录、不同页面结构和不一致的交互方式。浏览器提供了统一入口,但不代表这些系统的业务规则因此统一。

1.2 它不只是页面摘要

浏览器侧边栏的常见用法是总结当前页面、解释选中内容或回答页面相关问题。这仍然是把浏览器当作上下文来源。

Browser Agent 的任务则包含状态变化:

区别在于,Agent 不再只返回一段文本,而是会改变外部系统的状态。它需要对操作对象、执行结果和失败路径负责。一个点击动作成功返回,并不意味着业务操作成功;真正的完成条件应该是页面状态或业务记录已经达到预期。

1.3 Cowork、Claude Code 和 Chrome 是三个不同层次

Claude in Chrome 的产品入口已经不止一个。Chrome 侧边栏在支持的计划和组织配置下运行 Cowork Session;Cowork 可以把浏览器作为较大工作流中的一个执行环节;Claude Code 则把 Chrome 接入开发工作流。

产品入口工作环境浏览器承担的角色
Claude in Chrome 侧边栏用户正在浏览的 Chrome当前页面和多个 Tab 的交互入口
Claude Cowork跨文件、跨应用的知识工作收集信息、执行 Web 操作、形成交付物
Claude Code终端、代码仓库、开发工具开发后的浏览器测试、调试和验证

需要注意,Cowork 现在也有自己的内置浏览器。没有既有 Claude in Chrome 使用习惯时,Cowork 默认可以使用内置浏览器;用户也可以选择继续使用 Chrome 扩展。两者的关键差别是浏览器环境:内置浏览器拥有自己的浏览器状态,而扩展连接用户正在使用的浏览器。

官方资料:

2. 与 VS Code Copilot、Claude Code 的真实差异

最容易出现的误判,是把 Claude in Chrome 与 Copilot 或 Claude Code 当成三个同类产品。它们处于不同的产品层次:Claude in Chrome 提供浏览器连接和交互入口;Copilot 和 Claude Code 提供 Agent Harness,负责理解任务、规划步骤、调用工具和维护执行上下文。浏览器工具可以成为这些 Harness 的一部分。

2.1 VS Code Copilot 已经具备 Agent Browser

VS Code 的内置浏览器工具已经支持页面导航、读取页面内容、检查可访问元素、截图、点击、输入、悬停、拖拽、处理对话框,以及运行 Playwright 代码。它不需要用户另行部署 MCP Server。

其典型流程是:Copilot 修改代码,启动应用,在集成浏览器中打开页面,执行用户流程,检查页面内容、截图和 Console 错误,再根据结果修改代码。对于 Web 开发,这已经是完整的 build-test-verify 循环。

VS Code 的浏览器会话有两个重要模式:

这意味着 Copilot 并不是不能操作登录后的 Web 应用,而是默认不把用户已经打开的页面交给 Agent。用户必须显式共享页面。隔离默认值有利于隐私和并行任务,也意味着真实工作系统的自动化多一步授权。

这里还要把 VS Code 和 Copilot 分开看。VS Code 现在允许用户在 Copilot、Claude 和 Codex Agent Harness 之间选择;内置浏览器是 VS Code 提供的宿主工具,不应简单归类为 Copilot 独有能力。更准确的比较对象是「Claude in Chrome 扩展」与「VS Code 的集成浏览器及其会话授权模型」。这也意味着同一个 Claude 模型在不同 Harness 下,可能使用不同的浏览器工具和 Session 管理方式。

官方文档:Use browser tools with agents;Build with AI in VS Code。

2.2 Claude Code 的 Chrome 集成更接近真实浏览器协作

Claude Code 可以通过 claude --chrome 启动 Chrome 集成,也可以通过 /chrome 检查连接和管理浏览器权限。它连接 Claude in Chrome 扩展,在可见的浏览器窗口中执行动作,并使用现有浏览器登录状态。

官方文档列出的能力包括:

这里有一个实际的产品限制:Claude Code 的 Chrome 集成要求直接 Anthropic 账号登录。通过 API Key 或 claude setup-token 登录时,该集成不会启用;仅通过 Bedrock、Google Cloud 或 Microsoft Foundry 使用 Claude 的用户,也不能直接使用这项 Chrome 集成。

所以,Claude Code 与 Chrome 的关系并不是“Claude Code 自己实现了一套浏览器驱动”。它通过扩展获得浏览器能力,再由 Claude Code 的 Agent Loop 把浏览器操作与代码修改、终端命令和其他工具组合起来。

官方文档:Use Claude Code with Chrome。

2.3 功能对比

比较维度Claude in Chrome / Claude CodeVS Code Copilot Agent Browser
当前页面读取支持支持共享页面
普通页面导航与交互支持支持
多 Tab 操作支持支持
用户现有登录态扩展可直接使用需要 Share with Agent
默认隔离浏览器Cowork 内置浏览器可提供Agent 创建页面默认隔离
DOM / Accessibility页面状态可读,具体内部实现未完整公开明确提供页面可访问信息
截图与视觉验证支持支持
Console / Network 调试Claude Code 集成支持 Console 和 Network 检查VS Code 文档明确支持读取 Console 错误和页面状态
直接执行 Playwright通过浏览器工具和开发流程实现提供 runPlaywrightCode
本地代码和终端Claude Code 原生能力Copilot Agent 原生能力
跨应用工作Cowork、Connectors、Skills取决于 Agent 工具、MCP 和扩展
浏览器权限控制站点权限、风险动作确认、安全分类器页面共享、网络域名策略、组织策略
主要定位通用浏览器操作与 Claude 工作流整合开发环境中的浏览器反馈与验证

不能据此断言某一方的浏览器自动化成功率更高。公开资料没有提供同一任务集、相同模型、相同浏览器状态和相同安全策略下的独立对照测试。表格比较的是公开能力与默认产品设计,不是性能排名。

对开发者来说,VS Code 已经覆盖了大部分日常 UI 测试和页面调试需求。Claude in Chrome 的差异更明显地出现在“使用我已经登录的真实浏览器完成跨站工作”这一类任务。Claude Code 则把这种能力带入代码仓库和终端工作流。

3. 它是怎么实现的?

3.1 先区分公开事实与架构推断

Anthropic 公开了扩展的用户能力、权限管理、Claude Code 集成方式和安全措施,但没有公开完整的扩展源码,也没有给出完整的内部组件图。因此,不能仅凭产品行为断言它一定采用某一种 DOM 抽取算法、消息总线或浏览器控制协议。

从公开接口可以确认的边界包括:

  1. Chrome 扩展负责把 Claude 的能力放到浏览器侧边栏,并允许读取和操作页面。
  2. Claude Cowork 或 Claude Code 提供上层任务执行环境。
  3. Claude Code 通过扩展连接浏览器,使用现有登录状态,并在可见窗口中执行操作。
  4. 页面截图会进入对话上下文;Claude Code 还可以读取 DOM 状态、Console 错误和网络请求。
  5. 输入内容和待执行动作会经过安全检查;用户可以设置站点权限和动作确认策略。

下面的图是基于公开能力整理的逻辑架构,不代表 Anthropic 内部模块名称或未公开的实现细节。

Claude in Chrome 的逻辑架构

交互查看 HTML

3.2 浏览器控制有三条主要技术路线

浏览器 Agent 的底层实现大致有三种方式,成熟产品经常采用混合方案。

DOM / Accessibility Tree。 浏览器将页面转换成带有角色、名称、状态和层级关系的结构化信息,Agent 根据元素引用执行点击、输入和选择。它不需要理解整张截图,Token 成本也更容易控制。缺点是 Canvas、复杂图表、视觉布局和部分自定义控件可能无法完整表达。

Chrome DevTools Protocol(CDP)。 CDP 提供浏览器调试和控制接口,可以导航、操作页面、获取 DOM、读取网络和 Console 信息、截取屏幕。它适合构建通用浏览器控制服务,也适合调试和测试。缺点是需要管理浏览器实例、连接、权限和会话隔离。

Computer Use / 视觉控制。 模型观察截图,再通过坐标、鼠标和键盘执行动作。它不依赖页面 DOM 结构,能够处理视觉组件和部分特殊页面;但坐标受窗口尺寸、缩放、布局变化影响,动作也更难精确验证。

这三条路线不是互斥选择。合理的实现通常是先用 DOM 或 Accessibility 信息定位元素,遇到结构信息不足时再用截图补充,执行后重新读取页面状态验证结果。

3.3 Browser Agent 的闭环

一次浏览器操作不应该是“模型发出 click,浏览器返回成功”这么简单。可用的 Agent Loop 至少要包含观察、定位、动作、验证和恢复。

浏览器 Agent 的动作与安全检查流程

交互查看 HTML

一个可靠的执行步骤应当是:

  1. 获取当前页面 URL、Tab 状态、页面内容和可见元素。
  2. 把页面内容作为不可信输入,提取与用户任务相关的上下文。
  3. 选择具体动作,并判断动作的目标、影响和可逆性。
  4. 检查站点权限、用户授权和高风险动作策略。
  5. 执行点击、输入、导航或上传。
  6. 重新读取页面,验证预期状态是否真的发生。
  7. 如果失败,判断是定位错误、页面尚未加载、业务校验失败、登录失效,还是动作本身不允许;再决定重试、重新观察或请求用户介入。

页面上的“保存成功”提示只是一个观察结果。对有业务后果的操作,还应检查记录是否存在、状态是否更新、重复提交是否可能造成副作用。

3.4 浏览器会话是最容易被低估的架构问题

浏览器自动化能否使用登录态,决定了它能不能进入真实企业工作流。这里至少有三种不同的 Session:

Session 类型Cookie / Storage典型用途主要风险
临时隔离 Session独立、任务结束后可销毁测试、公开页面、临时任务需要重新登录
持久化 Agent ProfileAgent 自己维护并跨任务保留长期自动化、固定工作流凭证和会话需要长期保护
用户现有 Browser Session复用用户已登录的浏览器内部门户、真实 SaaS、跨站工作Agent 能触达用户已有权限的数据

Claude in Chrome 主要解决第三种模式。VS Code Copilot 默认偏向第一种,用户主动共享页面后才进入第三种。Playwright MCP 默认可以使用持久化 Profile,也支持隔离上下文和扩展连接现有浏览器。BrowserOS neo 则把登录状态导入作为产品设计的一部分。

这些模式没有绝对优劣。隔离 Session 更适合自动化测试和无人值守执行;现有 Session 更适合用户委托的日常工作。企业系统不应把“复用用户登录态”直接等同于“获得无限制的自动操作授权”。

4. 开源项目:哪些真正值得研究?

开源项目并不都在解决同一个问题。有些提供 Agent,有些提供浏览器驱动,有些提供高层自动化原语,还有些提供浏览器基础设施。选型前需要先区分这些层次。

4.1 Browser Use:从逐步工具调用走向持久 REPL

项目:browser-use/browser-use,MIT License。

Browser Use 是最值得研究的通用 Browser Agent 项目之一。它的 1.0 架构与早期版本有明显变化:模型不再只是在每轮从 DOM 快照中挑一个动作,而是可以在持久 Python REPL 中编写代码,调用浏览器辅助函数和原始 CDP。Agent Runtime 基于 Pydantic AI。

这个设计有几个实际好处:

代价是模型生成的代码拥有更大的执行能力。与单个 click/type 工具相比,持久 REPL 的权限范围更广,必须考虑代码执行隔离、文件系统访问、网络访问、密钥暴露和执行审计。它更像一个 Browser Agent Runtime,而不是单纯的浏览器 MCP Server。

值得注意的是,Browser Use 1.0 是一次引擎变化。旧版本的逐步动作 API 与 1.0 的持久 REPL 不能简单视为同一种实现。依赖它构建产品时,应锁定具体版本并针对升级做回归测试。

4.2 Stagehand:把浏览器 Agent 拆成可组合原语

项目:browserbase/stagehand。

Stagehand 的设计思路更适合已有 Agent Runtime 的团队。它提供三类核心能力:

Stagehand 4 的一个重要变化是:它不再提供早期版本那种完整 Agent API,而是让调用方组合 observe、act 和 extract。Agent 的规划、任务分解、重试和状态管理由上层系统负责。

这对企业架构有价值。浏览器控制可以成为一个独立的工具包,Copilot SDK、Claude Agent SDK 或自建 Runtime 都可以调用它。业务 Agent 不需要把整个执行生命周期交给某个浏览器框架。

它仍然保留 Playwright 风格的定位器和页面 API。确定性高的操作可以使用 Selector,页面结构变化较大的地方再使用自然语言定位。这样比把所有步骤都交给模型猜测更可控。

官方资料:Stagehand 和 GitHub Repository。

4.3 Skyvern:更偏向长流程业务自动化

项目:Skyvern-AI/skyvern,AGPL-3.0。

Skyvern 把 AI 能力叠加在 Playwright 之上,提供 act()、extract()、validate() 和多步骤 Agent Task。它既有 SDK,也有服务端和可视化工作流产品。

它更适合研究如何把浏览器动作变成长期运行的业务自动化:任务执行、数据提取、验证、状态保存和多步骤流程。与 Stagehand 相比,Skyvern 更偏向完整自动化平台,而 Stagehand 更像可嵌入现有系统的浏览器 SDK。

如果企业要运行发票下载、采购信息录入、供应商门户查询等重复任务,Skyvern 的工作流和运行服务值得参考。若只是想给现有 Agent 增加浏览器工具,直接引入完整平台可能偏重。

官方资料:Skyvern Developers。

4.4 Playwright MCP:标准化的浏览器工具接口

项目:microsoft/playwright-mcp。

Playwright MCP 把 Playwright 能力包装成 MCP 工具。它主要使用 Accessibility Snapshot,让模型看到类似以下结构:

heading "todos" [level=1]
textbox "What needs to be done?" [ref=e5]
checkbox "Toggle Todo" [ref=e10]

模型根据 ref 定位元素,再调用 click、type、fill 等工具。它支持 Chromium、Firefox、WebKit 和 Edge,也提供截图、导航、表单、Storage、Tracing 等功能。

它的优点是协议标准、工具粒度清楚、与各种 MCP Client 兼容。缺点是 Agent 需要频繁往返调用工具,复杂流程的规划和恢复逻辑仍然要由上层 Runtime 负责。对于需要严格控制动作边界的系统,这种显式工具调用反而是优点。

官方资料:Playwright MCP Introduction。

4.5 Chrome DevTools MCP:偏向开发调试,而非通用业务 Agent

项目:ChromeDevTools/chrome-devtools-mcp,Apache-2.0。

Chrome DevTools MCP 由 Chrome 团队维护,面向 Coding Agent 提供浏览器调试和自动化能力。它通过 Puppeteer 控制 Chrome,并使用 DevTools 能力读取网络请求、Console、截图和性能 Trace。

它与 Playwright MCP 的定位不同:

如果目标是让 Coding Agent 判断页面为什么报错、接口为什么失败、页面性能为什么退化,Chrome DevTools MCP 的价值更高。如果目标是稳定地执行跨浏览器用户流程,Playwright 更合适。

官方资料:Chrome DevTools for agents。

4.6 BrowserOS:把浏览器本身变成 Agent Runtime 的一部分

项目:browseros-ai/BrowserOS,AGPL-3.0。

BrowserOS 值得单独讨论,因为它不只是一个自动化 SDK。其新产品 BrowserOS neo 是一个面向 Agent 的独立浏览器,支持从 Chrome 导入登录信息,并让 Claude Code、Codex、Cursor、VS Code 和其他 MCP Agent 连接。Agent 可以在独立 Tab 中并行工作,用户可以实时观察或回放执行记录。

从公开仓库结构看,它包含两个主要部分:

BrowserOS neo 的目标不是替代用户日常浏览器,而是提供一个 Agent 专用的浏览器环境。与 Claude in Chrome 相比,它更强调 Agent 选择自由、并行执行和本地控制;Claude in Chrome 则与 Anthropic 的 Cowork、Claude Code 和账户会话深度整合。

需要注意,BrowserOS 的本地执行和隐私优势主要来自它公开描述的产品架构。它仍然需要处理浏览器导入凭证、站点权限、Agent 操作风险和本地服务暴露面。AGPL-3.0 也意味着企业集成前需要评估许可证义务。

5. 类似商业产品:Claude 并不是唯一选择

浏览器 Agent 正在分化为三种产品形态:在用户浏览器旁边工作的扩展、内置 Agent 的 AI Browser,以及面向 Coding Agent 的浏览器工具。

产品产品形态登录态与浏览器主要差异
Claude in ChromeChrome 扩展使用现有 Chrome 会话与 Claude Cowork、Claude Code、Skills 和 Connectors 整合
ChatGPT Chrome Extension / Codex浏览器扩展与桌面 Agent可以使用已登录站点可跨 Tab 执行任务,支持网站权限控制
Perplexity CometAI Browser浏览器自身管理搜索和研究体验与页面操作结合
Gemini in ChromeChrome 内置 AIChrome 浏览上下文与 Google 搜索、Workspace 和 Chrome 能力结合
BrowserOS neoAgent 专用浏览器可导入 Chrome 登录信息本地运行、MCP Agent 兼容、并行 Tab 和执行回放
VS Code Integrated BrowserIDE 内置浏览器默认隔离,支持显式共享以开发验证为中心,和代码修改形成闭环

5.1 ChatGPT / Codex Chrome

OpenAI 的 Chrome 扩展可以让桌面端 Agent 使用用户已经登录的 Chrome 页面。2026 年 5 月的更新支持跨多个 Tab 并行工作,并允许用户控制 Agent 可以访问的网站。典型任务包括比较多个产品页面、收集信息、数据录入和验证。

它与 Claude in Chrome 的产品思路比较接近:Agent 不需要把所有网站都变成 Connector,而是直接使用浏览器里的登录状态。Codex 更强调把浏览器任务与代码、文件和开发工作结合起来;ChatGPT Work 则可以把浏览器采集的信息继续交给其他工具生成报告、表格和演示文稿。

官方资料:ChatGPT Browser Extension 和 What’s New。

5.2 Perplexity Comet

Comet 是以 AI 为中心的浏览器产品,Assistant 可以使用当前打开的 Tab 上下文,帮助用户总结页面、研究信息和执行网站操作。它的优势是浏览器和搜索体验原生整合,用户不需要先在 IDE 或 Agent Runtime 中配置浏览器工具。

它与 Claude in Chrome 的差别在于产品边界。Comet 是一个完整浏览器,AI 是浏览器本身的主要交互方式;Claude in Chrome 则是把 Agent 能力带进用户已经在使用的 Chrome。前者控制浏览器产品体验,后者更容易嵌入已有工作环境。

官方资料:Perplexity Comet。

5.3 Gemini in Chrome

Google 正在把 Gemini 和自动浏览能力放进 Chrome。2026 年 Google I/O 公布的方向包括多步骤自动浏览、页面上下文理解,以及跨设备的浏览器助手能力。

Google 的优势是浏览器、搜索和 Workspace 生态整合。Claude 的优势则是把浏览器操作纳入通用 Agent 工作流,并通过 Cowork、Skills 和 Connectors 继续处理结果。两者的最终差异取决于各自的任务执行能力、权限模型和可组合性,而不只是模型回答页面问题的质量。

官方资料:Google Chrome AI innovations。

6. 安全问题:浏览器 Agent 比普通 RAG 多了一种风险

浏览器 Agent 会读取外部网页、邮件、文档和内部系统内容。这些内容不一定可信,而且可能包含针对 Agent 的恶意指令。攻击者不需要控制模型,只要让模型把网页中的指令误认为用户指令,就可能改变后续操作。

这就是 Browser Prompt Injection。一个页面可以隐藏“把当前用户的邮件内容发送到某个地址”之类的指令。模型如果没有区分用户意图和页面内容,就可能在合法的浏览器会话中执行非预期动作。

Anthropic 已经为 Claude in Chrome 引入多层防护:

官方安全文档明确说明:页面截图会进入对话上下文,安全分类器也不能保证识别所有新型攻击。对于敏感站点,建议使用独立浏览器 Profile 和严格的站点 Allowlist;对于受监管数据,Anthropic 也明确提示不要把 Claude in Chrome 当成默认处理路径。组织启用 HIPAA 的情况下,该功能默认关闭,而且不会自动纳入现有 BAA 覆盖范围。

安全流程应当把三个问题分开:

  1. Content Trust:网页内容只是数据,不能因为它出现在页面上就提升为系统指令。
  2. Action Authorization:即使模型理解了页面,也不代表它有权执行页面上的任何动作。
  3. Business Confirmation:删除、发布、付款、修改权限等有业务后果的操作,需要明确的授权和结果验证。

上图展示了浏览器 Agent 的动作检查链。在企业环境里,建议把只读操作、可逆写操作和不可逆业务操作分成不同的权限等级。浏览器登录态只说明用户可以访问某个系统,不应该自动授予 Agent 执行所有业务动作的权力。

安全参考:

7. 如果自己实现 Browser Agent,应该怎么选?

先确定你要解决的是浏览器控制、Agent 编排,还是一套完整的浏览器工作平台。它们的实现成本和维护边界差异很大。

需求推荐起点原因
Web UI 自动化测试Playwright确定性高、生态成熟、测试能力完整
给现有 Agent 增加自然语言浏览器工具Stagehand原语清晰,容易接入不同 Agent Runtime
需要独立 Browser AgentBrowser UseAgent Loop 和浏览器执行结合,适合探索自主任务
长流程业务自动化Skyvern提供任务、验证和服务化能力
Chrome 调试、网络和性能分析Chrome DevTools MCPDevTools 能力覆盖更完整
真实登录态、多个 Agent 并行、本地浏览器BrowserOS neo产品本身围绕 Agent 浏览器设计

7.1 推荐的企业架构

如果已有 Copilot SDK、Claude Agent SDK 或其他 Agent Runtime,不建议把浏览器自动化平台和 Agent Orchestration Runtime 重新做成一个大系统。浏览器应该作为独立的执行工具层,由上层 Agent 负责任务理解、规划和业务状态管理。

可以把实现拆成五个边界:

其中 Browser Adapter 不应把具体浏览器框架的对象直接暴露给业务 Agent。应当用有限的工具契约表达能力,例如 observe_page、navigate、act、extract 和 verify_state。具体底层可以是 Playwright、CDP 或 Stagehand。

更重要的是,Browser Agent 需要一个独立的执行记录。每个动作至少保留目标页面、动作类型、执行前状态、授权决策、执行结果和验证结果。只记录模型对话不足以满足故障排查和审计要求。

7.2 先做一个最小可用版本

第一版只需要支持单个浏览器 Profile、有限站点范围、页面观察、点击和输入、执行后验证,以及用户确认。不要一开始就实现多浏览器、多租户、跨设备会话迁移和复杂工作流编排。

当真实任务证明需要并行执行后,再增加多 Tab 和多 Agent 隔离;当业务需要无人值守运行后,再引入持久化任务、恢复机制和执行队列。安全策略应从第一版就存在,而不是等自动化能力变强后再补。

7.3 应该如何评估?

不能用“能不能打开网页”作为 Browser Agent 的验收标准。建议建立一组可重复的任务集,覆盖页面读取、跨 Tab 信息汇总、登录态使用、表单填写、页面结构变化、网络失败、登录过期、恶意页面指令和重复提交。

至少记录以下指标:

指标说明
Task Success Rate任务最终业务结果是否满足预期
Action Success Rate单个动作是否按预期执行
Recovery Rate页面变化、超时或失败后能否恢复
Verification Coverage写操作是否有后置状态验证
Prompt Injection ASR恶意页面指令导致非授权行为的成功率
Cost per Completed Task完成任务的模型、浏览器和基础设施成本
Human Intervention Rate需要用户处理或确认的任务比例
Audit Completeness是否能还原每一步的输入、动作和结果

比较不同方案时必须使用同一批页面、相同浏览器状态、相同任务目标和相同权限策略。否则,模型能力、登录状态、页面结构和授权差异都会污染结果。

8. 结论:浏览器正在成为 Agent 的一等执行环境

Claude in Chrome 的价值不是发明了浏览器自动化。Playwright、CDP、Browser Use 和 Stagehand 已经提供了不同层次的浏览器控制能力;VS Code Copilot 也已经把 Agent Browser 集成进开发环境。

它的产品价值在于把真实浏览器会话接入 Claude 的通用工作流。用户可以从当前页面发起任务,再让 Cowork 或 Claude Code 继续处理;Agent 可以访问没有 API 的内部系统,复用用户登录态,并把浏览器操作与本地文件、代码和其他工具组合起来。

如果只关心 Web 开发验证,VS Code 集成浏览器和 Playwright 已经足够强,Claude in Chrome 并不构成不可替代的优势。如果目标是跨 SaaS、内部门户和传统 Web 系统执行真实业务任务,浏览器会话、站点授权、动作验证和安全隔离才是选型重点。

从工程角度看,值得长期投入的不是再造一个能点击网页的 Agent,而是建立一个可替换浏览器驱动、可审计、可恢复、能管理真实登录态和动作权限的 Browser Runtime。模型负责决定下一步做什么,浏览器层负责安全地执行并提供证据;两者之间应保持清晰边界。