让 AI 学会“自己上网干活”：微软 Webwright 把浏览器变成终端

你有没有这种感觉：现在的 AI 写代码已经很猛了，但一旦让它“去某个网站帮我填个表、查个机票、抓个竞品价格”，它立刻变成人工智障？

不是模型不行，是交互范式错了。

微软最新开源的 Webwright 直接把这个问题连根拔起。它的核心思路很简单粗暴：别让 AI 学你点击哪里，让它学会写代码控制浏览器。

它到底是什么？

Webwright 是一个极简的浏览器智能体框架，把“浏览器”和“模型”彻底解耦。AI 不再是在浏览器里一步一步猜“下一步点哪”，而是获得一个终端，可以在里面启动浏览器、截图、查元素、写脚本、执行、看结果、修 bug——就像你自己手动调试 RPA 脚本一样。

官方说核心 agent 循环只有约 450 行 Python，Playwright 环境约 570 行。整个依赖就是 httpx + pydantic + playwright + typer，没有多余的 orchestration 层，没有隐藏的图引擎，没有多智能体 swarm。

性能炸裂：长程任务直接 SOTA

这是最让我意外的地方。Webwright 在两大真实网页基准上跑出了开源最高分：

• Online-Mind2Web（300 个任务）：用 GPT-5.4 达到 86.7%，超过所有开源方案；Claude Opus 4.7 也有 84.7%，而且 hard split 更强。
• Odysseys（200 个长程任务，平均 76 步）：GPT-5.4 达到 60.1%，比上一版 SOTA 高了 +15.6 分。

为什么这么强？因为传统的“截图+预测坐标”方式在长任务里会不断累积误差，而 Webwright 让模型写的是可重跑的 Python 脚本——出错可以 debug、可以修、可以复用。代码比点击坐标更稳定，这是根本性的架构优势。

谁在用、怎么用？

Webwright 已经支持多个主流 AI 编程工具：
– Claude Code：/plugin marketplace add microsoft/Webwright 然后安装
– OpenAI Codex：同样的 marketplace，Codex CLI 直接读
– OpenClaw、Hermes Agent 也已支持

装上之后你可以直接说：“帮我查 SEA 到 JFK 的机票”，或者“帮我做一个可重用的脚本，以后查不同日期都能用”。Webwright 会自动生成 final_script.py，每一步截图存盘，关键节点做视觉自检。

还有个很酷的 Task2UI 模式：完成网页任务后，直接把结果渲染成一个基于 HTML 的迷你 web app，你可以打开复用。

我的看法

大多数 web agent 项目的问题都是“太复杂”：图引擎、多智能体、隐藏 orchestration、黑盒状态机。Webwright 的反思路径很对——把浏览器当环境，把代码当状态。Local workspace 里的脚本和日志才是真正的状态，浏览器用完就扔。

如果你在用 Claude Code / Codex，想做任何“让 AI 替你上网”的事，Webwright 是目前最值得试的方案，没有之一。

🔗 GitHub：https://github.com/microsoft/Webwright

GitHub: https://github.com/microsoft/Webwright