四分钟实测：给智能体换「眼睛」，比换模型更管用
Browser Agents Don't Need Better Models. They Need Better Eyes. - Kushan Raj, ARK · Kushan Raj
全片 4 分钟·真正值得盯屏约 3 分钟·3 个必看点
- 0:00 – 0:18听
一个没人真正在用的好点子
开场抛出现状：浏览器智能体的概念很吸引人，但实际采用率极低。讲者把目标定为让它更快、更便宜、更可靠。
问题不是「能不能做」，而是慢和不可靠让它进不了日常使用。
纯口头交代背景和动机，屏幕上没有需要盯着看的东西，边做别的事听着就行。▶ 跳到 0:00讲者 · Kushan Raj - 0:18 – 0:52看
现有智能体慢到什么程度
在需要连续多步操作的浏览器基准测试里演示现有智能体的表现：仅仅点一个开始按钮就花掉十到二十秒，一个三十步的任务在第一步就已经举步维艰。
长序列任务的失败不是偶发，而是每一步都在缓慢消耗，累积成必然崩盘。
慢的程度只有看着进度条一秒秒走才有体感，转述成文字会完全失真，这段要盯着屏幕。▶ 跳到 0:18讲者 · Kushan Raj - 0:52 – 1:36看
反直觉的判断：模型没问题
讲者提出核心假设——模型已经足够聪明，短板在模型周围的基础设施。失败案例里智能体不是不会想，而是反复点击却读不懂页面到底发生了什么变化。同时首次亮出自家方案的运行效果。
把「智能体做不好」归咎于模型能力，方向就找错了；它缺的是对页面状态的感知。
论点和第一段自家演示是叠在一起讲的，屏幕上正在跑的那个更快的流程就是论据本身，只听会漏掉对照。▶ 跳到 0:52讲者 · Kushan Raj - 1:36 – 2:14看
实测一：下载证件文件
同一个下载 Aadhaar 的任务，两个智能体并排跑。基于截图循环的 Claude 智能体点完第一个按钮就开始反复截图、滚动、再截图，整套流程耗时约两分钟；讲者的智能体换用更便宜的模型，几乎立刻完成。
截图看到的只是页面局部，智能体必须靠滚动去「摸索」，时间就消耗在这里。
两边并排跑的画面差距是全场最直观的一幕，那种一边空转一边已经结束的对比必须亲眼看。▶ 跳到 1:36讲者 · Kushan Raj - 2:14 – 2:51看
实测二：陌生网站上的日期选择
换到一个加拿大徒步预订网站，界面对智能体不友好。Claude 最终没能选中日期直接卡死，讲者的智能体顺利选好日期完成预订。
真正区分优劣的是陌生、不规范的网站，日期控件这类交互最容易暴露表示层的缺陷。
卡死发生在日期控件的那几秒操作上，只有看着鼠标在日历里反复试探才知道它到底败在哪一步。▶ 跳到 2:14讲者 · Kushan Raj - 2:51 – 3:24略
打算怎么交付：开源与产品形态
讲者说明代码本身没有太强的防御壁垒，因此考虑把项目开源；产品形态还在权衡，可能做成一个接受 URL 和意图、替你执行并返回结果的接口，也可能是网站或浏览器插件。
护城河不在代码，所以他更倾向开源换取采用率——这也解释了为什么整场都在谈基础设施而非模型。
这段主要是配着几行命令示例在讲规划，方向性内容多，扫一眼画面听个结论即可。▶ 跳到 2:51讲者 · Kushan Raj - 3:24 – 4:21听
技术细节：1800 token 看完整页
给出关键数字对比：完整 DOM 约两万 token，一张只覆盖页面局部的截图约 1100 token，而他设计的 markdown 压缩表示只要约 1800 token 就能让模型看到整个网站。配套还有一套端到端的页面状态追踪，告诉智能体哪些元素新出现、哪些消失、遮挡目标的东西是否已移除、某次点击为什么没生效。
价值不只在省 token，而在于「看得见整页 + 知道刚才改变了什么」，智能体才有可能规划长序列操作。
结尾这段基本是讲者口述数字和机制，屏幕没有再演示什么，专心听那几个 token 数字和反馈项就够了。▶ 跳到 3:24讲者 · Kushan Raj