< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
BrowserBC：克隆人类点击，让一次网页操作转化为所有Agent的能力
人类一次录制，Agent就能模拟
量子位 | 公众号 QbitAI
Agent从来不是不会用浏览器，只是浪费太多时间在探索——BrowserBC把人类轨迹蒸馏成可复用Skill来完成Behavior Cloning，用户点一遍，Agent照着就能跑通。
今天的Web Agent，已经不缺「会操作」这件事。
Claude、Codex这类Agent能看页面、能识别按钮和输入框，能点击、输入、跳转、提交。
真正卡住它们的，是另一个问题：
每接一个新任务、每换一个新网站，几乎都要让最强、也最贵的那个模型，从零开始再把整个流程摸索一遍
而这种「从零摸索」，常常摸着摸着就出岔子：
，在几个页面之间反复横跳；慢慢
，越走越远；在搜索结果里来回切换却始终没读全；或者明明已经很接近答案，却提前收手、草草交差。
在摸索一遍之后呢？就算这次侥幸做成了，这点经验也往往随着这一轮对话一起蒸发。下一次同类任务，再换一个Agent，还要从头试错、再踩一遍同样的坑。
于是，一个很朴素的问题浮出水面：
能不能做一次、复用很多次？
更具体一点——能不能让人把任务认真做一遍，把这一遍操作里的「门道」打包下来，然后交给一个更便宜、更小的模型，让它照着做，就能完成同一类任务？
Einsia AI旗下Navers Lab发布的开源项目BrowserBC给出的答案，是一条三步范式：录制→转写成Skill→交付执行
：在浏览器里做任务的时候，把全过程完整记录下来——任务指令、每一步的页面观察（既有渲染出来的截图，也有结构化的DOM/可访问性树快照）、用户的每一个动作（点击、输入、跳转、提交，并带着对应的元素定位）、页面给出的反馈（页面跳转、校验与报错信息、完成信号），以及任务最终落到哪个状态。
：关键在于，它不是把这段操作存成一段「回放脚本」，而是由模型把它转写成一份自然语言的Skill——一份说明书式的「技能卡」，写清楚这类任务该怎么做、怎么判断做对了。
：再把这份Skill交给任意一个模型去读。它据此在真实页面上自己落地操作，而不是机械复刻某一次的点击坐标。
说得通俗一点，BrowserBC有点像
agentic时代的「按键精灵」
传统的按键精灵，会把人的鼠标点击和键盘敲击录下来再回放——但它录的是写死的坐标和按键，页面一变、布局一动，整段脚本立刻就废了。
BrowserBC录的不是坐标，而是把这一遍操作
转写成一份讲清「该做什么、怎么算做完」的技能
它能被另一个模型读懂，能在变了样的页面上举一反三，也能被不断合并、复用——它是那种会「理解」、能迁移、还能直接交给别人用的按键精灵。
这也揭示出BrowserBC的核心——
技能从哪里来，和技能由谁来执行，可以彻底分开
人在浏览器里把任务做一遍，这一遍操作被转写成技能；之后照着技能把同类任务做下去的，是另一个、哪怕更小、更便宜的模型。技能一旦被转写成自然语言，就能在模型之间自由地传递、复用、组合。
这正是通往「通用网页浏览」的关键步骤：
把人类每天的浏览器行为蒸馏给Agent去做
*BrowserBC把人类的浏览器操作轨迹蒸馏成可复用的自然语言技能，为Agent提供访问陌生网站时的“决策先验”。
Github：https://github.com/Einsia/Browser-BC
Blog：https://lab.einsia.ai/browserbc/
Paper：https://lab.einsia.ai/browserbc/paper
人类一次录制，Agent就能模拟
研究团队录制了一个case：
视频链接：https://mp.weixin.qq.com/s/OFXkRh_keR4HzgTImCGjVg
任务很常见：旅行前想要在目的地找一处安心、方便、实惠的民宿，需要在预订网站输入时间、地点、预约人数，按照网站评分、评分数量筛选，并且排序找出里面最优的选项。
这类任务看起来不难，但是小模型经常栽在它上面——不是不理解任务，而是要么不知道怎么用筛选功能，要么产生幻觉输出虚构信息假装完成。
。研究团队先让一个人把它完整做一遍：进入网站→输入时间地点人数→应用合适的筛选器→阅读所有搜索结果→找到最佳选项。整个过程被原样记录下来。
第二步，转写成Skill
。系统把这段操作转写成一张技能卡，而不是一段坐标回放。卡片上写的是这一类任务的通用门道：
：在预订网站找到最佳的住宿选项；
：先写基本信息，搜索之后逐项应用筛选器——这正是小模型最容易不理解或者做不到的地方；
：最后输出可以人工核查的版本；
：官方筛选器可能和用户实际需要的标准不一样，如有需要则需要自己编写脚本筛选。
第三步，交付给一个小模型执行
。这张卡片被交给一个明显更小的模型，让它去完成另外一次旅程的信息检索，做同类型的任务。
没有这张卡片时，它要么跌跌撞撞卡死或者很久才勉强完成任务，要么直接输出幻觉；拿到卡片后，它立刻知道要输入什么信息，要核查什么界面，哪些要依赖网站官方哪些要自己判别——于是稳定地把任务做完了。