微软开源Webwright：浏览器Agent终于跳出"猜下一步点哪"的死胡同
2026年5月，微软开源了终端原生Web Agent框架Webwright，这事儿在Agent开发圈子里炸开了锅。
先说几个核心判断：这个框架的设计思路，可以说是彻底跳出了过去那种“单步操作”的老路子。
过去绝大多数浏览器Agent走的是同一条路：看页面，猜下一步，点一下，再猜。每一步都得调用一次大模型。说实话，在LLM能力还不够强的时候，这套逻辑确实能跑通。但问题是，随着模型写代码的能力越来越强，这种“小步慢跑”的设计反而成了瓶颈。
Webwright的思路完全不同，它更接近一个真实工程师做自动化的方式：
- 让LLM直接编写可运行的Playwright脚本，把网页操作转换成可复用的Python程序。
- 所有状态——脚本、截图、日志——都存在本地工作区里。浏览器会话只是一个可以随时启动、检查、丢弃的运行环境，它本身不是状态载体。
- 架构极简到让人有点意外：核心只有三个模块，加起来大概1500行代码。没有多智能体系统，没有图引擎，没有多余的插件层，依赖库也就四个：httpx、pydantic、playwright、typer。
这种模式的好处是，Agent跑完任务之后，留下的不是一次性操作痕迹，而是一份可以直接修改、复用、分享的自动化脚本。这才是关键所在。
性能达到SOTA级别
Webwright在两大主流浏览器Agent基准测试中，都刷新了当前开源框架的最好成绩。下面是用100步预算跑出来的结果：
- （包含300个真实网页任务）：用GPT-5.4跑到了86.7%的准确率，这是同类开源框架中的最高水平；用Claude Opus 4.7也能达到84.7%，而且在难例拆分上甚至超过了GPT-5.4（80.5% vs 76.6%）。
Online-Mind2Web
- （200个长程任务，平均需要76.1步）：用GPT-5.4拿到60.1%的完成率，比之前的SOTA高出15.6个百分点，比用坐标预测的基线GPT-5.4高出26.6个百分点。
Odysseys
另外，测试还发现一个有意思的点：哪怕是Qwen-3.5-9B这样的小模型，配合预置工具脚本，也能在Online-Mind2Web的难例上达到66.2%的完成率。对于低成本部署场景来说，这个表现相当扎实。
Odysseys长程任务评测结果对比
Online-Mind2Web任务评测结果对比
生态集成与附加功能
Webwright已经完成了主流Agent生态的适配，不需要改现有工作流就能直接接入：
- ：通过插件市场安装后，支持两个命令——
Claude Code
/webwright:run（跑一次性任务）和/webwright:craft（生成可复用的参数化脚本）。 - ：同样通过插件市场安装，用
OpenAI Codex
@webwright就能调用。 - ：共用同一套skill目录，加载就能用。
OpenClaw、Hermes Agent
除此之外，还有两个实用功能值得留意：
- ：任务完成后自动把结果渲染成可交互的HTML应用，省去了自己手动可视化的麻烦。
Task2UI模式
- ：每次运行的轨迹、截图、日志都会存在本地，调试和回溯都很方便。
全程可审计
和同类项目的核心区别
社区里也有人问，Webwright和browser-use、agent-browser这些项目到底有什么不同？官方给出的架构对比很清楚：
维度 | Stagehand (Browserbase) | agent-browser (Vercel) | browser-use | Webwright |
|---|---|---|---|---|
范式 | 混合：代码 自然语言原语 | 供其他Agent调用的CLI工具 | 基于DOM快照的自主LLM循环 | 带终端的编码Agent，浏览器只是启动的运行环境 |
动作空间 | Playwright代码，或自然语言转译的Playwright | 离散子命令（打开、点击、截图等） | LLM选择的索引式点击/输入 | 自由格式Python，自己写完整Playwright脚本 |
状态载体 | 浏览器会话 | 浏览器会话 | 浏览器会话 | 本地工作区（代码、截图、日志），浏览器可丢弃 |
循环形态 | 命令式，需要时做多步操作 | 每个微操作调用一次CLI | 观察→预测动作→执行循环 | 写代码→执行→检查截图→修复代码 |
行业共识：Agent要跳出单步操作的局限
Webwright的设计思路在社区里得到了广泛认同，不少从业者表示，这才是浏览器Agent的正确方向。
有开发者指出，绝大多数自动化的瓶颈根本不在动作层，而在决策循环。Playwright点得已经足够快了，真正的问题是“该点什么”。如果新工具能压缩这个决策gap，那就是完全不同的品类；如果只是重新包装一层CDP调用，充其量是横向移动。
FSB（Full Self Browsing）的作者Lakshman Turlapati说得更直白：Webwright说明了方向是对的。Agent不该只猜下一步该点哪里，还要能把真实浏览器会话、DOM、截图、日志和恢复机制放进同一个控制层。FSB做的就是Chrome端的MCP层，让Codex、Claude、Cursor这类Agent能直接控制用户的真实Chrome，同时保留原有的cookie、扩展、登录态，还能做到敏感信息不泄露、多Agent tab隔离。这套方案特别适合处理收件箱分类、客服回复、数据拉取等需要登录态的重复工作。
还有开发者表示，Webwright本质上就是面向浏览场景的编码Agent。他自己之前手动用“Copilot CLI Playwright MCP”搭过类似的工作流，现在终于等来了更官方的方案，已经给OpenClaw和Hermes Agent装上了，用来收集AI编码的模式数据，进一步提升Agent的编程能力。
快速上手
基础运行
环境要求：Python 3.10 ，Playwright安装的Chromium，以及对应后端的API密钥（OpenAI/Anthropic/OpenRouter）。
# 安装
pip install -e .
playwright install chromium
# 运行示例任务
python -m webwright.run.cli -c base.yaml -c model_openai.yaml -t "Search for flights from SEA to JFK on 2026-08-15 to 2026-08-20" --start-url https://www.google.com/flights --task-id demo_openai -o outputs/default作为Claude Code插件安装
# 添加插件市场
/plugin marketplace add microsoft/Webwright
# 安装插件
/plugin install webwright@webwright相关链接
- Webwright GitHub仓库：https://github.com/microsoft/webwright
- Webwright官方博客：https://www.microsoft.com/en-us/research/articles/webwright-a-terminal-is-all-you-need-for-web-agents/
- FSB官方网站：https://full-selfbrowsing.com/agents
- FSB GitHub仓库：https://github.com/lakshmanturlapati/FSB
