作者｜Mario Chow & Figo @IOSG
引言
過去12 個月，網頁瀏覽器與自動化的關係發生了劇烈變化。幾乎所有大型科技公司都在爭相建構自主的瀏覽器代理程式（browser agent）。從2024 年底開始這一趨勢愈發明顯：OpenAI 在1 月推出了Agent 模式，Anthropic 為Claude 模型發布了「電腦使用」功能，Google DeepMind 推出了Project Mariner，Opera 宣布了代理型瀏覽器Neon，而Perplexity AI 則推出了Comet 瀏覽器。訊號十分明確：AI 的未來在於能夠自主導航網頁的代理。
這一趨勢並非只是為瀏覽器加上更聰明的聊天機器人，而是機器與數位環境互動方式的根本轉變。瀏覽器代理程式是一類能夠「看」網頁並採取行動的AI 系統：點擊連結、填寫表單、捲動頁面、輸入文字：就像人類使用者一樣。這種模式承諾將釋放巨大的生產力和經濟價值，因為它能自動化那些目前仍需要人工操作，或傳統腳本過於複雜而無法完成的任務。
▲ GIF 示範：AI 瀏覽器代理程式的實際操作：遵循指令，導覽至目標資料集頁面，自動截圖並擷取所需資料。
誰將贏得AI 瀏覽器之戰？
幾乎所有大型科技公司（以及一些新創公司）都在開發各自的瀏覽器AI 代理方案。以下是最具代表性的幾個項目：
OpenAI – Agent 模式
OpenAI 的Agent 模式（前身名為Operator，2025 年1 月推出）是一種自帶瀏覽器的AI 代理程式。 Operator 能夠處理各種重複性的線上任務：例如填寫網頁表單、訂購雜貨、安排會議：全部透過人類常用的標準網頁介面完成。
▲ AI 代理商像專業助理一樣安排會議：檢查日曆、尋找可用時段、建立活動、發送確認，並為你產生.ics檔案。
Anthropic – Claude 的“Computer Use”
2024 年底，Anthropic 為Claude 3.5 引進了全新的「Computer Use（電腦使用）」 功能，賦予了其像人一樣操作電腦和瀏覽器的能力。 Claude 可以看螢幕、移動遊標、點擊按鈕、輸入文字。這是首個同類的大模型代理工具進入公開測試版，開發者可以讓Claude 自動導航網站和應用程式。 Anthropic 將其定位為實驗性功能，主要目標是實現網頁上的多步驟工作流程自動化。
Perplexity – Comet
AI 新創公司Perplexity（以問答引擎聞名）在2025 年中期推出了Comet 瀏覽器，作為Chrome 的AI 驅動替代品。 Comet 的核心是內建在網址列（omnibox）中的對話式AI 搜尋引擎，能夠提供即時問答和摘要，而不是傳統的搜尋連結。
- 此外，Comet 還內建Comet Assistant，這是一個駐留在側邊欄的代理，可以跨網站自動執行日常任務。例如，它可以總結你打開的郵件、安排會議、管理瀏覽器標籤頁，或代表你瀏覽並抓取網頁資訊。
- 透過側邊欄介面讓代理程式感知當前網頁內容，Comet 旨在將瀏覽與AI 助理無縫融合。
瀏覽器代理程式的真實應用場景
在前文中，我們已經回顧了各大科技公司（OpenAI、Anthropic、Perplexity 等）如何透過不同的產品形態為瀏覽器代理程式（browser agents）注入功能。為了更直觀地理解它們的價值，我們可以進一步看看在真實場景中，這些能力如何被應用到日常生活和企業工作流程中。
日常網頁自動化
#電商與個人購物
一個非常實用的場景是將購物與預訂任務委託給代理商。代理商可以根據固定清單自動填入你的線上購物車並下單，也可以在多個零售商之間尋找最低價，並代你完成結帳流程。
對於旅行，你可以讓AI 執行這樣的任務：「幫我預訂下個月去東京的航班（票價低於800 美元），再訂一家有免費Wi-Fi 的酒店。」代理會處理整個流程：搜尋航班、比較選項、填寫乘客資訊、完成酒店預訂，全部透過航空公司與酒店網站完成。這種自動化程度遠遠超越了現有的旅遊機器人：它不僅僅是推薦，而是直接執行購買。
#提升辦公室效率
代理商能夠自動化許多人們在瀏覽器中進行的重複性業務操作。例如，整理電子郵件並提取待辦事項，或在多個日曆中檢查空檔並自動安排會議。 Perplexity 的Comet 助理已經可以透過網頁介面總結你的收件匣內容，或為你增加行程。代理商還可以在獲得你的授權後，登入SaaS 工具產生常規報告、更新電子表格，或提交表單。想像一個HR 代理，能夠自動登入不同的招募網站發布職缺；或一個銷售代理，可以更新CRM 系統的潛在客戶資料。這些日常瑣碎工作本來會耗費大量員工時間，但AI 可以透過自動化網頁表單和頁面操作完成。
除了單一任務，代理還能串連起跨多個網路系統的完整工作流程。所有這些步驟都需要在不同的網頁介面中操作，而這正是browser agent 的強項。代理程式可以登入各種儀表板進行故障排查，甚至編排流程，例如為新員工完成入職作業（在多個SaaS 網站上建立帳號）。本質上，任何目前需要點開多個網站完成的多步驟操作，都可以交由代理執行。
當下的挑戰與限制
儘管潛力巨大，但今天的瀏覽器代理程式距離完美仍有很大差距。目前的實現揭示了一些長期存在的技術和基礎設施難題：
架構不匹配
現代網路是為人類操作的瀏覽器而設計的，並且隨著時間的推移逐漸演變為主動抵禦自動化。數據常常埋藏在為視覺展示優化的HTML/CSS 中，被互動手勢（滑鼠懸停、滑動）所限制，或只能透過未公開的API 存取。
在此基礎上，反爬蟲與反詐騙系統又人為增加了額外屏障。這些工具結合了IP 信譽、瀏覽器指紋、JavaScript 挑戰回饋以及行為分析（例如滑鼠移動的隨機性、打字節奏、停留時間）。矛盾的是，AI 代理表現得越「完美」、效率越高：例如瞬間填表、從不出錯，就越容易被辨識為惡意自動化。這可能導致硬性失敗：例如OpenAI 或Google 的代理可能順利完成結帳前的所有步驟，但最終卻被CAPTCHA 或二次安全過濾攔下。
人類優化的介面與對機器人不友善的防禦層疊加在一起，迫使代理人採取脆弱的「人機模仿」策略。這種方法極易失效，成功率低（如果沒有人工幹預，完整交易的完成率仍不到三分之一）。
信任與安全顧慮
要讓代理程式獲得完全控制，通常需要存取敏感資訊：登入憑證、Cookies、雙因素認證令牌，甚至支付資訊。這帶來了用戶與企業都能理解的擔憂：
- 如果代理商出錯或被惡意網站欺騙怎麼辦？
- 如果代理人同意了某個服務條款或執行了某筆交易，誰該負責？
基於這些風險，目前的系統普遍採取謹慎態度：
- Google 的Mariner 不會輸入信用卡資料或同意服務條款，而是交還給使用者。
- OpenAI 的Operator 會提示使用者接管登入或CAPTCHA 挑戰。
Anthropic 的Claude 驅動的代理可能直接拒絕登錄，理由是安全考慮。
結果是：AI 與人類之間頻繁的停頓與交接，削弱了無縫自動化的體驗。
儘管存在這些障礙，進展仍在快速推進。 OpenAI、Google、Anthropic 等公司在每一輪迭代中都吸收失敗經驗。隨著需求的增長，很可能會出現一種「共同演化」：網站在有利的場景下變得更友善於代理，而代理也會不斷提升對人類行為的模仿能力，以繞過現有屏障。
方法與機遇
當下的瀏覽器代理正面臨兩種截然不同的現實：一方面是Web2 的敵對環境，反爬蟲與安全防禦無所不在；另一方面是Web3 的開放環境，自動化反而常常受到鼓勵。這種差異決定了各類解決方案的方向。
以下的解決方案大致分為兩類：一類幫助代理繞過Web2 的敵對環境，另一類則是原生於Web3 的方案。
雖然瀏覽器代理面臨的挑戰仍顯著，但新的專案正不斷湧現，試圖直接解決這些問題。加密貨幣與去中心化金融（DeFi）生態正在成為天然的試驗場，因為它開放、可程式化、且對自動化不那麼敵視。開放的API、智能合約與鏈上透明性，消除了許多Web2 世界常見的摩擦點。
以下是四類解決方案，每一類都在應對當下的一項或多項核心限制：
面向鏈上操作的原生代理型瀏覽器
這些瀏覽器從零開始就是為自主代理驅動而設計的，並且與區塊鏈協議深度整合。與傳統的Chrome 瀏覽器不同，後者若要進行鏈上操作自動化需要額外依賴Selenium、Playwright 或錢包插件；而原生代理型瀏覽器則直接給予API 和可信任的執行路徑，供代理呼叫。
在去中心化金融中，交易的有效性依賴的是加密簽名，而不是使用者是否「像人類」。因此在鏈上環境中，代理可以繞過Web2 世界常見的CAPTCHA、詐欺偵測分數和裝置指紋檢查。然而，如果這些瀏覽器指向像Amazon 這樣的Web2 網站，它們並不能繞過相關的防禦機制，在那種場景下仍然會觸發正常的反機器人措施。
代理型瀏覽器的價值並不是能神奇地造訪所有網站，而是：
- 原生區塊鏈整合：內建錢包與簽章支持，無需再透過MetaMask 彈跳窗或解析dApp 前端的DOM。
- 自動化優先設計：提供穩定的高層指令，能直接映射為協定操作。
- 安全模型：精細化的權限控制與沙箱，確保私鑰在自動化過程中安全。
- 效能最佳化：能夠並行執行多個鏈上調用，而無需瀏覽器渲染或UI 延遲。
#案例：Donut
Donut 將區塊鏈數據與營運視為一等公民進行整合。使用者（或其代理）可以懸停查看代幣的即時風險指標，或直接輸入自然語言指令如“/swap 100 USDC to SOL”。透過跳過Web2 的敵對摩擦點，Donut 讓代理在DeFi 中全速運行，提升流動性、套利與市場效率。
可驗證與可信任的代理執行
讓代理獲得敏感權限風險很大。相關解決方案使用可信任執行環境（TEEs）或零知識證明（ZKPs）來在執行前加密確認代理的預期行為，使用戶與對手方在不暴露私鑰或憑證的前提下驗證代理動作。
#案例：Phala Network
Phala 使用TEEs（如Intel SGX）來隔離與保護執行環境，以避免Phala 運作者或攻擊者窺探或竄改代理邏輯與資料。 TEE 就像一個硬體加持的“安全密室”，保證了保密性（外部無法看到）與完整性（外部無法修改）。
對於瀏覽器代理，這意味著它可以登入、持有會話令牌，或處理支付訊息，而這些敏感資料永遠不會離開安全密室。即便使用者機器、作業系統或網路被攻破，也無法洩漏。這直接緩解了代理應用落地的最大障礙之一：對敏感憑證與操作的信任問題。
去中心化的結構化資料網絡
現代的反機器人檢測系統不僅檢查請求是否“過快”或“自動化”，還會結合IP 信譽、瀏覽器指紋、JavaScript 挑戰反饋與行為分析（例如遊標移動、打字節奏、會話歷史）。那些來自資料中心IP 或完全可重複的瀏覽環境的代理程式很容易被識別。
為了解決這個問題，這類網路不再抓取為人類優化的網頁，而是直接收集並提供機器可讀的數據，或透過真實的人類瀏覽環境代理流量。這種方式繞過了傳統爬蟲在解析與反爬環節的脆弱性，能為代理人提供更乾淨、更可靠的輸入。
透過將代理流量代理到這些真實世界的會話，分散式網路（distribution network）讓AI 代理程式可以像人一樣存取網頁內容，而不會立即觸發封鎖。
#案例
- Grass：去中心化資料/DePIN 網絡，使用者共享閒置的住宅寬頻，從而為公共網頁資料收集與模型訓練提供代理友好、地理多樣化的存取管道。
- WootzApp：支援加密貨幣支付的開源行動瀏覽器，帶有後台代理與零知識身分；它將AI/資料任務「遊戲化」推向消費者。
- Sixpence：分散式瀏覽器網絡，透過全球貢獻者的瀏覽，為AI 代理程式路由流量。
不過這並非完整解決方案。行為偵測（滑鼠/滾動軌跡）、帳戶層級的限制（KYC、帳號年齡）以及指紋一致性檢查依然可能觸發封鎖。因此，分散式網路最好被視為基礎的隱性層，必須與模仿人類的執行策略結合才能發揮最大效果。
面向代理商的網頁標準（前瞻）
目前，越來越多的技術社群和組織正在探索：如果未來網路使用者不僅是人，還有自動化代理（agent），網站該如何安全、合規地與它們打交道？
這推動了一些新興標準和機制的討論，目標是讓網站能夠明確表示“我允許可信代理訪問”，並且提供一個安全的通道來完成交互，而不是像今天這樣默認把代理當作“機器人攻擊”來攔截。
- 「Agent Allowed」 標籤：就像搜尋引擎遵守的robots.txt 一樣，未來網頁可能會在程式碼中加上一個標籤，告訴瀏覽器代理程式「這裡可以安全存取」。比如說，如果你用代理訂機票，網站就不會彈出一堆驗證碼（CAPTCHA），而是直接提供一個認證後的介面。
- 認證代理的API 網關：網站可以為經過驗證的代理開放專門的入口，就像「快速通道」一樣。代理不需要模擬人類點擊、輸入，而是走一條更穩定的API 路徑完成下單、付款或資料查詢。
- W3C 的討論：萬維網聯盟（W3C）已經在研究如何為「受管自動化」制定標準化通道。這意味著，未來我們可能會有一套全球通用的規則，讓可信任代理商能被網站辨識並接納，同時保持安全和可追責。
雖然這些探索都還在早期，但一旦落地，就可能大幅改善人類↔代理↔網站之間的關係。想像一下：不再需要代理拼命模仿人類滑鼠移動來「騙過」風控，而是光明正大地透過一個「官方允許」的通道完成任務。
在這條路線上，加密原生的基礎架構可能會率先起步。因為鏈上應用天生就依賴開放API 和智慧合約，對自動化是友善的。相較之下，傳統Web2 平台也可能繼續謹慎防守，尤其是依賴廣告或反詐騙系統的公司。但隨著使用者和企業逐漸接受自動化帶來的效率提升，這些標準化嘗試很可能會成為推動整個網路邁向「代理優先架構」的關鍵催化劑。
結論
瀏覽器代理程式正在從最初的簡單對話工具，演化成能夠完成複雜線上工作流程的自主系統。這項轉變反映了一個更廣泛的趨勢：將自動化直接嵌入使用者與網路互動的核心介面中。雖然生產力提升的潛力巨大，但挑戰同樣嚴峻，包括如何突破根深蒂固的反機器人機制，以及如何確保安全性、信任與負責任的使用方式。
在短期內，代理的推理能力提升、速度更快、與現有服務的更緊密整合，以及分散式網路的進步，可能會逐步提高可靠性。從長期來看，我們或許會在那些自動化對服務提供方與用戶雙方都有利的場景中，看到「代理友好」標準的逐步落地。不過，這個轉變將不會是均勻的：在如DeFi 這樣的自動化友善環境中，採用速度會更快；而在嚴重依賴使用者互動控制的Web2 平台，接受程度會更慢。
未來，科技公司的競爭將越來越集中在以下幾個方面：其代理商在現實世界限制下的導航能力如何、能否安全地整合到關鍵工作流程中，以及能否在多樣化的線上環境中穩定交付結果。至於這一切是否最終會重塑“瀏覽器之戰”，取決的並非單純的技術實力，而是能否建立信任、對齊激勵，並在日常使用中展現出切實的價值。
