太长不看: 我们的浏览器智能体在 Google Flights 上找出三个最便宜的航班用了 30.7 秒,而同一个智能体操控本地 Chrome 只用了 17.6 秒。六个原因解释了 13.1 秒差距中的 12.8 秒。其中两个属于配置问题(模型的服务档位和默认代理),仅修复这两个问题就把运行时间降到了 20.7 秒。其他原因包括 CDP 往返、始终无法判定稳定的页面稳定检测、占用主线程的验证码检测器,以及我们自己的提示词。10 月 9 日,该智能体在生产环境中完成这项任务用了 18.0 秒。
我们的智能体需要 30.7 秒才能找出从苏黎世到伦敦最便宜的三个航班。同一个智能体在笔记本电脑上操控本地 Chrome 时只需要 17.6 秒。造成这段差距的大多数因素,你今天就可以在自己的智能体中检查;其中一个是“页面已安静”检测器,它始终没有触发,因为 Google Flights 每一帧都会重写一个 CSS 类。
先说明这些数字的一个注意事项:30.7 秒来自我们 9 月 27 日的预发布环境,18.0 秒来自 10 月 9 日的生产环境,而这 18 秒中约有 3.4 秒的模型耗时至今仍无法解释。
浏览器智能体的时间都花在了哪里
任务很简单:在 Google Flights 上查询固定日期的单程航班,并报告最便宜的 3 个。评分器要求至少提供 3 个不同的价格,并包含预期中最便宜的航空公司。我们保持模型不变,只调整其周边的一切。大部分工作由智能体完成:每次在功能开关后只测试一项改动,同时由评判器检查,确保速度提升不是通过少做事情实现的(我们如何评判运行结果).
事件时间戳将每次运行分为启动、模型、工具、收尾和轮询几个阶段。下面按原因列出了我们的云端配置与本地 Chrome 之间的差距。本地 Chrome 是基准下限,因为没有网络中转,也没有代理。
本文余下部分将大致按照我建议的排查顺序逐一介绍这些原因。
两个配置开关:服务档位和默认代理
我们调用 OpenAI 时使用的是标准档位,而本地运行使用的是优先档位。优先档位的每 token 成本是 2 倍;在我们的复现环境中,它将平均每轮耗时从 1.20 秒降至 1.02 秒(p90 从 1.81 秒降至 1.41 秒),对于一次包含 12 轮的运行而言,相当于缩短约 1.9 秒。
每次运行还都会经过住宅代理。现在,智能体会先直接连接,只有当网站阻止访问时才切换到代理浏览器。即使到了 10 月 9 日,同一套测试框架使用美国代理时仍慢了 5.3 秒(25.3 秒对 20.0 秒,n=8)。
仅调整这两个开关,就让 Flights 的耗时从 30.7 秒降至 20.7 秒,让 example.com 的耗时从 10.3 秒降至 6.5 秒。这节省了 10.0 秒,超过图中两项柱状条相加的 5.7 秒,因此应把该图视为粗略拆分,而非精确分解。
还有一个令人意外的配置问题:在没有明确指定模型参数时,我们的测试框架会以 xhigh 推理强度运行 GPT-6 Luna。有一次 Flights 运行耗时 141 秒,并调用了模型 39 次。请明确设置你的参数。
CDP 往返:在浏览器附近运行
我们的第一次复现是在笔记本电脑上运行的,耗时约 40 秒,比预发布环境还慢。这台笔记本电脑与云端浏览器相隔大半个国家,因此每次 CDP 调用都要花费约 85 ms。有两个步骤分别耗时 8.2 秒和 8.7 秒,换算下来每个步骤大约进行了 100 次串行调用(这是估算值,不是实际计数)。
所以,应在生产环境实际运行的位置执行基准测试。即使在同一区域,每次运行约 260 次调用、每次 3 至 6 ms,累计起来仍会达到一秒,因此减少调用次数也很有价值。云端浏览器读取无障碍树需要 46 ms,而本地 Chrome 只需 12 ms。
始终无法稳定的页面稳定检测
每次操作后都会等待页面稳定:文档已完成解析、没有新的请求正在进行(任何持续超过 1.5 秒的请求都会被视为长轮询或分析请求),并且 DOM 已有 80 ms 未发生变化。等待会在 800 ms 后放弃;如果页面仍在加载,则会在 3,000 ms 后放弃。
在 Flights 上,每一次稳定检测都耗尽了 800 ms 的上限。Google Flights 每一帧都会把相同的值写入 class 属性,MutationObserver 会将其报告为一次变化,因此检测器始终无法判定页面已经安静。修复方法是忽略没有实际改变任何内容的写入:
// Writing an attribute's current value changes nothing
// (Google Flights rewrites a class every frame).
if (
r.attributeName &&
r.oldValue === (r.target as Element).getAttributeNS(r.attributeNamespace, r.attributeName)
)
continue;第二条规则规定,只有当样式变化是某个元素在 200 ms 内发生的第一次变化时,才将其计为变化。这样,菜单打开仍会被计入,而动画循环则不会。同一组改动还停止了每隔 40 ms 重复探测,使一次 Flights 运行中的 CDP 调用减少约 30%,同时评分、模型调用次数和成本均保持不变(PR #19)。无操作写入修复也包含在其中,因此我们只有合并后的数据:在复现环境中,每项任务缩短了 0.5 至 1.4 秒。
阻塞主线程的验证码检测器
9 月 27 日,一次探测显示,云端浏览器的主线程在每个 2 秒窗口中都会被阻塞 674 至 698 ms,而本地环境中这一数值为零。
我们怀疑是始终开启的验证码检测器造成的,于是让一个智能体连夜进行了测试。开启检测器时,处于空闲状态的 Flights 页面会占用 32% 至 35% 的主线程 CPU;关闭后则完全不占用。 Runtime.evaluate 在结果页面上的耗时从约 110 ms 降至 76 ms。
超快速浏览器现在启动时默认关闭求解器。当智能体遇到验证码时,它会调用一个 solve_captcha 工具 ,开启求解器直至验证码得到解决。到了 10 月 9 日,无论求解器开启还是关闭,卡顿都已消失,因此这两周内的其他某项浏览器改动也修复了该问题。我们始终没有查明具体是哪项改动。
更短的提示词和稳定的工具列表
在评分相同的情况下,我们完整的 Cloud 提示词和工具集使超快速智能体耗时增加到 1.16 倍、成本增加到 1.70 倍(9 月 28 日的配对评估)。因此,Cloud 现在使用带有简短提示词的原生 Pi。对于 API 运行,首次模型调用的 token 数从 5,578 降至 2,740;99 项任务中没有一项在通过与失败之间发生变化,运行成本则降低了 20%。
有一个提示词缓存问题本身就很值得修复。在最后一个允许执行的步骤中,测试框架会将工具列表缩减为两个结束工具。工具是缓存前缀的一部分,因此该轮会在未命中缓存的情况下重新发送整个上下文。保持列表不变,并使用 OpenAI 的 allowed_tools 来限制该轮操作,使三个基准测试中的两个将智能体成本降低了 10% 至 17%,同时评分保持不变(PR #20).
修复后的浏览器智能体速度
在部署于浏览器所在区域的 Cloud 副本上应用所有胜出的改动后,每项任务都提速了 23% 至 36%,且全部 49 次运行均保持正确。
随后在 10 月 9 日迎来了真正的生产环境测试,每种配置各运行 Flights 任务 8 次:
| 配置 | 总计 | 模型 | 浏览器 | 正确率 |
|---|---|---|---|---|
| 笔记本电脑 + 本地 Chrome | 18.8 秒 | 13.5 秒 | 5.1 秒 | 5/8 |
| 生产环境 Cloud,bu-ultrafast | 18.0 秒 | 9.6 秒 | 6.4 秒 | 7/8 |
| 同区域的测试框架 + 云浏览器 | 20.0 秒 | 13.0 秒 | 6.5 秒 | 8/8 |
| 同上,但使用美国代理 | 25.3 秒 | 13.9 秒 | 11.6 秒 | 8/8 |
以上数据为全部 8 次运行的中位数,包括未成功的运行。笔记本电脑运行的是与 Cloud 相同的测试框架提交版本,而 Cloud 的总耗时包含约 1.6 秒的启动时间。
我们无法解释的是模型耗时。Cloud 比同一区域内相同测试框架直接调用 OpenAI 少用了 3.4 秒(9.6 秒对 13.0 秒),两者的交互轮次相同,而且都已确认使用优先服务档位。如果没有这项差距,Cloud 将比笔记本电脑慢约 2.6 秒。它的浏览器耗时也仍比本地 Chrome 多 1.3 秒。
只有在正确率相同的情况下,速度才有意义,而开展这项工作的智能体需要有人监督。它们在基准测试期间编辑了文件,导致五次运行作废;还把评测器的噪声误判为信号。因此,我们现在要求每项任务至少运行 6 次,才能对质量作出任何判断。9 月 26 日至 30 日的 30 个实验分支已公开发布在 Browser Use Pi中,其中也包括失败的方案。
要试用这一成果,请将 model 设置为 bu-ultrafast ,位置在 Browser Use Cloud中。它专为短任务打造;长任务请使用 bu-fast。
发布于 2026 年 11 月 20 日
继续阅读
所有文章
工程
/2026 年 11 月 20 日浏览器智能体遭到拦截?如何判断撞上了哪堵墙并成功绕过
我们为每个拦截浏览器智能体的网站支付了 100 美元。在能够测试的 82 个网站中,有 7 个每次都会拦截,还有 6 个只拦截来自美国的流量。以下是针对每种拦截方式的解决办法。
马格努斯·穆勒

工程
/2026 年 11 月 20 日browser-use 1.0:我们为何用一个工具取代 24 个智能体工具
browser-use 1.0 只为模型提供一个主要工具——python,而不是 24 种浏览器操作。相同模型的得分提高了 14 至 33 分,而且智能体开始完成一些我们从未专门构建过的操作。
马格努斯·穆勒

工程
/2026 年 11 月 20 日LLM 评测器漏洞:我们的评测器只读了每份答案的五分之一
一项修复让智能体评估成绩提高了 5.1 分,其中最多一半的提升来自一个漏洞:我们的 LLM 评测器只看到了每份答案的末尾。重新评测已保存运行结果的做法揭示了这个问题。
马格努斯·穆勒
AI 热点