微软开源Webwright：浏览器Agent告别盲目猜测
2026年5月，微软将终端原生Web Agent框架Webwright开源，迅速引发Agent开发社区的广泛关注。
先划几个重点：这套框架的设计逻辑彻底跳出了过去“单步操作”的旧范式。
此前绝大多数浏览器Agent采用同一套路：解析页面、猜测下一步、执行点击、再猜测。每一步都要重新调用一次大模型。坦白说，在LLM能力尚有限时，这套逻辑勉强跑得通。但随着模型写代码的能力持续增强，这种“小步慢走”的设计反而成为了效率瓶颈。
Webwright的思路截然不同——它更接近真实工程师的自动化习惯：
- 让LLM直接编写可执行的Playwright脚本，将浏览器操作转化为可复用的Python代码。
- 所有状态——脚本、截图、日志——都保存在本地工作区。浏览器会话仅作为可随时启动、检查、丢弃的运行环境，本身不承载状态。
- 架构极简到令人意外：核心仅三个模块，总计约1500行代码。没有多智能体系统，没有图引擎，没有冗余插件层，依赖库只有四个：httpx、pydantic、playwright、typer。
这种模式的优势在于：Agent执行完任务后留下的不是一次性操作记录，而是一份可直接修改、复用、共享的自动化脚本。这才是真正的价值所在。
性能达到SOTA水平
Webwright在两大主流浏览器Agent基准测试中，均刷新了当前开源框架的最佳成绩。以下是用100步预算跑出的数据：
- Online-Mind2Web（含300个真实网页任务）：搭配GPT-5.4达到86.7%准确率，为同类开源框架最高；用Claude Opus 4.7也能达到84.7%，在难例子集上甚至超越GPT-5.4（80.5% vs 76.6%）。
- Odysseys（200个长程任务，平均需76.1步）：搭配GPT-5.4拿下了60.1%的完成率，比之前SOTA高出15.6个百分点，比使用坐标预测的基线GPT-5.4高出26.6个百分点。
测试中还发现一个有趣现象：即使是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%完成率。对于低成本落地场景来说，这个表现相当扎实。
Odysseys长程任务基准测试对比
Online-Mind2Web任务评测结果对比
生态集成与附加能力
Webwright已完成主流Agent生态的适配，无需修改现有工作流即可直接接入：
- Claude Code：通过插件市场安装后，支持两个命令——
/webwright:run（执行一次性任务）和/webwright:craft（生成可复用的参数化脚本）。 - OpenAI Codex：同样通过插件市场安装，使用
@webwright即可调用。 - OpenClaw、Hermes Agent：共用同一套skill目录，加载即用。
此外还有两个实用功能值得关注：
- Task2UI模式：任务完成后自动将结果渲染为可交互的HTML应用，省去手动可视化的麻烦。
- 全程可审计：每次运行的轨迹、截图、日志均保存在本地，调试和回溯非常便捷。
与同类项目的核心差异
社区有人问Webwright和browser-use、agent-browser这些项目到底有什么区别？官方架构对比一目了然：
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，浏览器仅为启动的运行环境 |
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按索引选择点击/输入 | 自由格式Python，自行编写完整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，按需执行多步操作 | 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必须跳出单步操作局限
Webwright的设计思路在社区赢得广泛认可，不少从业者认为这才是浏览器Agent的正解。
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的点击速度已经足够快，真正的问题是“该点什么”。如果新工具能压缩这个决策短板，那就是完全不同的品类；如果只是重新包装一层CDP调用，充其量是横向迁移。
FSB（Full Self Browsing）作者Lakshman Turlapati说得更直白：Webwright证明了方向正确。Agent不应该只猜测下一步点哪里，更要把真实浏览器会话、DOM、截图、日志和恢复机制整合进同一个控制层。FSB正是Chrome端的MCP层，让Codex、Claude、Cursor这类Agent能直接操控用户的真实Chrome，同时保留原有cookie、扩展、登录态，还能做到敏感信息不泄露、多Agent tab隔离。这套方案尤其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本质上是面向浏览器场景的编码Agent。他此前曾手动组装过“Copilot CLI + Playwright MCP”类似工作流，现在终于等到官方方案，已经给自己的OpenClaw和Hermes Agent装上，用于收集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、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