meng shao(@shao__meng)

模型越强，Harness 越该拆：Browser Agents 的苦涩教训 @browser_use 联创 @gregpr07 用自家 Browser Use 两年的演进证明，模型能力越强，围绕模型...

8.5内容质量
模型越强，Harness 越该拆：Browser Agents 的苦涩教训 @browser_use 联创 @gregpr07 用自家 Browser Use 两年的演进证明，模型能力越强，围绕模型...

TL;DR · AI 摘要

模型能力越强，Harness设计应简化，直接暴露底层接口（如CDP）能显著提升效率与可靠性。

核心要点

  • 使用CDP接口后，Opus 4.8 token消耗下降60%，Kimi K3下降66%
  • 复用Pi、Codex等经验证的编码智能体可避免自研循环的bug
  • Sutton的Bitter Lesson在浏览器智能体领域实现彻底实践

结构提纲

按章节快速跳转。

  1. §引言

    Browser Use项目两年演进证明模型能力提升需重构Harness设计。

  2. ·起点：人工定义动作空间

    2024年GPT-4o未训练时需显式定义状态和动作空间，存在异常修复瓶颈。

  3. ·动作自由化：模型写代码

    引入JavaScript执行后，Hermes案例用单工具替代12个工具提升效率。

  4. ·观察自由化：撤掉预定义状态

    CDP接口使模型自主决定截图、查DOM，解决shadow root等结构问题。

  5. ·技术范式倒置

    从人定义状态到模型自主编程，依赖模型编码能力突破阈值。

  6. ›三条可迁移原则

    复用验证过的agent harness、暴露最简接口、让模型自主选择观察与动作。

思维导图

用一张图看清主题之间的关系。

查看大纲文本（无障碍 / 无 JS 友好）
  • Browser Agents的Harness重构
    • 演进阶段
      • 人工定义动作空间（2024）
      • 模型写代码（2025）
      • 观察自由化（2026）
    • 技术范式
      • 传统RL：人定义状态/动作
      • 新范式：模型自主编程
    • 核心原则
      • 复用验证过的agent
      • 暴露最简底层接口
      • 模型自主选择观察与动作

金句 / Highlights

值得收藏与分享的关键句。

#Browser Agents#CDP#Harness Engineering#Bitter Lesson
打开原文

meng shao on X: "模型越强，Harness 越该拆：Browser Agents 的苦涩教训 @browser_use 联创 @gregpr07 用自家 Browser Use 两年的演进证明，模型能力越强，围绕模型搭建的 “Harness Engineering” 就越应该被拆掉：从人工定义的点击/输入动作，一路收缩到给模型一个能直接写代码的浏览器原始接口（CDP）。这是 Rich Sutton 著名 “Bitter Lesson” 在浏览器智能体领域的一次完整实证。 https://t.co/rfyLVdXloM # 论证脉络：一次持续两年的“做减法” 1. 起点 … / X

meng shao

@shao__meng

模型越强，Harness 越该拆：Browser Agents 的苦涩教训

@

browser_use

联创

gregpr07

用自家 Browser Use 两年的演进证明，模型能力越强，围绕模型搭建的 “Harness Engineering” 就越应该被拆掉：从人工定义的点击/输入动作，一路收缩到给模型一个能直接写代码的浏览器原始接口（CDP）。这是 Rich Sutton 著名 “Bitter Lesson” 在浏览器智能体领域的一次完整实证。

browser-use.com/posts/bitter-l…

论证脉络：一次持续两年的“做减法” 1. 起点 -- 人定义一切（2024 年 11 月） 产品发布时 GPT-4o 尚未针对 computer use 训练，团队必须显式定义状态空间（页面有什么、哪些可点）和动作空间（点击、输入、滚动）。harness 决定模型看什么、做什么。问题在于浏览器自动化是极端案例的博弈，每种异常都需要一次人工修复。 2. 动作自由化 -- 让模型写代码（2025 年 9–10 月） 引入 JavaScript 执行和持久化 notebook 后，模型从“从菜单里挑动作”变成“写程序完成任务”。画签名、循环遍历这类需求不再需要新增专用动作。关键证据是 Hermes 智能体案例：用单个 browser_exec 工具替换 12 个浏览器工具后，Opus 4.8 的 token 消耗下降 60%，Kimi K3 下降 66%，且两者都完成了全部 18/18 次任务运行——效率与可靠性同时提升，而非此消彼长。 3. 观察自由化 -- 撤掉预定义状态 动作开放后，瓶颈转移到“模型能看到什么仍由人决定”。典型失败：cookie 按钮就在屏幕上，却因无障碍树未暴露而永远进不了模型视野；文中 EHR 下拉菜单的例子（open shadow root → 跨域 iframe → closed shadow root）说明任何状态提取启发式都预见不了所有网站结构。解法是让模型直连 CDP，自己决定该截图、查 DOM 还是看某个 frame。 4. 接口最简化 + 外壳复用 -- 为什么选 CDP 而非 Playwright：CDP 是 Chrome 原生协议，位于 Playwright 抽象之下；Playwright 的定位器无法穿透 closed shadow root，CDP 可以。同时，团队不再自研 agent 循环，而是复用 Pi、Codex、OpenCode 这些经数百万人检验的编码智能体；文中坦承了一个自研循环里 compaction 自我触发的 bug，作为“不要自造轮子”的注脚。 # 深层解读：它真正在说什么？ 1. 这是 Sutton “Bitter Lesson” 的第三次移植，也是最彻底的一次。 Sutton 2019 年的原文说的是：依赖算力增长的通用方法终将胜过注入人类知识的专用方法。此前业界已把这个逻辑套用到框架层，本文把它推进到观察与动作的粒度：人工设计的中间表示（预定义状态、动作菜单）不是在帮助模型，而是在限制它。人类工程师的领域知识从“资产”变成了“负债”。 2. 技术范式发生了一次倒置。 传统自动化是“人定义状态和动作，模型做选择”（经典 RL 式思路）；新范式是“模型面对原始接口自己编程”。遥控器换成了编程语言。这个转变之所以现在成立，前提是模型的编码能力已跨过阈值，2024 年不可行的方案在 2026 年成了最优解，这正是“模型在变，harness 就需要重新思考”的含义。 3. 三条原则是文章的可迁移产出：复用经过验证的 agent harness；暴露模型能用好的最简底层接口；让模型自己选择观察与动作。作者明确表示该原理适用于浏览器、电脑、文本、音乐等所有智能体领域；这与 2026 年业界 “最小化 Harness” 共识完全同频。

Gregor Zunic

@gregpr07

17h

Article

The Bitter Lesson of Browser Agents

As models get better, the browser harness has to change. A lot. When we launched Browser Use in November 2024, GPT-4o wasn’t trained for computer use. Built on next-token prediction, it didn’t...

5:42 AM · Sep 16, 2026

·

1,975

Views

3

4

20

23