开源浏览器智能体Carve：支持本地与多模型的网页自动化工具

Carve：一个支持多模型的开源浏览器智能体

浏览器自动化正成为AI Agent落地的重要场景之一。近期，一位开发者在Reddit上分享了自己构建的开源项目Carve——一个“计算机使用型智能体”（computer use agent），它能够仅凭文本指令操作任意网站，无需为每个页面编写专门的脚本或规则。

与传统的RPA（机器人流程自动化）工具不同，Carve依托大语言模型理解自然语言指令，并将其转化为浏览器层面的具体操作。开发者展示的演示场景是让Carve自动填写一份供应链表单，整个过程无需人工逐字段录入。项目已在GitHub开源，仓库地址为 github.com/getcarve/carve。

多模型支持是核心卖点

Carve最值得关注的设计在于它的模型兼容性。根据作者介绍，它同时支持本地模型、OpenRouter、OpenAI以及Anthropic的模型。这种多后端架构意味着用户可以根据成本、隐私和性能需求灵活选择：

• 本地模型：适合对数据隐私要求高、不希望将操作数据上传第三方的场景；
• OpenRouter：作为聚合层，方便在不同供应商之间切换；
• OpenAI / Anthropic：追求更强推理能力和稳定性的用户可直接调用主流商业模型。

对于浏览器智能体而言，模型能力直接决定了它对页面元素的理解精度和操作可靠性。给予用户模型选择权，既降低了被单一供应商锁定的风险，也让开发者社区能够基于不同模型做对比测试。

OpenRouter是一个统一的AI模型API聚合服务，开发者只需接入一个端点，即可调用来自OpenAI、Anthropic、Google、Meta等数十家供应商的模型。它的核心价值在于降低切换成本：用户无需分别申请和管理多套API密钥，也不必为每个模型编写不同的接入逻辑。对于浏览器智能体这类对模型推理能力敏感的应用，OpenRouter还提供了方便的模型性能与价格对比，便于开发者找到性价比最优的组合。在Carve的架构中，OpenRouter充当"路由层"，使得底层模型可以随时替换，而上层的任务逻辑不需要改动。

面向“后果性操作”的安全机制

浏览器智能体最大的隐患在于：当它拥有点击、提交、发送的能力时，一次错误操作可能带来真实的、不可逆的后果。Carve在这一点上做了针对性设计——它被训练为在执行任何后果性动作（如提交表单、发送信息）之前先暂停并向用户确认。

这种“人在回路”（human-in-the-loop）的机制是当前Agent产品的重要趋势。它在自动化效率与操作安全之间取得平衡，避免了完全自主执行可能引发的误操作。对于供应链录入、订单提交这类涉及业务数据的任务，这种确认环节几乎是必需的。

速度表现与“极速模式”

作者特别提到，Carve在执行任务时的速度明显快于人工操作，尤其是在开启“ultrafast mode”（极速模式）后。这一特性暂时还未正式发布，作者表示会在后续版本中加入官方支持。

速度优势是自动化工具的直观价值点。对于需要重复填写表单、批量处理网页任务的工作流而言，智能体可以在短时间内完成人工需要数分钟甚至更久的操作。不过需要注意的是，速度与可靠性往往需要权衡——在高速执行模式下，确认机制如何与速度优化共存，将是衡量这类工具实用性的关键。

应用场景与社区反馈

从演示来看，Carve最直接的应用场景是表单填写类的重复性工作，如供应链录入、数据登记、信息提交等。作者也在帖子中主动向社区征集需求，询问哪些具体网站或工作流最需要这类自动化能力。

这类开源项目的发展高度依赖社区反馈。对于潜在用户来说，可以考虑的实际用途包括：批量网页数据采集、测试环境中的表单压力测试、以及日常办公中重复性的网页操作。而对于关注AI Agent技术的开发者而言，Carve提供了一个研究“计算机使用型智能体”如何在真实浏览器环境中落地的开源样本。

RPA（Robotic Process Automation，机器人流程自动化）是浏览器智能体的前身技术，代表产品包括UiPath、Automation Anywhere和Blue Prism等。RPA通过录制用户操作轨迹或编写基于元素选择器的脚本来重放操作，本质上是"规则驱动"的自动化——页面结构一旦变化，脚本往往随即失效，维护成本极高。Carve所代表的LLM驱动型浏览器智能体则转向"理解驱动"：模型通过分析页面的视觉截图或DOM结构来动态判断操作目标，无需预先录制或硬编码规则。这使其对页面变化的鲁棒性显著更强，但也引入了模型幻觉、操作延迟以及推理成本等新的挑战，二者在可靠性与灵活性之间呈现出不同的权衡取舍。

小结

Carve代表了当前浏览器智能体领域的一类典型探索：以自然语言为入口、以多模型为后端、以人工确认为安全边界。它的多模型兼容和开源属性降低了尝试门槛，而“后果性操作需确认”的设计思路值得同类产品借鉴。

作为一个仍在迭代中的项目，它的实际稳定性、对复杂页面的处理能力以及极速模式的最终表现，仍需在更多真实场景中验证。感兴趣的读者可以通过GitHub仓库自行体验，并参与到项目的反馈与共建中。

背景补充

"人在回路"（Human-in-the-Loop，HITL）是一种将人类判断嵌入自动化流程关键节点的设计范式，起源于自动控制与机器学习领域。在传统机器学习中，HITL指人工标注者参与模型训练数据的筛选与校正；在AI Agent语境下，它则特指智能体在执行高风险或不可逆操作前暂停，由人类审核并决定是否继续。这一机制直接对抗了"过度自主化"带来的风险：Agent对指令的理解可能存在歧义，页面结构的细微差异也可能导致操作偏差，而一旦涉及数据提交、资金转移或信息发送等场景，错误的代价往往无法追回。当前主流的Agent产品——无论是OpenAI的Operator还是Anthropic的Computer Use——均不同程度地引入了HITL检查点，这已成为负责任的Agent设计的基本准则之一。