浏览器AI代理横评：Browy、Browser Use、Skyvern等七款工具怎么选

浏览器里的 AI Agent 正在从演示品变成日常工具，但真正决定体验的往往不是模型有多强，而是三件事：它驱动谁的浏览器、用的是谁的登录态、模型费用由谁买单。Browy 作者把自家产品与 Browser Use、Skyvern、Nanobrowser、Stagehand、Claude in Chrome、ChatGPT 放在同一张表里对比，恰好提供了一个便于横向判断的坐标系。

七个代理的核心差异

据原文的对比表，七款工具可归为三类。浏览器内插件型：Browy、Nanobrowser、Claude in Chrome，以及 ChatGPT 的 Chrome 扩展，它们运行在用户自己的 Chrome/Edge/Brave 中，直接复用已登录的会话。代码库型：Browser Use 和 Stagehand，作为 Python/TypeScript/Go 库嵌入开发者程序，适合脚本化和规模化运行。工作流/云端型：Skyvern 面向每周重复的登录后台任务，ChatGPT 云浏览器则把任务交给 OpenAI 的远程机器执行。

付费方式差异同样关键。Browy 直接吃 GitHub Copilot 订阅（含免费版），Nanobrowser 要求自备 API Key 或本地 Ollama 模型，Claude in Chrome 需要付费 Claude 计划，ChatGPT 云浏览器需要 Go 以外的付费计划，Skyvern 云版从每月 29 美元起、自托管则用自家 Key，Browser Use 云按每小时 0.02 美元计费。

Browy：面向已登录标签页的开发者代理

作者自述，Browy 的定位是“在你已经登录的标签页里干活”。它读取页面的无障碍树（accessibility tree），给每个控件编号，然后按编号点击和输入，避免依赖脆弱的 CSS 选择器。填表时有一个细节值得注意：除非用户明确要求提交，否则它会在提交前停下，这对涉及真实账户的操作是必要的安全边界。

比较独特的一点是它自带 Chrome DevTools 面板，提供带斜杠命令和 JavaScript 模式的 REPL，能读取当前标签页的网络日志和控制台。你可以直接问“哪个 API 调用最慢”，拿回 URL、状态码和耗时。代码采用 Apache-2.0 许可，代理主循环是一个可读的单文件；自 v0.1.10 起，bash、run_script 等触达本机而非页面的工具默认关闭，需要在设置中手动开启——这是一个合理的默认值。

无障碍树（accessibility tree） 是浏览器在渲染 DOM 的同时生成的辅助结构，供屏幕阅读器等辅助技术理解页面：它把按钮、输入框、链接等元素抽象为带角色（role）、名称（name）和状态（checked/disabled 等）的节点，并过滤掉纯装饰性元素。对代理而言，这比原始 DOM 稳定得多——元素编号在页面结构小幅变动时仍可复用，且语义明确，模型无需猜测一个 div 是按钮还是文本。相较于截图加视觉定位的方案，无障碍树更省 token、定位更精确，但前提是页面具备基本的无障碍标注，否则可能缺失可操作节点。

Browser Use 与 Stagehand：代码派的两种风格

Browser Use 被原文称为多数人提到“浏览器代理”时首先想到的开源项目，由 Magnus Müller 和 Gregor Žunič 以 Python 库形式构建。它有三副面孔：MIT 库、让 Claude Code 或 Codex 接管浏览器的命令行工具，以及按小时出租云浏览器的 Browser Use Cloud（含代理和验证码处理）。它也能加载真实 Chrome 配置文件，但可能需要先退出 Chrome。

Stagehand 是 Browserbase 出品的 MIT 许可 SDK，覆盖 TypeScript、Python 和 Go。它把 Playwright 风格的浏览器包装成三个 AI 原语：act 用自然语言执行动作，observe 返回真实选择器，extract 按 schema 抽取数据。它的价值在于“构件”而非“整机”——把浏览器步骤放进代码库，和其他代码一起测试、部署，并在 Browserbase 上缓存重复动作。其 README 的登录示例通过选择器填密码，避免密码进入模型上下文。

两者都适合写代码的人，区别在于 Browser Use 提供完整 agent 循环，Stagehand 让你控制单步。

选择器（selector） 是 Playwright、Puppeteer 等浏览器自动化框架定位页面元素的表达式，例如 CSS 选择器 #submit 或文本选择器。传统脚本把选择器硬编码，页面改版即失效；而 AI 代理若每次都由模型现场推断选择器，则既慢又可能出错。Stagehand 的 observe 原语正是在两者之间折中：先由模型理解页面并返回真实可用的选择器，开发者再拿这个选择器写进确定性代码，后续重复执行不再调用模型。这种"AI 负责发现、代码负责执行"的分工，也是缓存重复动作能显著降低费用的原因。

Skyvern 与 Nanobrowser：重复任务和模型自由

Skyvern 结合语言模型与计算机视觉，能处理从未见过的网站。它的 workflow builder 把步骤串成可复跑流程：登录、筛选发票、循环、逐张下载。README 中的示例包括发票门户、求职申请、政府表单和保险报价。它处理 2FA、存储凭据、在云端解验证码，并连接 Zapier、Make 和 n8n。代码为 AGPL-3.0，但反爬功能只存在于云版。

Nanobrowser 是 Browy 最接近的开源同类：Apache-2.0 扩展，侧边栏聊天，运行规划者和导航者两个代理，各自可配不同模型。它支持 OpenAI、Anthropic、Gemini、DeepSeek^广告、Grok、OpenRouter 以及 Ollama 本地模型，页面文本可以完全不出本机。官方支持 Chrome 和 Edge，README 中承认构建于 Browser Use 等项目之上。

2FA（双因素认证） 指在密码之外再要求一次性验证码（短信、TOTP 应用）或硬件密钥的登录机制，本意是防止密码泄露后被直接盗用。代理要自动完成登录后台这类任务，就必须处理 2FA：要么存储 TOTP 种子在运行时生成验证码，要么暂停等待人工输入。这正是 Skyvern 把凭据存储和验证码处理作为核心能力的背景——它使"每周重复登录"真正无人值守。相应地，把 2FA 种子交给第三方云服务意味着扩大了信任边界，这是选型时需要权衡的安全代价。

Claude in Chrome 与 ChatGPT：大厂的两条路径

Claude in Chrome 是模型公司做插件型代理中最接近 Browy 的产品：付费 Claude 计划可用（Pro 到 Enterprise），仅支持桌面 Chrome。它能在后台持续工作、按日或周定时执行任务，经典侧边栏还能学习一次录制的工作流。权限方面有站点级授权和动作前的安全检查，Team 与 Enterprise 管理员可统一开关。

ChatGPT 这边，OpenAI 已退役 Atlas 浏览器，把浏览器能力并入 ChatGPT 本体。Go 以外的付费计划可使用云浏览器在独立计算机上运行任务，任务在你离开对话后继续，遇到登录或确认时暂停；macOS 与 Windows 桌面应用自带浏览器；Chrome 扩展则让应用在现有 Chrome 配置和登录态中工作。原文特别提到，密码由用户输入登录表单，模型看不到。

按场景选择

原文给出的选择逻辑相当务实：已付费 GitHub Copilot、想在已登录标签页里随手唤起代理的，选 Browy；需要在自己的代码中无人值守、规模化运行代理的，选 Browser Use，偏好更小构件的选 Stagehand；每周重复的登录后台流程、涉及 2FA 与凭据存储的，看 Skyvern，付费 Claude 用户也可用 Claude in Chrome 做定时任务；想跑本地模型的，用 Nanobrowser；想把任务丢出去再回来看结果的，用 ChatGPT 云浏览器。

需要说明的是，这篇对比由 Browy 作者撰写，各产品的“最适合”描述带有立场，但表格中关于运行位置、登录态归属和付费方式的信息属于可验证事实，可作为选型起点。对多数开发者而言，真正的决策点不是模型能力，而是你愿不愿意把登录态交给一个代理，以及这笔模型账单最终记在谁头上。