微信扫码
添加专属顾问
谷歌开源革命性工具,让AI像人一样操作浏览器,告别繁琐的脚本维护! 核心内容: 1. Gemini模型如何通过视觉识别实现智能网页操作 2. 在跨网站数据搬运和视觉交互等场景的惊艳表现 3. 两种快速体验方式:在线演示和本地部署指南
做过爬虫或者自动化测试的朋友,应该都体会过被 Selenium 和 Puppeteer 支配的恐惧。
为了点一个按钮,我们得去扒网页源码,找 ID,找 Class。一旦网页改版,精心写好的脚本瞬间报错,维护起来既耗时又耗力。
那个时候我就在想,要是 AI 能像人一样,看一眼屏幕就知道点哪里,该多好。
如今,Google 把这个想法变成了现实。在 GitHub 上开源了一个名为 Computer Use Preview 的项目,直接让 Gemini 模型接管了浏览器。
简单来说,以前的自动化是“盲人摸象”,靠代码定位;现在的自动化是“睁眼看世界”,靠视觉识别。
这个工具背后的逻辑其实很符合直觉,就是模拟人的操作流程:截图 → 分析 → 行动。
它会先给网页截个图,通过 Gemini 2.5 Pro 模型强大的视觉能力,分析出页面上有哪些输入框、按钮和下拉菜单,然后决定下一步该干什么。
口说无凭,数据最直观。
在官方给出的网页任务完成测试里,Gemini 拿到了 69% 的高分。
这个成绩相当能打,直接超过了 Claude Sonnet 4.5 的 55% 和 OpenAI Operator 的 61.3%。
这意味着在处理复杂任务时,它更不容易“翻车”。
官方演示了几个非常实用的场景,让我印象很深。
一个是跨网站数据搬运。
以前我们要把一个宠物登记网站的信息,录入到另一个 CRM 系统里,得写复杂的脚本来处理数据接口。
现在直接告诉 AI:“把这上面的加州宠物信息填到那个系统里,顺便预约个时间。”
它就能自己切换页面,复制粘贴,一气呵成。
另一个是视觉交互。
面对一个贴满乱七八糟便签的网页,给它一个指令,它就能精准地识别出每一张便签的内容,并把它们拖拽到分类区域。
这种涉及到空间理解和精细操作的任务,传统脚本很难搞定。
如果想上手体验,目前有两个选择。
第一种是懒人模式:
不想折腾环境的同学,Browserbase 提供了一个在线演示环境,直接打开网页就能试用,感受一下指挥 AI 上网的快乐。
在线体验:https://gemini.browserbase.com/
第二种是开发者模式:
如果想把数据掌握在自己手里,可以在本地部署。Google 提供了详细的部署教程,几行命令就能跑起来。
# 1. 创建虚拟环境python3 -m venv .venvsource .venv/bin/activate# 2. 安装依赖和浏览器内核pip install -r requirements.txtplaywright install chrome# 3. 开始运行python main.py --query "去 Google 搜索一下 GitHubDaily"
不过安装前得提个醒,虽然它很强,但目前毕竟是 Preview(预览版)。
官方文档里很明确地指出了一个 Bug:在某些系统上,底层的 Playwright 抓取不到系统原生的下拉菜单(<select> 元素)。
所以如果发现它对着下拉框发呆,选不中选项,别怀疑,这是目前的已知限制。
总的来说,Google 这一波开源,让我们看到浏览器自动化的水准又迈上了一个新台阶。
它不再是机械地执行死板的代码,而是开始具备了“看懂”和“思考”的能力。
53AI,企业落地大模型首选服务商
产品:场景落地咨询+大模型应用平台+行业解决方案
承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业
2026-07-09
全球首个给AI用的Office开源了:单二进制文件,MIT许可,免安装。
2026-07-09
BrowserSkill 开源!让 AI Agent 真实接到你的浏览器
2026-07-08
全面超越「龙虾」的「爱马仕」,给国产Agent上了一课
2026-07-07
你的 AI agent 还在"跑崩了从头再来"?Stanford 把 git 搬进了 agent 运行时
2026-07-06
腾讯混元Hy3正式上线,坚持实用主义路线,Agent任务解决率跃升至 90%
2026-07-06
Qwen3.5 9B + Hermes,这可能是本地电脑玩Agent最好的组合!
2026-07-06
2000 万开发者使用的 GitHub Copilot,现已接入 Kimi K2.7 Code 模型
2026-07-06
Skills Hub 大升级:现在能自动更新了,关掉应用也能跑
2026-04-18
2026-04-18
2026-06-22
2026-05-31
2026-05-10
2026-05-06
2026-05-20
2026-04-21
2026-04-21
2026-04-18
2026-06-16
2026-05-30
2026-05-16
2026-04-22
2026-04-21
2026-04-15
2026-04-09
2026-04-01
欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。
在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。
一、 定义
本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。
会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。
知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。
二、 账号注册与登录
登录方式:本网站支持以下登录方式,您可根据实际情况选择:
微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。
手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。
账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。
实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。
未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。
三、 服务内容与规范
知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。
服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。
禁止行为:您在使用服务时不得实施以下行为:
利用技术手段批量爬取、下载、转存知识库内容;
将知识库内容用于商业目的或未经授权地向第三方传播;
干扰本网站正常运行或侵犯其他用户合法权益;
发布违法违规信息或从事违反公序良俗的活动。
四、 知识产权声明
权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。
有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。
侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。
五、 个人信息保护
我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。
您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。
您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。
六、 免责声明
内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。
不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。
第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。
七、 违约责任
如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。
如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。
八、 法律适用与争议解决
本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。
因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。
九、 其他
本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。
本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。
我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。