BrowserBC – Einsia AI 旗下开源的浏览器操作轨迹生成 Skill

1. BrowserBC 是什么

BrowserBC 是 Einsia AI 旗下 Navers Lab 发布的开源项目，其核心目标是将人类在浏览器中的操作轨迹转化为可复用的自然语言技能（Skill），使 Web Agent 能够“克隆”人类操作经验，更高效地完成同类任务。用户只需在浏览器中执行一次完整的任务流程，系统便能自动将这段操作序列蒸馏成一份结构化的“技能卡”，之后任意模型均可依据该技能卡复现操作，实现“做一次、复用无数次”的愿景。该项目通过录制、蒸馏、检索与执行四大模块，构建了一套从人类经验到机器可执行知识的完整闭环，显著降低了 Web Agent 部署的边际成本。

技术定位与领域： BrowserBC 属于人工智能领域的 Web Agent 与行为克隆技术交叉方向。它并非传统的机器人流程自动化（RPA）工具，也不是简单的浏览器控制 API，而是一种将人类操作经验转化为可迁移、可复用的结构化知识的新型范式。其独特定位在于，它解决了当前 Web Agent 领域“每次任务从零探索”的痛点，通过“一次录制、多次执行”的模式，实现了操作知识的积累与复用。

研发背景： BrowserBC 由 Einsia AI 旗下的 Navers Lab 开发。Einsia AI 是一家专注于 AI 应用和 Agent 技术的公司，Navers Lab 是其内部的研究实验室。该项目的研发动机源于对当前 Web Agent 效率瓶颈的观察：即使是最先进的模型，在重复性任务中也经常需要大量的试探性操作，导致成本高昂且效率低下。通过引入“技能”这一抽象层，BrowserBC 旨在为 Web Agent 提供一种高效的“经验学习”机制。

核心价值： BrowserBC 的核心价值在于解决了 Web Agent 部署中的“冷启动”问题。传统方案中，无论是基于 RPA 的坐标回放，还是基于通用 Agent 的零样本探索，都存在明显的局限性：前者脆弱易失效，后者成本高且无积累。BrowserBC 通过录制人类操作轨迹并蒸馏为自然语言技能卡，实现了操作知识的可迁移、可复用和可积累。这使得一个强模型只需执行一次蒸馏，多个弱模型即可低成本复现，大幅降低了 Web Agent 在重复性任务上的部署和运行成本。

技术特点： BrowserBC 的技术优势体现在其独特的“技能”抽象层。它不克隆坐标或 DOM 选择器等脆弱细节，而是将操作意图、判断逻辑和异常处理等过程性知识转化为自然语言描述，从而具备强大的页面布局适应性。此外，它通过“技能图”（Skill Graph）管理海量技能，支持自动合并、特化与链接，避免了知识冗余，形成了可扩展的积累体系。

2. 主要功能

• 轨迹录制： 通过浏览器扩展完整记录用户的任务全过程。该功能不仅捕获点击、输入、页面跳转等显式动作，还同步采集页面截图、DOM 快照和页面反馈信息，为后续的智能蒸馏提供原始数据。录制过程对用户透明，无需任何技术背景。

• 智能蒸馏： 将原始、嘈杂的操作轨迹转化为结构化的自然语言技能卡。该过程包含原子化（Atomize）、分类（Classify）、分桶（Bucket）、蒸馏（Distill）和安装（Install）五个步骤。蒸馏的核心在于剥离坐标、选择器等脆弱细节，保留“该做什么、怎么判断完成、失败了怎么办”等可迁移的过程性知识，使技能卡具备强大的泛化能力。

• 技能图管理： 将海量技能组织成可扩展的技能图（Skill Graph）。系统通过语义相似度计算，自动合并重复技能、特化通用技能并链接相关技能，形成一个结构化的知识网络。这种管理方式有效避免了技能冗余，并支持技能的持续扩展和优化。

• 技能检索与执行： Agent 在执行任务时，会根据当前页面的语义状态检索最相关的技能卡。检索到的技能卡提供的是指导性操作流程，而非机械的坐标复刻。Agent 结合实时页面状态，自主决定如何落地每一步操作，从而适应页面布局的动态变化。

• 本地部署： 提供名为 “Journey Forge Local” 的本地部署版本。该版本采用纯 Python 实现，所有录制数据、技能卡和配置信息均存储在用户本地机器上。仅在蒸馏环节需要调用配置的 LLM API，最大程度保障数据隐私安全。该版本已支持与 Claude Code 和 Claude Desktop 的集成。

• 跨模型复用： 生成的技能卡是纯自然语言描述，因此可在不同模型之间自由传递和复用。一个强模型（如 GPT-4）完成一次蒸馏后，生成的知识可以被多个弱模型（如 Llama 3）直接调用执行，实现了“一次蒸馏，多处受益”的成本优化效果。

3. 如何使用

1. 环境要求与前置条件： 需要一台安装了 Python 3.8 或更高版本的操作系统（推荐 Linux 或 macOS），并具备 Chrome 浏览器。同时需要准备一个 LLM API Key（如 OpenAI、Anthropic 等），用于蒸馏过程的调用。

2. 配置并运行本地服务器： 克隆 GitHub 仓库后，复制配置文件（journey_forge/config.example.toml）并重命名为 config.toml。在配置文件中设置 LLM API Key 和模型参数。随后在项目根目录下运行 python journey_forge/app.py，启动本地服务器。服务器启动后，通过浏览器访问 `（链接待官方发布后更新） 打开控制面板。

3. 构建并加载浏览器扩展： 进入 extension 目录，运行 npm install 安装依赖，然后执行 npm run build 构建扩展。构建完成后，在 Chrome 浏览器的扩展管理页面（chrome://extensions/）中开启“开发者模式”，点击“加载已解压的扩展”，选择 extension/dist/chrome-mv3 文件夹加载扩展。

4. 录制任务： 在浏览器中点击扩展图标，开始录制操作。用户按照正常流程执行一次目标任务（如预订酒店、填写表单）。操作完成后，再次点击扩展图标停止录制。系统会提示用户标记任务意图（如“预订巴黎的酒店”），然后上传录制的轨迹数据。

5. 自动蒸馏： 上传轨迹后，后台流水线自动启动蒸馏过程。该过程包含原子化、分类、分桶、蒸馏和安装五个步骤，耗时约 1-3 分钟。蒸馏完成后，生成的技能卡会自动安装到本地技能库中。

6. 使用技能： 对于 Claude Code，技能会自动安装到 ~/.claude/skills/ 目录下，Agent 可直接调用。对于 Claude Desktop，用户需从控制面板下载 .zip 文件，然后在 Claude Desktop 的 Settings → Skills 中上传。若希望 Claude Desktop 能实际执行浏览器操作，还需在控制面板中配置 Playwright MCP 服务器。

4. 优缺点分析

5. 同类工具对比

选型建议： 如果团队需要在变化频繁的网页上执行大量重复性操作，且希望降低长期部署成本，BrowserBC 是最优选择。它通过一次蒸馏即可让多个弱模型复现操作，且对页面布局变化有极强的鲁棒性。对于需要极高执行稳定性和实时性的场景（如金融交易），传统 RPA 的坐标回放虽然脆弱，但其执行速度和对系统资源的低消耗仍有一定优势。如果团队具备较强的开发能力，且任务逻辑复杂多变，Playwright / MCP 工具提供了最灵活的编程控制能力，但需要持续维护代码。对于一次性的、探索性的 Web 任务，通用 Web Agent 的零样本能力最为便捷，但成本较高且无法积累知识。

6. 编辑点评

BrowserBC 是 Web Agent 领域一个极具创新性的尝试。它精准地捕捉到了当前 Agent 应用中的核心痛点：重复性任务的“冷启动”问题。通过引入“技能卡”这一抽象层，BrowserBC 将人类操作经验转化为结构化、可复用的知识，实现了从“每次从零探索”到“一次录制，多次复用”的范式转变。其技术架构设计精巧，尤其是“智能蒸馏”过程，通过原子化、分类、分桶等步骤，有效剥离了坐标、选择器等脆弱细节，保留了操作意图和判断逻辑，这使得生成的技能卡具备强大的泛化能力，在页面布局变化时仍能稳定执行。

从实用价值来看，BrowserBC 在基准测试上的表现令人印象深刻。WebArena-Hard 上的成功率提升 20.9%，ClawBench 上的提升高达 35.5%，这证明了其方法的有效性。同时，平均工具调用次数减少 27.3%，意味着 Agent 的试探性行为显著减少，执行效率和成本都得到了优化。其本地部署版本对数据隐私的保护也是一个重要的加分项，尤其适合金融、医疗等对数据安全有严格要求的行业。

该项目的适用人群主要是开发者和技术团队，特别是那些需要部署大量 Web 自动化任务的场景。其未来的发展潜力巨大。随着技能图的不断扩展和优化，BrowserBC 有望构建一个庞大的、可复用的操作知识库，成为 Web Agent 领域的“GitHub”。然而，当前版本仍存在一些改进空间，例如蒸馏过程对 LLM API 的依赖、技能图管理在大规模场景下的稳定性等。总体而言，BrowserBC 是一个值得密切关注的开源项目，它为 Web Agent 的落地应用提供了新的思路和强大的工具。

7. 应用场景

• 旅行预订与比价： 在 Airbnb、Booking 等预订网站输入时间、地点、人数，应用筛选器（评分、价格、设施），阅读搜索结果并排序找出最优住宿选项。通过 BrowserBC 录制一次操作后，Agent 可自动完成后续的多次比价和预订任务。

• 电商购物与筛选： 在购物平台搜索商品、应用多重筛选条件（价格区间、品牌、评分）、对比商品详情、加入购物车并完成结算流程。该场景下，BrowserBC 的技能卡可以处理页面布局变化，确保筛选逻辑的稳定执行。

• 后台管理操作： 在电商后台、CMS 系统或管理面板中执行商品上架、订单处理、库存更新、用户权限配置等重复性管理任务。这些操作通常涉及多个步骤且流程固定，非常适合通过 BrowserBC 实现自动化。

• 社区论坛互动： 在 Reddit 等论坛中搜索话题、筛选帖子、参与讨论、收集信息或执行版主管理操作。BrowserBC 的技能卡可以模拟人类的浏览和交互模式，实现高效的论坛信息采集和管理。

• 跨站点信息整合： 需要从多个网站采集、对比并整合信息的任务，如跨平台比价、多源数据汇总、竞品监控等。通过为每个站点录制一次操作，Agent 即可自动完成跨站点的数据采集和整合。

• 开发工具使用： 在 GitHub、GitLab 等开发平台执行代码仓库操作（登录、创建项目、提交 Issue、合并请求）、CI/CD 配置或文档查阅。BrowserBC 的技能卡可以自动化这些重复性的开发运维任务。

8. 常见问题 FAQ

Q：BrowserBC 生成的技能卡能否在非 Chrome 浏览器上使用？
A：目前 BrowserBC 的浏览器扩展仅支持 Chrome 浏览器。但生成的技能卡是纯自然语言格式，理论上可以被任何支持 Web Agent 操作的模型解析，只要该模型具备浏览器控制能力即可。未来可能会扩展对其他浏览器的支持。

Q：蒸馏过程需要多长时间？对 LLM 模型有什么要求？
A：蒸馏过程通常需要 1-3 分钟，具体时间取决于操作轨迹的长度和复杂度。该过程需要调用 LLM API，推荐使用 GPT-4 或 Claude 3.5 Sonnet 等强模型，以确保蒸馏出的技能卡质量。使用弱模型可能导致技能卡逻辑不清晰或遗漏关键步骤。

Q：技能卡是否支持编辑和修改？
A：当前版本中，技能卡生成后以文件形式存储在本地（~/.claude/skills/ 目录下）。用户可以直接编辑这些文本文件来修改技能卡的内容，例如修正操作步骤或补充异常处理逻辑。但直接编辑需要用户具备一定的自然语言描述能力。

Q：BrowserBC 与 RPA 工具相比，最大的优势是什么？
A：最大的优势在于对页面布局变化的鲁棒性。RPA 工具依赖固定的坐标或 DOM 选择器，页面布局一旦变化（如网站改版），脚本立即失效。而 BrowserBC 的技能卡是语义化的操作逻辑，即使页面元素位置改变，Agent 也能根据技能卡的指导自主找到目标元素并执行操作。

Q：本地部署版本的数据安全如何保障？
A：本地部署版本（Journey Forge Local）的所有数据，包括录制轨迹、技能卡、配置信息等，均存储在用户本地机器上。系统仅在蒸馏步骤中，将处理后的部分轨迹数据发送到用户配置的 LLM API 进行推理，用户可以选择使用本地部署的 LLM（如 Llama 3）来彻底避免数据外传。

Q：技能图（Skill Graph）是如何工作的？
A：技能图通过语义相似度算法，自动将新生成的技能与已有技能进行关联、合并或特化。例如，如果用户录制了两次“预订巴黎酒店”的操作，系统会识别出它们高度相似，并自动合并为一个更通用的技能。技能图的目标是构建一个结构化、无冗余的知识网络，方便 Agent 快速检索和复用。

9. 项目地址

• 项目博客： https://lab.einsia.ai/browserbc/
• GitHub 仓库： https://github.com/Einsia/Browser-BC
• 技术论文： https://lab.einsia.ai/browserbc/paper