「让 AI 替你操作网页」的产品井喷，本质是 RPA（机器人流程自动化）的范式重生：从「录制的脚本」到「看屏幕的智能体」。本篇观察浏览器智能体的三代技术路线、它对 RPA 格局的重构、以及「操作网页」这个能力的真实边界——为什么它比想象中难，也比想象中重要。

Vercel Labs 十月底新收录的 Rust 工具，让 AI 智能体通过操作系统无障碍树「读屏」并操作桌面应用：快照发引用、点击带交付语义、失败重试有依据。本文拆解其架构、JSON 契约五版演进与四类落地场景。

「AI Agent」是当下最热的产业叙事，但「Agent」伞下装着能力与成熟度差异巨大的物种：脚本化的客服、有工具权限的助手、多环节自主的数字员工。本文按「自主性 × 环境复杂度」画一张产业落地光谱，讲清每个梯位的真实成熟度、失败模式与该不该上 Agent 的判断标准。

API 覆盖不了的世界还剩一大半——政务系统、遗留软件、没有开放接口的网页。Computer Use 让模型像人一样看屏幕、动鼠标、敲键盘，把「剩下的一大半」变成智能体的疆域。本文拆解它的感知-行动循环、两条技术路线、OSWorld 成绩单与提示注入的真实风险。

当日涨星 582 的港大 HKUDS 项目：不做 GUI Agent 的截屏点击，而是把 GIMP、Blender、LibreOffice 等真实软件「提升」成有状态、可检查、可验证的 CLI 契约——79 个本地 CLI、24 个公共 CLI、5 个能力矩阵，CLI-Hub 实测 87.8% 调用来自智能体。

浏览器智能体已走过演示期：可访问性树、视觉定位、混合感知三条路线各有代表实现，产品入口从框架卷到整只浏览器，而网站方的封锁也在同步升级。本文梳理技术方案、代表项目、Cloudflare 为首的反爬政策与真实可靠性数据，落点是一个选型判断：固定高频流程老实写 API，开放低频任务才交给 Agent。