Browser Use 联创复盘：模型越强越该拆掉人工定义的 Harness

模型越强，Harness 越该拆：Browser Agents 的苦涩教训

@browser_use 联创 @gregpr07 用自家 Browser Use 两年的演进证明，模型能力越强，围绕模型搭建的 “Harness Engineering” 就越应该被拆掉：从人工定义的点击/输入动作，一路收缩到给模型一个能直接写代码的浏览器原始接口（CDP）。这是 Rich Sutton 著名 “Bitter Lesson” 在浏览器智能体领域的一次完整实证。 https://browser-use.com/posts/bitter-lesson-browser-agents

论证脉络：一次持续两年的“做减法”

1. 起点 -- 人定义一切（2024 年 11 月） 产品发布时 GPT-4o 尚未针对 computer use 训练，团队必须显式定义状态空间（页面有什么、哪些可点）和动作空间（点击、输入、滚动）。harness 决定模型看什么、做什么。问题在于浏览器自动化是极端案例的博弈，每种异常都需要一次人工修复。

2. 动作自由化 -- 让模型写代码（2025 年 9–10 月） 引入 JavaScript 执行和持久化 notebook 后，模型从“从菜单里挑动作”变成“写程序完成任务”。画签名、循环遍历这类需求不再需要新增专用动作。关键证据是 Hermes 智能体案例：用单个 browser_exec 工具替换 12 个浏览器工具后，Opus 4.8 的 token 消耗下降 60%，Kimi K3 下降 66%，且两者都完成了全部 18/18 次任务运行——效率与可靠性同时提升，而非此消彼长。

3. 观察自由化 -- 撤掉预定义状态 动作开放后，瓶颈转移到“模型能看到什么仍由人决定”。典型失败：cookie 按钮就在屏幕上，却因无障碍树未暴露而永远进不了模型视野；文中 EHR 下拉菜单的例子（open shadow root → 跨域 iframe → closed shadow root）说明任何状态提取启发式都预见不了所有网站结构。解法是让模型直连 CDP，自己决定该截图、查 DOM 还是看某个 frame。

4. 接口最简化 + 外壳复用 -- 为什么选 CDP 而非 Playwright：CDP 是 Chrome 原生协议，位于 Playwright 抽象之下；Playwright 的定位器无法穿透 closed shadow root，CDP 可以。同时，团队不再自研 agent 循环，而是复用 Pi、Codex、OpenCode 这些经数百万人检验的编码智能体；文中坦承了一个自研循环里 compaction 自我触发的 bug，作为“不要自造轮子”的注脚。

深层解读：它真正在说什么？

1. 这是 Sutton “Bitter Lesson” 的第三次移植，也是最彻底的一次。 Sutton 2019 年的原文说的是：依赖算力增长的通用方法终将胜过注入人类知识的专用方法。此前业界已把这个逻辑套用到框架层，本文把它推进到观察与动作的粒度：人工设计的中间表示（预定义状态、动作菜单）不是在帮助模型，而是在限制它。人类工程师的领域知识从“资产”变成了“负债”。

2. 技术范式发生了一次倒置。 传统自动化是“人定义状态和动作，模型做选择”（经典 RL 式思路）；新范式是“模型面对原始接口自己编程”。遥控器换成了编程语言。这个转变之所以现在成立，前提是模型的编码能力已跨过阈值，2024 年不可行的方案在 2026 年成了最优解，这正是“模型在变，harness 就需要重新思考”的含义。

3. 三条原则是文章的可迁移产出：复用经过验证的 agent harness；暴露模型能用好的最简底层接口；让模型自己选择观察与动作。作者明确表示该原理适用于浏览器、电脑、文本、音乐等所有智能体领域；这与 2026 年业界 “最小化 Harness” 共识完全同频。