微软发布Webwright：终端原生Web代理框架
微软研究院AI前沿实验室近日开源了名为Webwright的全新网络智能体框架。与传统浏览器智能体逐帧预测点击坐标的“动作执行”模式不同，Webwright让智能体在终端环境中直接编写并运行Playwright代码，通过bash命令和日志反馈迭代优化脚本。这种“代码驱动”的设计大幅提升了复杂任务的执行能力：在Odysseys长程浏览基准测试中，搭载GPT-5.4的Webwright取得60.1%的成绩，较基础GPT-5.4的33.5%提升79.4%；在Online-Mind2Web上达到86.7%的准确率，创下开源方案最高纪录。整个框架仅约1000行代码，无多智能体编排，体现了极简主义工程哲学。
代码驱动：Webwright如何用终端取代浏览器会话
传统网络智能体每次仅执行一个原子动作（点击、键盘输入、滚动），模型需要实时解析页面截图或DOM文本。随着语言模型代码能力的增强，这种逐动作循环已成为瓶颈。Webwright的突破在于将智能体与浏览器彻底解耦：智能体通过Playwright脚本控制Chromium、Firefox或WebKit浏览器，可随时启动、检查、丢弃浏览器会话，而持久化的工件不再是浏览器状态，而是工作区中的代码、日志和截图。这模仿了开发者编写RPA（机器人流程自动化）脚本的工作流——脚本可重复运行、修改和共享。
系统由三个模块构成：Runner（约150行代码）、Model Endpoint（约550行）和终端Environment（约300行）。运行循环中，Runner将当前上下文发送给大模型，模型返回思考块和Shell命令，命令在环境中执行并返回终端输出、日志、截图或错误追踪，这些观察结果再次进入上下文，循环继续。这种设计使智能体能够自然表达多步操作（如填写表单、选择日期）为紧凑的代码片段，利用循环、函数和抽象能力实现泛化，无需重复预测低层级步骤。
GPT-5.4性能飙升60.1%，成本与效率权衡凸显
Webwright在两项基准测试中表现亮眼。在Online-Mind2Web（300个任务，136个流行网站）上，使用GPT-5.4在100步预算内达到86.67%的总体准确率，超越OpenAI AutoEval类别所有开源方案；Claude Opus 4.7以84.7%紧随其后，但在困难任务上以80.5%优于GPT-5.4的76.6%。研究团队还复现了传统截图坐标基线（GPT-5.4），Webwright在所有难度层级均取得显著提升，凸显代码驱动方案的优越性。
在长程多网站任务Odysseys上（平均指令长度272.3词），Webwright+GPT-5.4以60.1%的成绩，相对此前最佳Opus 4.6的44.5%提升35.1%，较GPT-5.4基础分33.5%提升79.4%（绝对值26.6个百分点）。成本方面，Claude Opus 4.7每任务平均步数更少（21.9步 vs 26.3步），但其定价显著更高（输入每百万token 5美元 vs 2.5美元，输出25美元 vs 15美元），导致每任务平均成本攀升至6.09美元，而GPT-5.4仅为2.37美元。前50步即可达到82%的准确率，后50步额外贡献3至4个百分点。
小模型搭配脚本库可达66.2%，开源生态可复用
研究团队还测试了小型模型Qwen3.5-9B在Online-Mind2Web困难子集上的表现：当任务配备预建的可复用工具脚本后，在超过5个工具的网站上准确率达到66.2%。这表明即使参数规模较小的低成本模型，在搭配工具库后也能胜任复杂网络任务。Webwright框架的脚本输出被封装为可复用的CLI工具，兼容Claude Code、Codex和OpenClaw等环境，进一步降低了开发者的使用门槛。整个项目已在GitHub开源（github.com/microsoft/Webwright），仅需Python 3.10+、Playwright安装的Chromium及API密钥即可快速上手。
