上周我做了一个实验让 AI Agent 连续 10 天每天帮我去掘金搜一下Rust 教程相关的新文章。 结果呢10 天下来光浏览器操作这一项就烧了差不多 26000 token。而且每一天的操作流程完全一样——找搜索框、输入关键词、等加载、提取结果。AI 每次都像第一次来这个网站一样从头摸索。 我算了一笔账按 GPT-4o 的价格这波操作花了差不多¥2-3 块钱。钱不多但真正让我难受的是——这些 token 花在了完全重复的劳动上。AI Agent 操作浏览器为什么这么费 Token先看一个典型的场景。我让 AI Agent 去 CSDN 搜索一篇文章的标题第 1 次操作探索阶段[Agent] 截图分析当前页面结构...... ~800 token [Agent] 尝试定位搜索框选择器 → 猜了 #search-box... ~600 token [Agent] 选择器不存在查看 DOM 结构重新定位... ~500 token [Agent] 找到了是 input[placeholder搜CSDN] [Agent] 输入搜索词等待页面加载... ~400 token [Agent] 提取搜索结果列表文本... ~300 token 总计~2600 token第 2 次操作一模一样的事[Agent] 截图分析页面结构...... ~800 token又来一遍 [Agent] 定位搜索框... ~600 token又要找 [Agent] 可能又猜错一次... ~500 token又重试 [Agent] 输入、等待、提取... ~700 token 总计~2600 token10 次操作 26000 token而且每次的执行路径几乎完全相同。 我把问题总结成了四点1. 每次从零开始没有记忆AI Agent 没有跨会话记忆。昨天它在掘金上摸索出的input[placeholder探索]这个选择器今天它忘得一干二净。同样的探索过程日复一日地重复。2. 选择器靠猜猜错就重试AI 分析页面结构多半靠截图或 DOM 快照猜选择器本质上是一个概率游戏。猜对了万事大吉猜错了——重试一次就是几百 token。我统计过对于复杂页面AI 平均要尝试 2-3 次才能找到正确的选择器。3. 上下文膨胀严重浏览器页面的 HTML 动辄几十 KB一张截图也有几百 KB。每次操作都要把这些信息塞进 AI 的上下文窗口。光是传输页面结构每次就要消耗 800-1500 token。4. 没有复用机制第一次探索的结果——选择器、操作流程、异常处理经验——全部无法保存。每次都像是第一次每次都在交同样的学费。核心思路把探索结果沉淀成可复用的命令想明白之后解决方案其实很简单第一次让 AI 探索把结果选择器、流程固化下来后续直接调用。举个具体的例子。第一次在掘金搜索后我记录下了这些信息掘金搜索 - 搜索框选择器input[placeholder探索] - 搜索结果列表.content-main .entry - 操作流程点击搜索框 → 输入关键词 → 按 Enter → 等待结果加载 → 提取文本然后封装成一个 CLI 命令juejin search Rust 教程 --json之后 AI 只需要拼接这个命令字符串不需要再分析页面。Token 消耗对比方式单次 token10 次总计重复率AI 直接操作浏览器~2600~26000100%调用封装好的命令~50~5000%从 26000 降到 500节省了 98%。那 50 token 只是 AI 构造命令字符串的开销。实战从 3000 Token 到 50 Token我用一个真实的场景来演示——AI Agent 每天监控京东某商品的价格变化。之前AI 每次手动操作浏览器~3000 token/次AI 每次都要生成类似这样的代码// AI Agent 每次生成的浏览器操作代码 const page await browser.newPage(); await page.goto(https://item.jd.com/100012043978.html, { waitUntil: domcontentloaded }); // AI 猜选择器... 第 1 次尝试 let price await page.$eval(.p-price span, el el.textContent).catch(() null); if (!price) { // 第 2 次尝试 price await page.$eval(.price J-p-100012043978, el el.textContent).catch(() null); } if (!price) { // 第 3 次尝试查看 DOM... const html await page.content(); // 分析 HTML 结构重新定位... price await page.$eval([class*price] span, el el.textContent); } // 处理反爬、等待动态加载、异常捕获...这段代码看起来还行问题是AI 每次都要重新走一遍这个流程。而且实际场景中AI 生成的代码往往更冗长——它会加上大量的 try-catch、注释、日志输出因为它是边想边写的。之后封装成命令~50 token/次我把常用的浏览器操作都封装成了 xbrowser 的插件。AI Agent 只需要调用 CLI 命令# AI 只需要生成这一行 xbrowser jd price --url https://item.jd.com/100012043978.html --json返回结果{ price: 2999.00, originalPrice: 3299.00, discount: -9.1%, inStock: true, timestamp: 2025-05-28T10:30:00Z }50 token 就搞定了。AI 不需要知道京东的价格选择器是什么不需要处理反爬策略不需要等待动态加载。插件内部已经把这些脏活累活都处理好了。再看一个搜索的例子# 之前AI 操作浏览器搜索掘金文章~2600 token # 之后 xbrowser juejin search Rust 异步编程 --limit 5 --json返回{ results: [ { title: Rust 异步编程完全指南, author: xxx, url: https://juejin.cn/post/7xxx, likes: 328, date: 2025-05-25 } ] }干净、结构化、可预测。AI 拿到这个 JSON 后可以直接做后续分析不需要再从 HTML 里提取文本。这个思路的本质把探索成本变成可复用资产我把这套思路用了一个多月总结出一个公式总 Token 消耗 首次探索成本 重复操作次数 × 单次操作成本 没有封装总消耗 2600 N × 2600 有封装后总消耗 2600 N × 50 当 N 10 时节省 98% 当 N 50 时节省 99.6%首次探索的 2600 token 是必须花的——AI 总得搞清楚页面结构。但关键是这笔钱只需要花一次。 这让我想到一个类比AI Agent 做浏览器操作就像让一个新人每天去同一家餐厅点外卖但每次都要重新看菜单、问服务员推荐、纠结选什么。而封装命令相当于让他记住自己的常点菜单下次直接报菜名就行。插件化一个网站一个插件顺着这个思路很自然的做法就是按网站封装插件。每个插件封装了对特定网站的操作AI Agent 按需调用# 搜索类 xbrowser baidu search AI Agent 浏览器自动化 --json xbrowser google search playwright token cost --json xbrowser bing search CDP protocol guide --json # 内容平台 xbrowser juejin search Rust 教程 --limit 10 --json xbrowser csdn search TypeScript 泛型 --json xbrowser zhihu search 如何学习系统设计 --json # 电商 xbrowser jd price --url https://item.jd.com/xxx --json每个插件就是一个 npm 包包含了 -选择器定义这个网站用哪些 CSS 选择器 -操作流程先做什么、后做什么、异常怎么处理 -数据提取怎么把 HTML 转成结构化 JSONAI 不需要知道这些细节它只需要知道有这么一个命令可以用。一些延伸思考写到这里我想聊聊更深层的东西。AI Agent 最大的成本不是模型调用费而是重复劳动的浪费。一次浏览器操作花 3000 token 不贵但重复 100 次就是 30 万 token。更关键的是这些重复操作没有任何学习价值——AI 每次探索同样的页面但不会因此变聪明。把一次性的探索成本变成可复用的资产才是 AI Agent 工程化的正确方向。这跟传统软件开发一个道理——我们不希望每次部署都手动配置环境所以有了 Docker我们不希望每次构建都手动编译所以有了 CI/CD。AI Agent 的浏览器操作也需要同样的封装思维。 想象一下如果每个常用网站都有一个封装好的命令库——GitHub 操作、JIRA 查询、飞书文档读取——AI Agent 的 token 效率能提升多少Agent 的可靠性又能提升多少封装好的命令不会猜错选择器。这才是 AI Agent 从能用到好用的关键一步。如果你也在做 AI Agent 的浏览器自动化建议试试把高频操作封装成命令。xbrowser 就是一个专门做这件事的 CLI 工具支持插件扩展可以按网站封装操作命令。开源的感兴趣的可以看看。
同一个网站操作 10 次，我的 AI Agent 烧了 5 万 Token
上周我做了一个实验让 AI Agent 连续 10 天每天帮我去掘金搜一下Rust 教程相关的新文章。 结果呢10 天下来光浏览器操作这一项就烧了差不多 26000 token。而且每一天的操作流程完全一样——找搜索框、输入关键词、等加载、提取结果。AI 每次都像第一次来这个网站一样从头摸索。 我算了一笔账按 GPT-4o 的价格这波操作花了差不多¥2-3 块钱。钱不多但真正让我难受的是——这些 token 花在了完全重复的劳动上。AI Agent 操作浏览器为什么这么费 Token先看一个典型的场景。我让 AI Agent 去 CSDN 搜索一篇文章的标题第 1 次操作探索阶段[Agent] 截图分析当前页面结构...... ~800 token [Agent] 尝试定位搜索框选择器 → 猜了 #search-box... ~600 token [Agent] 选择器不存在查看 DOM 结构重新定位... ~500 token [Agent] 找到了是 input[placeholder搜CSDN] [Agent] 输入搜索词等待页面加载... ~400 token [Agent] 提取搜索结果列表文本... ~300 token 总计~2600 token第 2 次操作一模一样的事[Agent] 截图分析页面结构...... ~800 token又来一遍 [Agent] 定位搜索框... ~600 token又要找 [Agent] 可能又猜错一次... ~500 token又重试 [Agent] 输入、等待、提取... ~700 token 总计~2600 token10 次操作 26000 token而且每次的执行路径几乎完全相同。 我把问题总结成了四点1. 每次从零开始没有记忆AI Agent 没有跨会话记忆。昨天它在掘金上摸索出的input[placeholder探索]这个选择器今天它忘得一干二净。同样的探索过程日复一日地重复。2. 选择器靠猜猜错就重试AI 分析页面结构多半靠截图或 DOM 快照猜选择器本质上是一个概率游戏。猜对了万事大吉猜错了——重试一次就是几百 token。我统计过对于复杂页面AI 平均要尝试 2-3 次才能找到正确的选择器。3. 上下文膨胀严重浏览器页面的 HTML 动辄几十 KB一张截图也有几百 KB。每次操作都要把这些信息塞进 AI 的上下文窗口。光是传输页面结构每次就要消耗 800-1500 token。4. 没有复用机制第一次探索的结果——选择器、操作流程、异常处理经验——全部无法保存。每次都像是第一次每次都在交同样的学费。核心思路把探索结果沉淀成可复用的命令想明白之后解决方案其实很简单第一次让 AI 探索把结果选择器、流程固化下来后续直接调用。举个具体的例子。第一次在掘金搜索后我记录下了这些信息掘金搜索 - 搜索框选择器input[placeholder探索] - 搜索结果列表.content-main .entry - 操作流程点击搜索框 → 输入关键词 → 按 Enter → 等待结果加载 → 提取文本然后封装成一个 CLI 命令juejin search Rust 教程 --json之后 AI 只需要拼接这个命令字符串不需要再分析页面。Token 消耗对比方式单次 token10 次总计重复率AI 直接操作浏览器~2600~26000100%调用封装好的命令~50~5000%从 26000 降到 500节省了 98%。那 50 token 只是 AI 构造命令字符串的开销。实战从 3000 Token 到 50 Token我用一个真实的场景来演示——AI Agent 每天监控京东某商品的价格变化。之前AI 每次手动操作浏览器~3000 token/次AI 每次都要生成类似这样的代码// AI Agent 每次生成的浏览器操作代码 const page await browser.newPage(); await page.goto(https://item.jd.com/100012043978.html, { waitUntil: domcontentloaded }); // AI 猜选择器... 第 1 次尝试 let price await page.$eval(.p-price span, el el.textContent).catch(() null); if (!price) { // 第 2 次尝试 price await page.$eval(.price J-p-100012043978, el el.textContent).catch(() null); } if (!price) { // 第 3 次尝试查看 DOM... const html await page.content(); // 分析 HTML 结构重新定位... price await page.$eval([class*price] span, el el.textContent); } // 处理反爬、等待动态加载、异常捕获...这段代码看起来还行问题是AI 每次都要重新走一遍这个流程。而且实际场景中AI 生成的代码往往更冗长——它会加上大量的 try-catch、注释、日志输出因为它是边想边写的。之后封装成命令~50 token/次我把常用的浏览器操作都封装成了 xbrowser 的插件。AI Agent 只需要调用 CLI 命令# AI 只需要生成这一行 xbrowser jd price --url https://item.jd.com/100012043978.html --json返回结果{ price: 2999.00, originalPrice: 3299.00, discount: -9.1%, inStock: true, timestamp: 2025-05-28T10:30:00Z }50 token 就搞定了。AI 不需要知道京东的价格选择器是什么不需要处理反爬策略不需要等待动态加载。插件内部已经把这些脏活累活都处理好了。再看一个搜索的例子# 之前AI 操作浏览器搜索掘金文章~2600 token # 之后 xbrowser juejin search Rust 异步编程 --limit 5 --json返回{ results: [ { title: Rust 异步编程完全指南, author: xxx, url: https://juejin.cn/post/7xxx, likes: 328, date: 2025-05-25 } ] }干净、结构化、可预测。AI 拿到这个 JSON 后可以直接做后续分析不需要再从 HTML 里提取文本。这个思路的本质把探索成本变成可复用资产我把这套思路用了一个多月总结出一个公式总 Token 消耗 首次探索成本 重复操作次数 × 单次操作成本 没有封装总消耗 2600 N × 2600 有封装后总消耗 2600 N × 50 当 N 10 时节省 98% 当 N 50 时节省 99.6%首次探索的 2600 token 是必须花的——AI 总得搞清楚页面结构。但关键是这笔钱只需要花一次。 这让我想到一个类比AI Agent 做浏览器操作就像让一个新人每天去同一家餐厅点外卖但每次都要重新看菜单、问服务员推荐、纠结选什么。而封装命令相当于让他记住自己的常点菜单下次直接报菜名就行。插件化一个网站一个插件顺着这个思路很自然的做法就是按网站封装插件。每个插件封装了对特定网站的操作AI Agent 按需调用# 搜索类 xbrowser baidu search AI Agent 浏览器自动化 --json xbrowser google search playwright token cost --json xbrowser bing search CDP protocol guide --json # 内容平台 xbrowser juejin search Rust 教程 --limit 10 --json xbrowser csdn search TypeScript 泛型 --json xbrowser zhihu search 如何学习系统设计 --json # 电商 xbrowser jd price --url https://item.jd.com/xxx --json每个插件就是一个 npm 包包含了 -选择器定义这个网站用哪些 CSS 选择器 -操作流程先做什么、后做什么、异常怎么处理 -数据提取怎么把 HTML 转成结构化 JSONAI 不需要知道这些细节它只需要知道有这么一个命令可以用。一些延伸思考写到这里我想聊聊更深层的东西。AI Agent 最大的成本不是模型调用费而是重复劳动的浪费。一次浏览器操作花 3000 token 不贵但重复 100 次就是 30 万 token。更关键的是这些重复操作没有任何学习价值——AI 每次探索同样的页面但不会因此变聪明。把一次性的探索成本变成可复用的资产才是 AI Agent 工程化的正确方向。这跟传统软件开发一个道理——我们不希望每次部署都手动配置环境所以有了 Docker我们不希望每次构建都手动编译所以有了 CI/CD。AI Agent 的浏览器操作也需要同样的封装思维。 想象一下如果每个常用网站都有一个封装好的命令库——GitHub 操作、JIRA 查询、飞书文档读取——AI Agent 的 token 效率能提升多少Agent 的可靠性又能提升多少封装好的命令不会猜错选择器。这才是 AI Agent 从能用到好用的关键一步。如果你也在做 AI Agent 的浏览器自动化建议试试把高频操作封装成命令。xbrowser 就是一个专门做这件事的 CLI 工具支持插件扩展可以按网站封装操作命令。开源的感兴趣的可以看看。
