题记与说明
标题: Browser Tools for AI Agents Part 2: The Framework Wars (browser-use, Stagehand, Skyvern)
作者: Steven Gonsalvez
来源 URL: https://dev.to/stevengonsalvez/browser-tools-for-ai-agents-part-2-the-framework-wars-browser-use-stagehand-skyvern-4gn （原文发布于 stevengonsalvez.com）
存档日期: 2026-10-29
标签: AI Agent、浏览器自动化、框架选型、成本工程、browser-use、Stagehand
收藏理由: 系统对比 browser-use、Stagehand、Skyvern、Notte 等框架的选型长文：讲清 DOM 优先 vs 视觉优先架构、每步 token 成本与缓存重放策略，附对比表和决策树，一篇顶半个 awesome 列表。
这篇讲什么
这是作者「AI Agent 浏览器工具」四部曲的第二篇（第一篇讲底层工具，第三篇讲托管基础设施，第四篇讲省 token 的无浏览器方案）。本篇往上一层，讲框架层：Agent 如何在浏览器里真正"做事"。作者把五个工具放在同一轴线上对比——browser-use（DOM 优先）、Stagehand（DOM + 缓存重放）、Skyvern（视觉优先）、Notte（混合 + 全栈）、expect（测试 Agent）。
核心观点
一切差异源于一个架构分歧：Agent 怎么"看见"网页。DOM 优先（解析 HTML/可访问性树为文本喂给模型）快且省 token，但遇到 shadow DOM、iframe 套娃、故意混淆的遗留页面就抓瞎；视觉优先（截图喂多模态模型）什么都能处理，但每步都烧图 token，最贵最慢；混合是中间地带。作者的关键论断是：这个选择会级联影响速度、成本、准确率和网站覆盖面。真正精彩的是经济学分析——browser-use 每一步都要调 LLM（ReAct 循环，10 步约 7k-15k token），而 Stagehand v3 弃用 Playwright 直连 CDP 后引入缓存重放：首次运行付费学一遍动作映射，之后同页面重放零推理成本（<100ms），页面变了才回退到 LLM 自愈。
最值得记住的金句和数据
- "It's the same pattern as a JIT compiler: interpret first, compile the hot paths." —— Stagehand 的缓存重放本质是 JIT 思想：先解释执行，把热路径编译固化。这个模式可以平移到任何重复性的 LLM 工作流。
- 对比表数据：每 10 步 token 消耗——browser-use ~7k-15k、Stagehand 首次 ~2k-5k/缓存后 ~0、Skyvern ~30k-50k；Skyvern 2.0 的 Planner-Actor-Validator 循环把 WebVoyager 得分从 45% 拉到 85.85%。
- "The frameworks are building blocks, not religions." —— 生产团队的终局是组合使用：Stagehand 管重复流程、Skyvern 啃遗留怪站、expect 做 CI 验证，而不是押注单一框架。
- （附带一提）Notte 的 SSPL 许可证是 MongoDB 条款——拿它做 SaaS 必须开源整个技术栈，选型前必须看清。
对我的启发
- Agent 系统：expect 的定位辨析最有价值——它不是浏览器自动化框架，而是"用浏览器的测试 Agent"，方向性差异在于"浏览器是验证环境而非操作环境"。它补上了 Agent 闭环里 research-implement-validate 的最后一环：Agent 写完代码 → expect 读 git diff 生成测试计划并在真实浏览器执行 → 失败报告回流给编码 Agent 修复。这正是构建自验证编码工作流的现成积木。
- AI 编程工具：成本工程视角贯穿全文。选工具不该只看 demo 炫不炫，要看"每步 token × 调用频次"，能确定性执行的步骤绝不花 LLM 推理钱——Notte 声称确定性脚本 + 按需 LLM 省一半成本。
- 个人知识管理：文末「没人要但人人需要的对比表 + 决策树」是工具选型类知识归档的可复用模板，比收藏一堆 awesome 列表更可执行。
- 写作：每个框架配一句 "Feels like: ..." 的类比收尾（如 browser-use 是"每个决定前都要打电话请示导师的聪明实习生"），是技术长文里降低记忆负担的好范式。
适合谁读
正在给 Agent 选浏览器执行框架的工程师；关注 Agent 成本与架构权衡的 AI 应用开发者；想让编码 Agent 具备 UI 验证闭环的人（直接看 expect 一节）；以及想学怎么写好技术选型对比文的作者。建议配合第一篇（底层工具）一起读。