本篇导读
预计阅读时间：8 分钟。读完你会让 Agent 替你操作浏览器：打开网页、填表单、点按钮、抓取页面信息，并知道哪些活适合交给它。
这一章的任务从「查」升级到「操作」。先看最直观的：让 Agent 操控浏览器。
它怎么「看到」网页
Agent 操控浏览器，不是像人一样看屏幕，而是两种姿势：
- 读页面结构：直接读取网页的代码结构（HTML），拿到所有文字、按钮、输入框的信息。快而准，适合抓数据、填表单。
- 看屏幕截图：像人一样「看」渲染后的页面，再决定点哪里。适合页面结构复杂、必须靠视觉判断的场景。
你不用关心它用哪种，但知道这个有助于理解它的行为：有时它秒答，是在读结构；有时它慢几秒，是在看图。
第一次操控
来个简单的：「打开必应，搜索『GLM 模型』，告诉我前三条结果的标题和链接。」
你会看到它一步步执行：启动浏览器 → 打开网页 → 定位搜索框 → 输入 → 回车 → 读取结果 → 汇报。全程你只出了一张嘴。
这就是浏览器操控的全部体验：你描述目标，它完成所有点击。
适合交给它的浏览器任务
不是所有网页操作都值得自动化，判断标准是「重复 + 有明确步骤」：
- 信息聚合：去五个网站查同一个东西，汇总成一张表
- 填表：把手头的数据填进某个网页表单（报名、登记类）
- 签到打卡类：流程固定的重复点击
- 页面监控：盯着某个页面，内容有变化就通知你
反过来，需要人来做判断的（比如逛淘宝货比三家看眼缘）、有登录验证码拦截的、涉及支付操作的，要么不适合，要么需要你全程盯着。
两个必知的安全提醒
让 Agent 碰浏览器之前，这两条务必记住：
- 登录态就是身份。 它用的浏览器如果登着你的账号，它能以你的身份操作。涉及账号的自动化，只在你授权的任务里进行，用完留意一下账号动态。
- 支付环节必须人工。 任何牵扯到花钱的按钮（付款、确认订单），永远自己点。这是底线，没有例外。
排坑提示
浏览器自动化偶尔会「卡住」：页面加载慢、弹窗挡路、验证码拦路。遇到时别反复催它，直接问一句「现在页面上是什么情况」，让它描述看到的内容，问题基本都能定位。这也是和 Agent 协作的通用心法：它卡住时，让它汇报现场，而不是干着急。
下一节
浏览器是操控「外面的世界」。下一节回到自己电脑，干最实在的一件事：批量整理文件。