AI 操控浏览器,到底有多烧钱?
最近半年,AI Agent 这个赛道火得一塌糊涂。Cursor、Devin、OpenHands……各种"AI 程序员"轮番登场。但如果你自己动手搭过一个能操作浏览器的 Agent,大概率踩过同一个坑——token 消耗炸了。
这事挺反直觉的。让 AI 看一眼网页,你以为是"看一眼",实际上它要么接收一大坨原始 HTML(一个复杂页面动辄 10 万 tokens),要么收一张截图让视觉模型去猜(GPT-4o 每步大概 $0.01,多步操作下来钱包在滴血)。
Hacker News 上有个帖子说得很直白:Vision 模型做浏览器操控,每步 3-10 秒延迟,$0.01 成本,还会"幻觉坐标"——按钮在 (200, 300),AI 点到了 (210, 298),刚好偏了十像素,就点到了广告上。
你想想,让一个 AI 帮你"去某个网站下载个报告",光来回交互就可能烧掉好几百 tokens 的截图费用。这谁顶得住?
开发者社区对此的吐槽从来没停过。有人用 Playwright + LLM 套了一层,发现一个月账单比服务器还贵;有人试了 Raw DOM 方案,100k+ tokens 的上下文窗口直接爆掉。
这事儿的核心矛盾是:浏览器世界是给"人眼"设计的,不是给"模型"设计的。
直到最近刷 GitHub,看到一个叫 PinchTab 的项目,才觉得这思路对了。
PinchTab:把浏览器"翻译"给 AI 听
PinchTab 是一个用 Go 写的独立 HTTP 服务,干的事情很朴素——让 AI Agent 通过 API 操控 Chrome。
没有花哨的名字,没有"颠覆性范式转移"的营销话术。GitHub 项目描述就一行:
Browser control for AI agents
它的核心卖点有三个:
1. Token 消耗压缩到 ~800 tokens/页
不是截屏,不是原始 HTML。PinchTab 用的是 Accessibility-first 的方式,把页面"翻译"成结构化的快照。可交互元素带上稳定的 ref 引用(比如 e5),AI 不需要去猜坐标,直接用 ref 就能点击、填写。
800 tokens 对比原始 HTML 的 100k+,差了一个数量级以上。官方声称 5-13 倍的成本节省,这个数字我没测过,但思路本身是对的——丢掉图片、CSS、脚本这些对 Agent 决策无用的噪音,只保留结构化的交互信息。
2. 单文件 ~15MB,零外部依赖
一个 Go 二进制,下载下来直接跑。不需要装 Node.js,不需要 Python 环境,不需要 Docker。curl 一行命令就装好:
curl -fsSL https://pinchtab.com/install.sh | bash
这在"一个 Chrome 扩展加三个 npm 包才能跑"的浏览器自动化圈子里,简直是清流。
3. 同时支持 Headless 和 Headed 模式
Headless 就是后台无窗口运行,适合自动化抓取。Headed 模式会打开真实的 Chrome 窗口——这意味着你可以用已有的登录态、Cookie、浏览器扩展。
比如让 Agent "登录我的工作账号,下载本周报表",用 Headed 模式 + 已保存的 Profile 就能直接干,不用反复输密码。
核心原理:它到底怎么省 Token?
PinchTab 的关键设计可以拆成几层来看:
Server-Bridge 架构
PinchTab 不是直接在 Agent 进程里启动 Chrome(那是 Playwright/Puppeteer 的老路)。它把控制面和数据面分开了:
- Server:主控进程,暴露 HTTP API,管理 Profile、实例、路由
- Bridge:每个 Chrome 实例对应一个轻量 Bridge 运行时
这样做的好处是 Agent 不用操心 Chrome 生命周期,Server 统一调度,支持多实例并行。
Accessibility Tree 而非 DOM
这是最关键的一步。传统方案要么把 document.body.innerHTML 全倒出来(噪音太多),要么截图让视觉模型看(太贵太慢)。
PinchTab 用 Accessibility Tree 做中间层——浏览器本身对可访问性有完整的支持,能精确告诉你页面上有哪些按钮、输入框、链接,它们的位置关系是什么。这个信息对 Agent 做决策来说,已经足够了