🔥 核心概念：2024年底至2026年，AI Agent领域最火的两个方向非Computer Use（计算机使用） 和 Browser Use（浏览器使用） 莫属。前者让AI像人一样操作整个电脑桌面，后者让AI像用户一样浏览和操作网页。Browser Use开源项目（97,055 Star）已成为全球最受欢迎的AI Agent工具之一，Computer Use相关项目（cua 17,601 Star、UI-TARS 36,017 Star）也在飞速增长。AI Agent从"纸上谈兵"到"动手干活"，形象理解就是——Computer Use像给AI装了一双手，Browser Use像给AI装了一双眼睛和一个浏览器。
📜 一、概念起源：Browser Use与Computer Use的前世今生
Browser Use的诞生
Browser Use的概念最早可以追溯到2024年，当时AI Agent主要停留在"对话"层面——用户输入文本，AI返回文本。但开发者很快发现：让AI只能聊天就像让人类只能写作却不能上网查资料。
2024年10月，开源项目 browser-use 在GitHub上发布，定位极其精准——"让网站对AI Agent可访问"。它通过让AI Agent控制无头浏览器，实现了网页内容的自动获取、表单填写、数据提取等操作。
从2024年10月至今，browser-use从0增长到97,055 Star，成为全球最受欢迎的AI Agent工具之一。这背后的驱动力非常简单：网页是AI Agent获取实时信息最丰富、最直接的渠道。 任何需要联网查询、数据采集、网页交互的AI任务，都需要Browser Use能力。
Computer Use的里程碑
Computer Use的概念爆发于2025年初。它的核心思想更进一步：让AI Agent不仅会浏览网页，还能像人类一样操作整个操作系统——点击桌面图标、打开应用程序、拖拽文件、使用快捷键、操作GUI界面。
关键里程碑：
🎯 二、两者的核心区别与联系
Browser Use Agent：让AI拥有"浏览能力"
核心能力：
操控无头或可见浏览器
访问URL、点击链接、填写表单
提取页面结构化数据
管理Cookie和会话
执行JavaScript
截取网页截图并分析
解决的问题：
AI Agent需要实时、准确的联网信息
传统REST API覆盖不到的场景（需要登录、动态内容、反爬机制的网站）
自动化网页操作（数据采集、表单提交、内容管理）
代表性项目：
Computer Use Agent：让AI拥有"动手能力"
核心能力：
获取操作系统桌面截图
解析屏幕上的UI元素
生成鼠标点击、键盘输入等操作指令
跨应用操作（从浏览器拖到桌面应用）
识别桌面上的所有软件界面
解决的问题：
AI Agent需要操作非浏览器的桌面应用（IDE、设计软件、办公套件）
需要跨应用协作的复杂工作流（从浏览器下载数据→导入Excel→生成图表→附加到邮件）
传统API无法覆盖的桌面端自动化场景
代表性项目：
区别与联系一张表
两者的关系不是"二选一"，而是"叠加态"：一个完整的AI Agent应该同时具备Browser Use和Computer Use能力。当需要查资料时，用Browser Use打开网页；当需要把数据录入到本地Excel时，用Computer Use操作桌面应用。
🔥 三、为什么这两年突然火爆？
原因一：AI Agent从"对话"进化到"执行"
2024年之前，大模型的能力集中在"理解"和"生成"上。2024年底开始，Agent框架（Claude Code、OpenClaw、Hermes Agent）让AI能够调用工具、执行代码、完成任务。但工具调用只能操作API——如果某个服务没有API，AI就无能为力了。
Browser Use和Computer Use完美填补了这个缺口：不需要API，模拟人类操作即可。 这让AI Agent的"可执行范围"从"API覆盖的世界"扩展到"整个人类操作的世界"。
原因二：开源社区的密集创新
2024年10月至2026年6月，短短20个月内，Browser Use + Computer Use相关项目累计获得了超过20万GitHub Star。browser-use的97K Star让它跻身GitHub全球最受欢迎项目前列。字节开源的UI-TARS也达到36K Star。这些开源项目的快速迭代反过来又推动了整个赛道的发展。
原因三：视觉AI的成熟
Computer Use的关键瓶颈曾经是屏幕识别精度。但随着多模态大模型的成熟（GPT-4V、Claude Vision、Gemini Vision等），AI对截图的理解能力大幅提升——它们能准确识别按钮、文本框、下拉菜单，并理解屏幕上发生的事情。视觉能力的突破，直接推动了Computer Use的可用性。
🔗 四、关联技术名词解析
MCP（Model Context Protocol） —— AI Agent与外部工具交互的标准协议。与Browser/Computer Use的关系是：MCP定义了Agent如何调用工具，而Browser/Computer Use是这些工具中的"超级工具"。
CUA（Computer Use Agent） —— 特指专注于计算机桌面操作的Agent框架。cua项目（trycua/cua，17,601 Star）是这方面的开源标杆。
UI-TARS —— 字节跳动开源的多模态Agent栈，纯视觉驱动，支持在桌面上完成复杂操作任务（36,017 Star）。
RPA（Robotic Process Automation） —— 2010年代兴起的机器人流程自动化技术。与Computer Use类似但不相同：RPA通过录制宏和固定规则操作，Computer Use通过AI实时理解屏幕并生成操作，更灵活、更智能化。
CDP（Chrome DevTools Protocol） —— Browser Use Agent操控浏览器的底层协议。大部分Browser Use实现基于CDP或Playwright（封装了CDP）。
Playwright —— 微软开源的浏览器自动化框架。browser-use等项目的底层依赖。
Agent-Harness —— AI Agent的运行框架（如Hermes Agent、Claude Code、OpenClaw），负责调度工具。Browser Use和Computer Use是Harness可以调用的工具集。
🚀 五、应用场景
🔭 六、未来方向
1. 从"模拟"到"理解" —— 当前的Browser/Computer Use更多是"模拟人类操作"，未来将进化为"理解任务意图后自主规划操作路径"。Agent-S等框架已经在探索"像人类一样思考"的Agent模式。
2. 安全与可控性 —— 让AI直接操作电脑和浏览器存在安全风险。未来会有更完善的沙箱机制、操作审计、权限控制。
3. Apple Shortcuts式的体验 —— 最终用户可能不需要理解Browser Use和Computer Use的区别，就像不需要理解HTTP和TCP的区别一样——"告诉AI做什么"，它自动选择用哪个方式完成。
4. 与Hermes Agent的深度整合 —— 主流Agent框架（Hermes Agent、Claude Code、OpenClaw）都已经或即将深度集成Browser/Computer Use能力，让这些能力成为Agent的默认技能。
📌 一张表总结
Browser Use和Computer Use的核心意义在于：它们打破了AI Agent只能与文本和API交互的"虚拟天花板"，让AI Agent拥有了与真实物理世界（的数字化界面）交互的能力。 当AI不仅能"想"还能"操作"时，它的能力边界就从"顾问"扩展到了"执行者"。这或许是2024-2026年AI Agent生态中最具实际价值的进化。
原文链接
欢迎访问 小易撩挨踢